Évaluation de la santé des gencives par IA avec smartphone

I. Introduction Les maladies dentaires les plus répandues sont la carie dentaire (caries) et les maladies des gencives (gingivite et parodontite). Il est prouvé que ces maladies sont causées par la plaque dentaire (biofilm bactérien) [1]-[3]. Bien que la plupart des patients se brossent les dents tous les jours, ils ne peuvent pas garder toutes leurs dents propres. Les zones de la bouche difficiles d'accès, telles que les zones encombrées, les dents postérieures ou les zones interdentaires, sont généralement touchées (spécifiques au site) [4]. Après un nettoyage professionnel approfondi des dents, la plaque commence à s'accumuler à la surface des dents près du bord de la gencive en quelques jours. Des études cliniques indiquant que des perturbations régulières de la plaque sont nécessaires et peuvent prévenir et arrêter les maladies des gencives [5]. Cependant, les maladies dentaires peuvent prendre des années à se développer, le patient ne présente généralement aucun symptôme douloureux [6] à moins que la maladie n'ait progressé jusqu'au stade avancé. Une quantité importante de ressources et de temps clinique a été utilisée pour motiver et demander aux patients de garder leur bouche propre et pourtant les résultats ne sont pas satisfaisants. Il est souhaitable d'adopter une technique automatisée de surveillance quotidienne de la santé bucco-dentaire afin de pouvoir rechercher un traitement en cas de besoin.

La réponse des patients à la plaque accumulée au niveau du bord gingival est une inflammation qui amène plus de cellules sanguines sur le site pour lutter contre l'invasion bactérienne [7]. L'inflammation de la gencive se manifeste par une augmentation de la rougeur (couleur), une augmentation du volume (œdème) et une perte des caractéristiques de surface (pointillés, attache des fibres gingivales) [8]. Ces sites malades peuvent être identifiés par un examen visuel des dentistes. De plus, ces changements inflammatoires de la gencive peuvent également être reconnus par la photographie intrabuccale. L'objectif de cette recherche est d'appliquer des techniques d'intelligence artificielle (IA) pour détecter l'inflammation des gencives à partir de photographies intrabuccales. Comme le site d'inflammation cible se situe au bord de la gencive avec une forme et une taille variées, une segmentation sémantique au niveau du pixel est nécessaire. Pour cette recherche, nous avons effectué quelques travaux de recherche préliminaires. Le réseau d'encodeurs-décodeurs DeepLabv3+ [9] avec une dorsale légère MobileNetV2 [10] a été adopté pour effectuer une segmentation sémantique pixel par pixel de l'inflammation gingivale à partir des photographies intrabuccales. Les photographies sont indexées par un spécialiste dentaire ayant plus de 15 ans d'expérience clinique afin d'obtenir les images de la catégorie index pour la formation en réseau.

II. Travaux réalisés par d'autres La première tentative de segmentation automatisée des maladies gingivales à partir d'images intra-orales avec une approche d'apprentissage en profondeur est proposée dans [11]. Il adopte une architecture de réseau d'auto-encodeur avec un réseau de neurones à convolution profonde. L'ensemble de données utilisé comprend 405 images de biomarqueurs intra-oraux à couleur augmentée provenant de 150 individus. Les zones d'inflammation gingivale ont été étiquetées par un professionnel dentaire et le réseau formé peut prédire l'inflammation avec une aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) de 0,746. Les valeurs de précision et de rappel sont respectivement de 0,347 et 0,621. Le réseau a été formé à l'étiquetage sur les gencives malades. Certains calculs sur les dents ont également été prédits comme des gencives malades car leur couleur jaunâtre est techniquement proche de celle des gencives malades. De plus, certaines parties de la zone gingivale non intéressée ont également été prédites comme des gencives malades. La segmentation globale n'est pas satisfaisante.

III. Nos travaux préliminaires Les photographies intrabuccales de patients de la Faculté de médecine dentaire de l'Université de Hong Kong (HKU), qui ont subi un traitement parodontique, ont été recueillies pour l'étude préliminaire. L'étude a été approuvée par le comité d'examen institutionnel de HKU (UW20-230). Au total, 110 photographies intra-orales standard avec différentes résolutions ont été collectées. Ils sont recadrés manuellement en différentes images plus petites et les étiquettes cibles occupent la plus grande image possible, ce qui est très bénéfique pour la formation. La taille de l'image recadrée est unifiée à 512×512. L'ensemble de données complété est divisé en deux ensembles, respectivement 337 images pour la formation et 110 images pour la validation. Étant donné qu'il existe plusieurs images correspondant à un patient, lors de la division de l'ensemble de données, l'image du même patient n'apparaîtra pas dans les deux ensembles de données divisés. Ils sont étiquetés en quatre niveaux d'état de santé (sain, douteux en bonne santé, douteux malade et malade) et vérifiés par un spécialiste dentaire avec plus de 15 ans d'expérience clinique. L'architecture de segmentation sémantique proposée est basée sur le réseau DeepLabv3+ avec Xception et MobileNetV2 comme backbone. Les résultats expérimentaux montrent l'efficacité du système proposé, qui montre une application possible sur l'auto-contrôle dentaire à l'aide d'une application mobile, en particulier pendant la pandémie de la maladie où la visite chez le dentiste est difficile, voire impossible. Le modèle de réseau proposé permet de prédire le contour de la zone gingivale intéressée. Les résultats des expériences montrent que le modèle de segmentation proposé peut diviser avec précision la majeure partie de la zone d'inflammation des gencives en quatre catégories. Le mIoU est de 0,3514. On pense qu'en élargissant l'ensemble de données et en optimisant la structure du réseau, les performances peuvent être encore améliorées. Le travail de recherche sur le préliminaire a été publié dans [16].

IV. Principaux enjeux et lacune de la recherche

A. Il n'y a pas de modèle de réseau neuronal de segmentation sémantique spécifique au site à plusieurs niveaux pour la détection automatique de l'inflammation gingivale à partir d'une photographie intra-orale.

B. Il n'y a pas d'ensemble de données de formation bien étiqueté pour l'application de la détection automatique de l'inflammation gingivale à partir d'une photographie intra-orale.

Référence:

1. J.K. Clarke, "Sur le facteur bactérien dans l'étiologie des caries dentaires", British journal of experimental pathology, vol. 5, non. 3, p. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, « L'étiologie bactérienne de la maladie parodontale destructrice : concepts actuels », Journal of periodontology, vol. 63, p. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Écologie microbienne orale humaine et caries dentaires et maladies parodontales," Critical Reviews in Oral Biology & Medicine, vol. 7, non. 2, p. 180-198, 1996.
4. HJ Breen, N.W. Johnson, PA Rogers, "Changement de niveau d'attachement spécifique au site détecté par un sondage physique dans la parodontite chronique adulte non traitée: revue des études 1982-1997," Journal of periodontology, vol. 70, non. 3, p. 312-328, 1999.
5. H. Löe, "Hygiène buccale dans la prévention des caries et des maladies parodontales", Journal dentaire international, vol. 50, non. 3, p. 129-139, 2000.
6. L. Croxson, « Conscience parodontale : la clé de la santé parodontale », Journal dentaire international, vol. 43, (2 Supplément 1) p. 167-177, 1993.
7. R. Genco, J. Slots, "Réponses de l'hôte Réponses de l'hôte dans les maladies parodontales", Journal of dental research, vol. 63, non. 3, p. 441-451, 1984.
8. G. C. Armitage, "Évaluation clinique des maladies parodontales," Parodontologie 2000, vol. 7, non. 1, pages 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff et H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," in Actes de la conférence européenne sur la vision par ordinateur (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov et L. Chen, "MobileNetV2 : Résiduels inversés et goulots d'étranglement linéaires", lors de la conférence IEEE/CVF 2018 sur la vision par ordinateur et la reconnaissance de formes, Salt Lake City, UT, États-Unis , 2018, p. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu et P. Shah, "Segmentation automatisée des maladies gingivales à partir d'images orales", en 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, pp . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net : Réseaux convolutifs pour la segmentation d'images biomédicales", dans 18e Conférence internationale sur l'informatique médicale et l'intervention assistée par ordinateur (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens et Q.V. Le, "Apprentissage d'architectures transférables pour la reconnaissance d'images évolutives", dans la conférence IEEE/CVF 2018 sur la vision par ordinateur et la reconnaissance de formes, Salt Lake City, UT, États-Unis, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," dans 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807.
15. M.X. Tan et Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", dans Actes de la 36e Conférence internationale sur l'apprentissage automatique, PMLR, 2019, vol. 97, p. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B.W.-K. Ling, W.Y.-H. Lam, G. Pelekos et C. McGrath, "Détection automatique des maladies des gencives à plusieurs niveaux spécifique au site basée sur un réseau de neurones profonds", en 2021 15e Symposium international sur les technologies de l'information et de la communication médicales (ISMICT) (ISMICT2021), Xiamen, Chine, Avr. 2021.