AI fogíny egészségének értékelése okostelefonnal

I. Bevezetés A legelterjedtebb fogászati ​​betegségek a fogszuvasodás (szuvasodás) és az ínybetegségek (gingivitis és parodontitis). Bizonyított, hogy ezeket a betegségeket a foglepedék (bakteriális biofilm) okozza [1]-[3]. Bár a legtöbb beteg minden nap mos fogat, nem tudja minden fogát tisztán tartani. A szájban nehezen hozzáférhető területek, például zsúfolt területek, hátsó fogak vagy interdentális területek általában érintettek (helyspecifikus) [4]. Az alapos, professzionális fogtisztítást követően néhány napon belül a lepedék felhalmozódik a fogak felszínén, az íny széléhez közel. Klinikai vizsgálatok azt mutatják, hogy a plakk rendszeres megszakítására van szükség, és ez megelőzheti és megállíthatja az ínybetegségeket [5]. A fogászati ​​betegségek kialakulása azonban évekbe telhet, a páciensnek általában nincsenek fájdalomtünetei [6], kivéve, ha a betegség előrehaladott stádiumba lépett. Jelentős mennyiségű erőforrást és klinikai időt fordítottak arra, hogy motiválják és utasítsák a betegeket, hogy tartsák tisztán szájukat, de az eredmények nem kielégítőek. Kívánatos egy automatizált technika alkalmazása a szájhigiénia napi ellenőrzésére, hogy szükség esetén tudjunk kezelést kérni.

A betegek válaszreakciója az íny szélén felgyülemlett plakk gyulladása, amely több vérsejtet juttat a helyre, hogy harcoljon a bakteriális invázió ellen [7]. Az ínygyulladás fokozott vörösségben (szín), térfogatnövekedésben (ödéma) és a felületi jellemzők elvesztésében (foltosodás, ínyszálak kötődése) nyilvánul meg [8]. Ezek a beteg helyek a fogorvosok vizuális vizsgálatával azonosíthatók. Ezenkívül az íny gyulladásos elváltozásai intraorális fényképezéssel is felismerhetők. A kutatás célja mesterséges intelligens (AI) technikák alkalmazása az ínygyulladás intraorális fényképekről történő kimutatására. Mivel a gyulladás célpontja az íny szélén található, változatos alakú és méretű, ezért pixel szintű szemantikai szegmentációra van szükség. Ehhez a kutatáshoz néhány előzetes kutatási munkát végeztünk. DeepLabv3+ [9] enkóder-dekódoló hálózat könnyű gerincvel A MobileNetV2 [10] segítségével az ínygyulladás pixelenkénti szemantikai szegmentációját végezték el az intraorális fényképekből. A fényképeket egy több mint 15 éves klinikai tapasztalattal rendelkező fogorvos indexeli, hogy megkapja az index kategóriájú képeket a hálózati képzéshez.

II. Mások munkája Az ínybetegségek intraorális képek alapján történő automatizált szegmentálására mély tanulási megközelítéssel tett első kísérletet a [11] javasolja. Autoencoder hálózati architektúrát alkalmaz mély konvolúciós neurális hálózattal. A felhasznált adatkészlet 150 egyén 405 színnel kiegészített intraorális biomarker képét tartalmazza. A fogínygyulladásos területeket fogorvos jelölte meg, és a képzett hálózat a vevő működési karakterisztikája alatti területtel (AUC) 0,746 tudja megjósolni a gyulladást. A pontossági és visszahívási értékek 0,347 és 0,621. A hálózatot betanították a beteg íny címkézésére. A fogak egyes fogkőit is beteg ínynek jósolták, mivel sárgás színe technikailag közel áll a beteg ínyéhez. Sőt, az érdektelen ínyterület egyes részeit is beteg ínynek jósolták. Az általános szegmentáció nem kielégítő.

III. Előzetes munkáink Az elővizsgálathoz a Hongkongi Egyetem (HKU) Fogorvostudományi Karáról származó, parodontológiai kezelésen átesett betegek intraorális fényképeit gyűjtöttük össze. A tanulmányt a HKU intézményi felülvizsgálati bizottsága hagyta jóvá (UW20-230). Összesen 110 standard intraorális fényképet gyűjtöttünk különböző felbontással. Ezeket manuálisan vágják különböző kisebb képekre, és a célcímkék a lehető legnagyobb képet foglalják el, ami nagyon előnyös az edzéshez. A kivágott kép mérete 512×512-re egységes. Az elkészült adatkészlet két halmazra oszlik, 337 képre a képzéshez és 110 képre az érvényesítéshez. Tekintettel arra, hogy egy pácienshez több kép is tartozik, így az adathalmaz felosztása során ugyanannak a páciensnek a képe nem jelenik meg a két felosztott adathalmazban. Négy egészségi állapotra vannak felosztva (egészséges, megkérdőjelezhető egészséges, megkérdőjelezhető beteg és beteg), és több mint 15 éves klinikai tapasztalattal rendelkező fogorvos igazolta. A javasolt szemantikus szegmentációs architektúra a DeepLabv3+ hálózaton alapul, az Xception és a MobileNetV2 gerinchálózatával. Kísérleti eredmények mutatják a javasolt rendszer hatékonyságát, amely a fogászati ​​önellenőrzés mobilalkalmazással történő alkalmazásának lehetőségét mutatja, különösen a járványügyi járvány idején, ahol a fogorvos látogatása nehézkes, sőt lehetetlen. A javasolt hálózati modell képes megjósolni az érdeklődő ínyterület kontúrját. A kísérleti eredmények azt mutatják, hogy a javasolt szegmentációs modell az ínygyulladás területének nagy részét pontosan négy kategóriába tudja osztani. A millió forint 0,3514. Úgy gondolják, hogy az adatkészlet bővítésével és a hálózati struktúra optimalizálásával a teljesítmény tovább javítható. Az előzetesről szóló kutatómunka [16]-ban jelent meg.

IV. Kulcskérdések és kutatási hiányosságok

V. Nincs többszintű helyspecifikus szemantikus szegmentációs neurális hálózati modell az ínygyulladás intraorális fényképről történő automatikus kimutatására.

B. Nincs jól jelzett edzési adatkészlet az intraorális fényképről készült ínygyulladás automatikus kimutatásának alkalmazására.

Referencia:

1. J.K. Clarke: "A bakteriális faktor a fogszuvasodás etiológiájában", British Journal of experimental pathology, vol. 5, sz. 3, pp. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "A destruktív periodontális betegség bakteriális etiológiája: jelenlegi koncepciók", Journal of periodontology, vol. 63, pp. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Human oral microbial ecology and dental caries and periodontális betegségek", Critical Reviews in Oral Biology & Medicine, vol. 7, sz. 2, pp. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P.A. Rogers: "Fizikai szondázással észlelt helyspecifikus kötődési szint változás kezeletlen krónikus felnőttkori parodontitisben: tanulmányok áttekintése 1982-1997", Journal of periodontology, vol. 70, sz. 3, pp. 312-328, 1999.
5. H. Löe, "Szájhigiénia a fogszuvasodás és a parodontális betegségek megelőzésében", International dental Journal, vol. 50, sz. 3, pp. 129-139, 2000.
6. L. Croxson: „A periodontális tudatosság: a parodontális egészség kulcsa”, International dental Journal, vol. 43, (2 1. melléklet) pp. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses in Periodontal Diseases", Journal of dental research, vol. 63. sz. 3, pp. 441-451, 1984.
8. G.C. Armitage, "A periodontális betegségek klinikai értékelése", Periodontology 2000, vol. 7, sz. 1, 39-53., 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff és H. Adam, „Encoder-decoder with atrous separable convolution for semantic image segmentation”, Proceedings of the European Conference on Computer vision (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov és L. Chen, „MobileNetV2: Inverted Residuals and Linear Bottlenecks”, 2018-ban IEEE/CVF konferencia a számítógépes látásról és mintafelismerésről, Salt Lake City, UT, USA , 2018, pp. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu és P. Shah, „A gingival betegségek automatizált szegmentálása orális képek alapján”, 2017-ben 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: Convolutional Networks for Biomedical Image Segmentation", in 18. International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens és Q.V. Le, „Learning Transferable Architectures for Scalable Image Recognition”, 2018-ban, IEEE/CVF konferencia a számítógépes látásról és mintafelismerésről, Salt Lake City, UT, USA, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 1800-1807.
15. M.X. Tan és Q.V. Le, „EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks”, Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, vol. 97, pp. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W. Y.-H. Lam, G. Pelekos és C. McGrath, "Automatic Site-Specific multiple level disease detection based on deep neural network", 2021. 15. Nemzetközi Szimpózium az Orvosi Információs és Kommunikációs Technológiáról (ISMICT) (ISMICT2021), Xiamen, Kína, április 2021.