AI-evaluatie van de tandvleesgezondheid met smartphone

I. Inleiding De meest voorkomende tandziekten zijn tandbederf (cariës) en tandvleesaandoeningen (gingivitis en parodontitis). Het is bewijs dat deze ziekten worden veroorzaakt door tandplak (bacteriële biofilm) [1]-[3]. Hoewel de meeste patiënten elke dag hun tanden poetsen, kunnen ze niet al hun tanden schoon houden. Gebieden in de mond die moeilijk toegankelijk zijn, zoals overvolle gebieden, posterieure tanden of interdentale gebieden, worden meestal aangetast (plaatsspecifiek) [4]. Na een grondige professionele tandreiniging zal zich binnen enkele dagen tandplak ophopen op het tandoppervlak nabij de rand van het tandvlees. Klinische studies tonen aan dat regelmatige ontwrichting van tandplak nodig is en tandvleesaandoeningen kan voorkomen en stoppen [5]. Het kan echter jaren duren voordat tandheelkundige aandoeningen zich ontwikkelen, de patiënt heeft meestal geen pijnsymptomen [6] tenzij de ziekte is gevorderd tot een vergevorderd stadium. Er is een aanzienlijke hoeveelheid middelen en klinische tijd gebruikt om patiënten te motiveren en te instrueren om hun mond schoon te houden, maar de resultaten zijn niet bevredigend. Het is wenselijk om een ​​geautomatiseerde techniek toe te passen voor het dagelijks monitoren van de mondgezondheid, zodat we naar behandeling kunnen zoeken wanneer dat nodig is.

De reactie van patiënten op tandplak die zich ophoopt aan de rand van het tandvlees is een ontsteking die meer bloedcellen naar de plek brengt om te vechten tegen de bacteriële invasie [7]. Ontsteking van het tandvlees manifesteert zich als een toename van roodheid (kleur), toename van het volume (oedeem) en verlies van oppervlakte-eigenschappen (stippeling; aanhechting van tandvleesvezels) [8]. Deze zieke plaatsen kunnen worden geïdentificeerd door visueel onderzoek van tandartsen. Bovendien kunnen deze ontstekingsveranderingen van het tandvlees ook worden herkend door intraorale fotografie. Het doel van dit onderzoek is om artificiële intelligente (AI) technieken toe te passen om tandvleesontsteking op intraorale foto's te detecteren. Aangezien de doelontstekingsplaats zich op de tandvleesrand bevindt met verschillende vormen en afmetingen, is semantische segmentatie op pixelniveau nodig. Voor dit onderzoek hebben we een aantal vooronderzoeken gedaan. DeepLabv3+ [9] encoder-decodernetwerk met een lichtgewicht backbone MobileNetV2 [10] werd toegepast om pixelgewijze semantische segmentatie uit te voeren van de tandvleesontsteking van de intraorale foto's. De foto's worden geïndexeerd door een tandarts-specialist met meer dan 15 jaar klinische ervaring om de indexcategorie afbeeldingen voor de netwerktraining te verkrijgen.

II. Werk van anderen De eerste poging om tandvleesaandoeningen automatisch te segmenteren op basis van intraorale beelden met een deep learning-benadering wordt voorgesteld in [11]. Het maakt gebruik van een autoencoder-netwerkarchitectuur met een neuraal netwerk met diepe convolutie. De gebruikte dataset omvat 405 kleurversterkte intraorale biomarkerbeelden van 150 personen. Gebieden met tandvleesontsteking werden gelabeld door tandartsen en het getrainde netwerk kan de ontsteking voorspellen met een oppervlakte onder de receiver operating Characteristic Curve (AUC) van 0,746. De precisie- en terugroepwaarden zijn respectievelijk 0,347 en 0,621. Het netwerk werd getraind met het labelen op ziek tandvlees. Sommige tandsteen op tanden werd ook voorspeld als ziek tandvlees, aangezien de geelachtige kleur technisch dicht bij die van ziek tandvlees ligt. Bovendien werden sommige delen van het ongeïnteresseerde tandvleesgebied ook voorspeld als ziek tandvlees. Algehele segmentatie is niet bevredigend.

III. Onze voorbereidende werkzaamheden De intraorale foto's van patiënten van de Faculteit der Tandheelkunde, de Universiteit van Hong Kong (HKU), die een parodontische behandeling ondergingen, werden verzameld voor de voorbereidende studie. Het onderzoek is goedgekeurd door de Instellingsraad van HKU (UW20-230). Er werden in totaal 110 standaard intraorale foto's met verschillende resoluties verzameld. Ze worden handmatig bijgesneden tot verschillende kleinere afbeeldingen en de doellabels nemen de grootst mogelijke afbeelding in beslag, wat zeer gunstig is voor training. De grootte van de bijgesneden afbeelding wordt verenigd tot 512×512. De voltooide dataset is verdeeld in twee sets, respectievelijk 337 afbeeldingen voor training en 110 afbeeldingen voor validatie. Aangezien er meerdere afbeeldingen zijn die overeenkomen met één patiënt, zal bij het splitsen van de dataset het beeld van dezelfde patiënt niet verschijnen in de twee verdeelde datasets. Ze zijn gelabeld in vier gezondheidsstatusniveaus (gezond, twijfelachtig gezond, twijfelachtig ziek en ziek) en geverifieerd door een tandartsspecialist met meer dan 15 jaar klinische ervaring. De voorgestelde architectuur voor semantische segmentatie is gebaseerd op het DeepLabv3+-netwerk met Xception en MobileNetV2 als ruggengraat. Experimentele resultaten tonen de effectiviteit van het voorgestelde systeem aan, dat mogelijke toepassing laat zien op tandheelkundige zelfcontrole met behulp van een mobiele app, met name tijdens de ziektepandemie, waar bezoek aan tandartsen moeilijk of zelfs onmogelijk is. Het voorgestelde netwerkmodel kan de contour van het geïnteresseerde gingivale gebied voorspellen. Experimentresultaten tonen aan dat het voorgestelde segmentatiemodel het grootste deel van het tandvleesontstekingsgebied nauwkeurig in vier categorieën kan verdelen. De mlOU is 0,3514. Er wordt aangenomen dat door de dataset uit te breiden en de netwerkstructuur te optimaliseren, de prestaties verder kunnen worden verbeterd. Het onderzoekswerk over de voorlopige werd gepubliceerd in [16].

IV. Kernthema's en Onderzoekskloof

A. Er is geen plaatsspecifiek neuraal netwerkmodel voor semantische segmentatie op meerdere niveaus voor automatische detectie van tandvleesontsteking op intraorale foto's.

B. Er is geen goed gelabelde trainingsdataset voor de toepassing van automatische detectie van tandvleesontsteking op intraorale foto's.

Referentie:

1. JK Clarke, "Over de bacteriële factor in de etiologie van tandcariës", Brits tijdschrift voor experimentele pathologie, vol. 5, nee. 3, blz. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "De bacteriële etiologie van destructieve parodontitis: huidige concepten," Journal of parodontology, vol. 63, blz. 322-331, 1992.
3. WF Liljemark, C. Bloomquist, "Menselijke orale microbiële ecologie en tandcariës en parodontitis," Critical Reviews in Oral Biology & Medicine, vol. 7, nee. 2, blz. 180-198, 1996.
4. HJ Breen, NW Johnson, PA Rogers, "Site-specific attachment level change gedetecteerd by physical sondering in onbehandelde chronische parodontitis bij volwassenen: overzicht van studies 1982-1997," Journal of parodontology, vol. 70, nee. 3, blz. 312-328, 1999.
5. H. Löe, "Mondhygiëne bij de preventie van cariës en parodontitis", Internationaal tandheelkundig tijdschrift, vol. 50, nee. 3, blz. 129-139, 2000.
6. L. Croxson, "Parodontaal bewustzijn: de sleutel tot parodontale gezondheid", Internationaal tandheelkundig tijdschrift, vol. 43, (2 suppl 1) p. 167-177, 1993.
7. R. Genco, J. Slots, "Hostreacties Hostreacties bij parodontale aandoeningen", Journal of dental research, vol. 63, nee. 3, blz. 441-451, 1984.
8. GC Armitage, "Klinische evaluatie van parodontitis," Parodontologie 2000, vol. 7, nee. 1, blz. 39-53, 1995.
9. LC Chen, Y. Zhu, G. Papandreou, F. Schroff en H. Adam, "Encoder-decoder met atrous scheidbare convolutie voor semantische beeldsegmentatie", in Proceedings of the European conference on computer vision (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov en L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, VS. , 2018, blz. 4510-4520.
11. A. Rana, G. Yauney, LC Wong, O. Gupta, A. Muftu en P. Shah, "Geautomatiseerde segmentatie van tandvleesaandoeningen op basis van orale beelden", in 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, VS, 2017, pp . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation," in 18e Internationale Conferentie over Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens en Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition", in 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, VS, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, VS, 2017, pp. 1800-1807.
15. MX Tan en Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks", in Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, vol. 97, blz. 6105-6114.
16. G.-H. Li, T.-C. Hsung, BW-K. Ling, W.Y.-H. Lam, G. Pelekos en C. McGrath, "Automatische locatiespecifieke detectie van tandvleesaandoeningen op meerdere niveaus op basis van een diep neuraal netwerk", in 2021 15e internationale symposium over medische informatie- en communicatietechnologie (ISMICT) (ISMICT2021), Xiamen, China, april 2021.