AI Gum Helse Evaluering Med Smartphone

I. Innledning De mest utbredte tannsykdommer er tannråte (karies) og tannkjøttsykdommer (gingivitt og periodontitt). Det er bevis på at disse sykdommene er forårsaket av tannplakk (bakteriell biofilm) [1]-[3]. Selv om de fleste pasienter pusser tennene hver dag, kan de ikke holde alle tennene rene. Områder i munnen som er vanskelig tilgjengelige, for eksempel overfylte områder, bakre tenner eller interdentale områder, er vanligvis påvirket (stedsspesifikke) [4]. Etter grundig profesjonell tannrengjøring vil plakk begynne å samle seg på overflaten av tennene nær kanten av tannkjøttet i løpet av få dager. Kliniske studier som indikerer at regelmessig forstyrrelse av plakk er nødvendig og kan forhindre og stoppe tannkjøttsykdom [5]. Tannsykdommer kan imidlertid ta år å utvikle, pasienten har vanligvis ingen smertesymptomer [6] med mindre sykdommen har utviklet seg til det avanserte stadiet. Betydelig mengde ressurser og klinisk tid har blitt brukt til å motivere og instruere pasienter til å holde munnen ren, og likevel er resultatene ikke tilfredsstillende. Det er ønskelig å ta i bruk en automatisert teknikk for å overvåke oral helse daglig, slik at vi kan søke behandling når det er nødvendig.

Pasienters respons på plakk akkumulert ved tannkjøttkanten er betennelse som bringer flere blodceller til stedet for å kjempe mot bakterieinvasjonen [7]. Tannkjøttbetennelse viser seg som økt rødhet (farge), økning i volum (ødem) og tap av overflateegenskaper (stipping; tannkjøttfiberfeste) [8]. Disse syke stedene kan identifiseres ved visuell undersøkelse av tannleger. Dessuten kan disse inflammatoriske forandringene i tannkjøttet også gjenkjennes ved intraoral fotografering. Målet med denne forskningen er å bruke kunstige intelligente (AI) teknikker for å oppdage tannkjøttbetennelse fra intraorale fotografier. Siden målet for betennelsesstedet er ved tannkjøttkanten med variert form og størrelse, er det nødvendig med semantisk segmentering på pikselnivå. For denne forskningen har vi gjort noen forundersøkelser. DeepLabv3+ [9] koder-dekodernettverk med en lett ryggrad MobileNetV2 [10] ble tatt i bruk for å utføre pikselvis semantisk segmentering av gingivalbetennelsen fra de intraorale fotografiene. Fotografiene er indeksert av en tannlegespesialist med mer enn 15 års klinisk erfaring for å få indekskategoribilder for nettverkstreningen.

II. Arbeid utført av andre Det første forsøket på automatisert segmentering av gingivalsykdommer fra intraorale bilder med dyp læringstilnærming er foreslått i [11]. Den tar i bruk en autoencoder-nettverksarkitektur med dypt konvolusjonsnevrale nettverk. Datasettet som brukes omfatter 405 fargeforsterkede intraorale biomarkørbilder fra 150 individer. Områder med gingivalbetennelse ble merket av tannlege og det trente nettverket kan forutsi betennelsen med arealet under mottakerens driftskarakteristiske kurve (AUC) 0,746. Presisjons- og gjenkallingsverdiene er henholdsvis 0,347 og 0,621. Nettverket ble trent med merkingen på sykt tannkjøtt. Noen tannstein på tenner ble også spådd som sykt tannkjøtt, da dets gulaktige farge teknisk sett er nær fargen til sykt tannkjøtt. Dessuten ble noen deler av uinteressert tannkjøttområde også spådd som sykt tannkjøtt. Samlet segmentering er ikke tilfredsstillende.

III. Våre foreløpige arbeider De intraorale fotografiene av pasienter fra Det odontologiske fakultetet, University of Hong Kong (HKU), som gjennomgikk periodontisk behandling, ble samlet inn for den foreløpige studien. Studien ble godkjent av Institutional review board of HKU (UW20-230). Totalt ble det samlet inn 110 standard intraorale fotografier med forskjellige oppløsninger. De beskjæres manuelt til forskjellige mindre bilder, og måletikettene opptar størst mulig bilde, noe som er veldig gunstig for trening. Størrelsen på det beskårne bildet er enhetlig til 512×512. Det ferdige datasettet er delt inn i to sett, henholdsvis 337 bilder for opplæring, og 110 bilder for validering. Tatt i betraktning at det er flere bilder som tilsvarer én pasient, så ved deling av datasettet vil ikke bildet av samme pasient vises i de to delte datasettene. De er merket i fire helsestatusnivåer (sunn, tvilsom sunn, tvilsom syk og syk) og verifisert av en tannlegespesialist med mer enn 15 års klinisk erfaring. Den foreslåtte semantiske segmenteringsarkitekturen er basert på DeepLabv3+-nettverket med Xception og MobileNetV2 som ryggraden. Eksperimentelle resultater viser effektiviteten til det foreslåtte systemet, som viser mulig bruk på selvkontroll av tannlege ved hjelp av mobilapper, spesielt under sykdomspandemien hvor tannlegebesøk er vanskelig eller til og med umulig. Den foreslåtte nettverksmodellen kan forutsi konturen av det interesserte gingivalområdet. Eksperimentresultater viser at den foreslåtte segmenteringsmodellen nøyaktig kan dele det meste av tannkjøttbetennelsesområdet inn i fire kategorier. MIOU er 0,3514. Det antas at ved å utvide datasettet og optimalisere nettverksstrukturen, kan ytelsen forbedres ytterligere. Forskningsarbeidet om det foreløpige ble publisert i [16].

IV. Sentrale spørsmål og forskningsgap

A. Det er ingen stedsspesifikk semantisk segmentering nevrale nettverksmodell på flere nivåer for automatisk deteksjon av gingivalbetennelse fra intraoralt fotografi.

B. Det finnes ikke noe godt merket opplæringsdatasett for bruk av automatisk deteksjon av gingivalbetennelse fra intraoralt fotografi.

Referanse:

1. J.K. Clarke, "On the bacterial factor in the etiology of dental caries," British journal of experimental pathology, vol. 5, nei. 3, s. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "The bacterial etiology of destructive periodontal disease: current concepts," Journal of periodontology, vol. 63, s. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Human oral microbial ecology and dental caries and periodontal diseases," Critical Reviews in Oral Biology & Medicine, vol. 7, nei. 2, s. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P.A. Rogers, "Site-spesifikk endring av tilknytningsnivå oppdaget ved fysisk sondering i ubehandlet kronisk voksen periodontitt: gjennomgang av studier 1982–1997," Journal of periodontology, vol. 70, nei. 3, s. 312-328, 1999.
5. H. Löe, "Oral hygiene in the prevention of caries and periodontal disease," International dental journal, vol. 50, nei. 3, s. 129-139, 2000.
6. L. Croxson, "Periodontal awareness: the key to periodontal health," International dental journal, vol. 43, (2 Suppl 1) s. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses in Periodontal Diseases," Journal of dental research, vol. 63, nei. 3, s. 441-451, 1984.
8. G.C. Armitage, "Klinisk evaluering av periodontale sykdommer," Periodontology 2000, vol. 7, nei. 1, s. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff og H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," i Proceedings of the European conference on computer vision (ECCV), 2018, s. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov og L. Chen, "MobileNetV2: Inverted Residuals and Linear Bottlenecks," i 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA , 2018, s. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu og P. Shah, "Automatisert segmentering av gingivalsykdommer fra orale bilder," i 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: Convolutional Networks for Biomedical Image Segmentation," i 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, s. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens og Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition," i 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA, 2018, s. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions," i 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, s. 1800-1807.
15. M.X. Tan og Q.V. Le, "EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks," i Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, vol. 97, s. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W.Y.-H. Lam, G. Pelekos og C. McGrath, "Automatisk stedsspesifikk gjenkjenning av tannkjøttsykdom på flere nivåer basert på dypt nevralt nettverk," i 2021 15. internasjonale symposium om medisinsk informasjons- og kommunikasjonsteknologi (ISMICT2021), Xiamen, Kina, apr. 2021.