AI Ocena stanu dziąseł za pomocą smartfona

I. Wstęp Najczęstszymi chorobami zębów są próchnica (próchnica) oraz choroby dziąseł (zapalenie dziąseł i przyzębia). Jest dowodem na to, że choroby te wywoływane są przez płytkę nazębną (biofilm bakteryjny) [1]-[3]. Chociaż większość pacjentów myje zęby codziennie, nie są w stanie utrzymać wszystkich zębów w czystości. Obszary w jamie ustnej, które są trudno dostępne, takie jak zatłoczone obszary, tylne zęby lub obszary międzyzębowe, są zwykle zajęte (specyficzne dla miejsca) [4]. Po dokładnym profesjonalnym oczyszczeniu zębów w ciągu kilku dni na powierzchni zębów w pobliżu krawędzi dziąseł zacznie gromadzić się płytka nazębna. Badania kliniczne wskazują, że konieczne jest regularne niszczenie płytki nazębnej, które może zapobiegać chorobom dziąseł i powstrzymywać je [5]. Jednak choroby przyzębia mogą rozwijać się latami, pacjent zazwyczaj nie odczuwa żadnych dolegliwości bólowych [6], chyba że choroba jest już zaawansowana. Poświęcono znaczną ilość zasobów i czasu klinicznego, aby zmotywować i poinstruować pacjentów, aby utrzymywali czystość jamy ustnej, a mimo to wyniki nie są zadowalające. Pożądane jest przyjęcie zautomatyzowanej techniki codziennego monitorowania zdrowia jamy ustnej, abyśmy mogli szukać leczenia, gdy jest ono potrzebne.

Reakcją pacjentów na płytkę nazębną nagromadzoną na brzegach dziąseł jest stan zapalny, który dostarcza więcej krwinek do tego miejsca, aby zwalczyć inwazję bakteryjną [7]. Zapalenie dziąseł objawia się zwiększonym zaczerwienieniem (kolorem), zwiększeniem objętości (obrzęk) oraz utratą cech powierzchniowych (punktowanie, przyleganie włókien dziąseł) [8]. Te chore miejsca można zidentyfikować na podstawie oględzin dentystów. Co więcej, te zmiany zapalne dziąseł można rozpoznać również na fotografii wewnątrzustnej. Celem tych badań jest zastosowanie technik sztucznej inteligencji (AI) do wykrywania zapalenia dziąseł na podstawie zdjęć wewnątrzustnych. Ponieważ docelowe miejsce zapalenia znajduje się na brzegu dziąsła o różnym kształcie i rozmiarze, konieczna jest semantyczna segmentacja na poziomie pikseli. Na potrzeby tego badania wykonaliśmy kilka wstępnych prac badawczych. Sieć koder-dekoder DeepLabv3+ [9] z lekkim szkieletem MobileNetV2 [10] została zaadaptowana do wykonywania semantycznej segmentacji zapalenia dziąseł na podstawie zdjęć wewnątrzustnych. Fotografie są indeksowane przez dentystę z ponad 15-letnim doświadczeniem klinicznym w celu uzyskania obrazów kategorii indeksu na potrzeby szkolenia sieciowego.

II. Prace wykonane przez innych Pierwsza próba zautomatyzowanej segmentacji chorób dziąseł z obrazów wewnątrzustnych za pomocą podejścia głębokiego uczenia została zaproponowana w [11]. Przyjmuje architekturę sieci autoenkodera z siecią neuronową głębokiego splotu. Wykorzystany zestaw danych obejmuje 405 obrazów biomarkerów wewnątrzustnych z powiększonymi kolorami od 150 osób. Obszary zapalenia dziąseł zostały oznaczone przez dentystę, a przeszkolona sieć może przewidzieć stan zapalny na podstawie pola pod krzywą charakterystyki działania odbiornika (AUC) 0,746. Wartości precyzji i przypomnienia wynoszą odpowiednio 0,347 i 0,621. Sieć została przeszkolona z etykietowaniem chorej dziąsła. Część kamienia nazębnego na zębach również przewidywano jako chore dziąsła, ponieważ jego żółtawy kolor jest technicznie zbliżony do barwy chorych dziąseł. Co więcej, niektóre części niezainteresowanego obszaru dziąseł również przewidywano jako chore dziąsła. Ogólna segmentacja nie jest zadowalająca.

III. Nasze prace wstępne Do badań wstępnych zebrano zdjęcia wewnątrzustne pacjentów Wydziału Stomatologii Uniwersytetu w Hong Kongu (HKU), którzy byli leczeni periodontologicznie. Badanie zostało zatwierdzone przez instytucjonalną komisję rewizyjną HKU (UW20-230). Łącznie zebrano 110 standardowych zdjęć wewnątrzustnych o różnych rozdzielczościach. Są one ręcznie przycinane do różnych mniejszych obrazów, a docelowe etykiety zajmują największy możliwy obraz, co jest bardzo korzystne dla treningu. Rozmiar przyciętego obrazu jest ujednolicony do 512×512. Ukończony zestaw danych jest podzielony na dwa zestawy, odpowiednio 337 obrazów do treningu i 110 obrazów do walidacji. Biorąc pod uwagę, że istnieje wiele obrazów odpowiadających jednemu pacjentowi, więc podczas dzielenia zestawu danych obraz tego samego pacjenta nie pojawi się w dwóch podzielonych zestawach danych. Są one podzielone na cztery poziomy statusu zdrowotnego (zdrowy, wątpliwy zdrowy, wątpliwy chory i chory) i weryfikowane przez dentystę z ponad 15-letnim doświadczeniem klinicznym. Zaproponowana architektura segmentacji semantycznej jest oparta na sieci DeepLabv3+ z Xception i MobileNetV2 jako szkieletem. Wyniki eksperymentalne pokazują skuteczność proponowanego systemu, co pokazuje możliwości zastosowania do samokontroli stomatologicznej za pomocą aplikacji mobilnej, szczególnie w okresie pandemii choroby, kiedy wizyta u dentysty jest utrudniona lub wręcz niemożliwa. Zaproponowany model sieci może przewidywać kontury interesującego obszaru dziąseł. Wyniki eksperymentów pokazują, że proponowany model segmentacji może dokładnie podzielić większość obszaru zapalenia dziąseł na cztery kategorie. mIoU wynosi 0,3514. Uważa się, że rozszerzając zbiór danych i optymalizując strukturę sieci, można jeszcze bardziej poprawić wydajność. Praca badawcza dotycząca wstępnego została opublikowana w [16].

IV. Kluczowe problemy i luka badawcza

A. Nie istnieje wielopoziomowy model sieci neuronowej z segmentacją semantyczną, który pozwalałby na automatyczne wykrywanie stanu zapalnego dziąseł na podstawie zdjęcia wewnątrzustnego.

B. Nie ma dobrze oznakowanego zestawu danych treningowych do stosowania automatycznego wykrywania zapalenia dziąseł na podstawie zdjęcia wewnątrzustnego.

Odniesienie:

1. JK Clarke, „O czynniku bakteryjnym w etiologii próchnicy zębów”, British Journal of Experimental Pathology, tom. 5, nie. 3, s. 141-147, 1924.
2. SS Socransky, AD Haffajee, „Etiologia bakteryjna destrukcyjnej choroby przyzębia: aktualne koncepcje”, Journal of periodontology, tom. 63, s. 322-331, 1992.
3. WF Liljemark, C. Bloomquist, „Ekologia mikrobiologiczna jamy ustnej człowieka oraz próchnica zębów i choroby przyzębia”, Critical Reviews in Oral Biology & Medicine, tom. 7, nie. 2, s. 180-198, 1996.
4. HJ Breen, NW Johnson, PA Rogers, „Sytuacyjna zmiana poziomu przyczepu wykryta przez sondę fizyczną w nieleczonym przewlekłym zapaleniu przyzębia u dorosłych: przegląd badań 1982–1997”, Journal of periodontology, tom. 70, nie. 3, s. 312-328, 1999.
5. H. Löe, „Higiena jamy ustnej w zapobieganiu próchnicy i chorobom przyzębia”, International Dental Journal, tom. 50, nie 3, s. 129-139, 2000.
6. L. Croxson, „Świadomość przyzębia: klucz do zdrowia przyzębia”, International Dental Journal, tom. 43, (2 Dodatek 1) s. 167-177, 1993.
7. R. Genco, J. Slots, „Odpowiedzi gospodarza Odpowiedzi gospodarza w chorobach przyzębia”, Journal of Dental Research, tom. 63, nie. 3, s. 441-451, 1984.
8. GC Armitage, „Ocena kliniczna chorób przyzębia”, Periodontologia 2000, tom. 7, nie. 1, s. 39-53, 1995.
9. LC Chen, Y. Zhu, G. Papandreou, F. Schroff i H. Adam, „Encoder-decoder with atrous separable convolution for semantic image segmentation”, w Proceedings of the European Conference on Computer Vision (ECCV), 2018, s. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov i L. Chen, „MobileNetV2: Odwrócone pozostałości i liniowe wąskie gardła”, w 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA , 2018, s. 4510-4520.
11. A. Rana, G. Yauney, LC Wong, O. Gupta, A. Muftu i P. Shah, „Automated segmentation of gingival disease from Oral Images”, w 2017 r. IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, USA, 2017, s. . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, „U-Net: Convolutional Networks for Biomedical Image Segmentation”, podczas 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, s. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens i Q.V. Le, „Learning Transferable Architectures for Scalable Image Recognition”, w 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”, w 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, s. 1800-1807.
15. M.X. Tan i Q.V. Le, „EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks”, w Proceedings of the 36th International Conference on Machine Learning, PMLR, 2019, tom. 97, str. 6105-6114.
16. G.-H. Li, T.-C. Hsung, BW-K. Ling, WY-H. Lam, G. Pelekos i C. McGrath, „Automatyczne wykrywanie chorób dziąseł na wielu poziomach specyficznych dla miejsca w oparciu o głęboką sieć neuronową”, w 2021 r. 15th International Symposium on Medical Information and Communication Technology (ISMICT) (ISMICT2021), Xiamen, Chiny, kwiecień 2021.