Avaliação da saúde da gengiva por IA com smartphone

I. Introdução As doenças dentárias mais prevalentes são a cárie dentária (cárie) e as doenças gengivais (gengivite e periodontite). Há evidências de que essas doenças são causadas pela placa dental (biofilme bacteriano) [1]-[3]. Embora a maioria dos pacientes escove os dentes todos os dias, eles não conseguem manter todos os dentes limpos. Áreas da boca de difícil acesso, como áreas apinhadas, dentes posteriores ou áreas interdentais, geralmente são afetadas (local específico) [4]. Após uma limpeza profissional completa dos dentes, a placa começará a se acumular na superfície dos dentes perto da borda da gengiva em poucos dias. Estudos clínicos indicam que a interrupção regular da placa é necessária e pode prevenir e deter a doença da gengiva [5]. No entanto, as doenças dentárias podem levar anos para se desenvolver, o paciente geralmente não apresenta nenhum sintoma de dor [6], a menos que a doença tenha progredido para um estágio avançado. Uma quantidade significativa de recursos e tempo clínico tem sido utilizada para motivar e instruir os pacientes a manterem a boca limpa e, ainda assim, os resultados não são satisfatórios. É desejável a adoção de uma técnica automatizada de monitoramento diário da saúde bucal para que possamos buscar tratamento quando necessário.

A resposta dos pacientes à placa acumulada na margem da gengiva é por inflamação que traz mais células sanguíneas para o local para lutar contra a invasão bacteriana [7]. A inflamação da gengiva manifesta-se como aumento da vermelhidão (cor), aumento do volume (edema) e perda das características da superfície (pontilhado; fixação das fibras da gengiva) [8]. Esses locais doentes podem ser identificados por exame visual de dentistas. Além disso, essas alterações inflamatórias da gengiva também podem ser reconhecidas pela fotografia intraoral. O objetivo desta pesquisa é aplicar técnicas de inteligência artificial (IA) para detectar a inflamação da gengiva a partir de fotografias intraorais. Como o local alvo da inflamação está na margem da gengiva com forma e tamanho variados, a segmentação semântica no nível do pixel é necessária. Para esta pesquisa, fizemos alguns trabalhos de pesquisa preliminares. A rede de codificador-decodificador DeepLabv3+ [9] com um backbone leve MobileNetV2 [10] foi adotada para realizar a segmentação semântica pixel a pixel da inflamação gengival das fotografias intraorais. As fotografias são indexadas por um especialista em odontologia com mais de 15 anos de experiência clínica para obter as imagens da categoria índice para o treinamento da rede.

II. Trabalho feito por outros A primeira tentativa de segmentação automatizada de doenças gengivais a partir de imagens intraorais com abordagem de aprendizado profundo é proposta em [11]. Adota uma arquitetura de rede de autoencoder com rede neural de convolução profunda. O conjunto de dados usado compreende 405 imagens de biomarcadores intraorais aumentadas em cores de 150 indivíduos. As áreas de inflamação gengival foram rotuladas pelo profissional de odontologia e a rede treinada pode prever a inflamação com área sob a curva característica de operação do receptor (AUC) 0,746. Os valores de precisão e rechamada são 0,347 e 0,621, respectivamente. A rede foi treinada com a rotulagem na gengiva doente. Algum cálculo nos dentes também foi previsto como gengiva doente, pois sua cor amarelada é tecnicamente próxima à da gengiva doente. Além disso, algumas partes da área gengival desinteressada também foram previstas como gengiva doente. A segmentação geral não é satisfatória.

III. Nossos trabalhos preliminares As fotografias intraorais de pacientes da Faculdade de Odontologia da Universidade de Hong Kong (HKU), submetidos a tratamento periodontal, foram coletadas para o estudo preliminar. O estudo foi aprovado pelo conselho de revisão institucional da HKU (UW20-230). Foram coletadas 110 fotografias intraorais padrão com diferentes resoluções. Eles são cortados manualmente em diferentes imagens menores e os rótulos de destino ocupam a maior imagem possível, o que é muito benéfico para o treinamento. O tamanho da imagem cortada é unificado para 512×512. O conjunto de dados completo é dividido em dois conjuntos, respectivamente 337 imagens para treinamento e 110 imagens para validação. Considerando que existem várias imagens correspondentes a um paciente, ao dividir o conjunto de dados, a imagem do mesmo paciente não aparecerá nos dois conjuntos de dados divididos. Eles são rotulados em quatro níveis de estado de saúde (saudável, questionável saudável, questionável doente e doente) e verificados por um dentista especialista com mais de 15 anos de experiência clínica. A arquitetura de segmentação semântica proposta é baseada na rede DeepLabv3+ com Xception e MobileNetV2 como backbone. Os resultados experimentais mostram a eficácia do sistema proposto, que mostra a possível aplicação no auto check-up odontológico usando aplicativo móvel, especialmente durante a pandemia da doença, onde a visita ao dentista é difícil ou mesmo impossível. O modelo de rede proposto pode prever o contorno da área gengival interessada. Os resultados da experiência mostram que o modelo de segmentação proposto pode dividir com precisão a maior parte da área de inflamação da gengiva em quatro categorias. O mIoU é 0,3514. Acredita-se que, expandindo o conjunto de dados e otimizando a estrutura da rede, o desempenho pode ser melhorado. O trabalho de pesquisa sobre a preliminar foi publicado em [16].

4. Principais questões e lacunas de pesquisa

A. Não há modelo de rede neural de segmentação semântica específica de local de nível múltiplo para detecção automática de inflamação gengival a partir de fotografia intraoral.

B. Não existe um conjunto de dados de treinamento bem rotulado para a aplicação da detecção automática de inflamação gengival a partir de fotografia intraoral.

Referência:

1. J.K. Clarke, "Sobre o fator bacteriano na etiologia da cárie dentária", jornal britânico de patologia experimental, vol. 5, não. 3, pp. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "A etiologia bacteriana da doença periodontal destrutiva: conceitos atuais", Journal of periodontologia, vol. 63, pp. 322-331, 1992.
3. W.F. Liljemark, C. Bloomquist, "Ecologia microbiana oral humana e cárie dentária e doenças periodontais," Critical Reviews in Oral Biology & Medicine, vol. 7, não. 2, pp. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P. A. Rogers, "Mudança do nível de inserção específica do local detectada por sondagem física na periodontite crônica não tratada do adulto: revisão de estudos 1982-1997," Journal of periodontologia, vol. 70, não. 3, pp. 312-328, 1999.
5. H. Löe, "Higiene oral na prevenção da cárie e doença periodontal", International dental journal, vol. 50, não. 3, pp. 129-139, 2000.
6. L. Croxson, "Periodontal awareness: the key to periodontal health," International dental journal, vol. 43, (2 Suplemento 1) pp. 167-177, 1993.
7. R. Genco, J. Slots, "Host Responses Host Responses in Periodontal Diseases," Journal of dental research, vol. 63, nº. 3, pp. 441-451, 1984.
8. G.C. Armitage, "Avaliação clínica de doenças periodontais," Periodontology 2000, vol. 7, não. 1, pp. 39-53, 1995.
9. LC Chen, Y. Zhu, G. Papandreou, F. Schroff e H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation", in Proceedings of the European conference on computer vision (ECCV), 2018, pp. 801-818.
10. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov e L. Chen, "MobileNetV2: Resíduos invertidos e gargalos lineares", em 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, EUA , 2018, pp. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu e P. Shah, "Segmentação automatizada de doenças gengivais a partir de imagens orais", em 2017 IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, EUA, 2017, pp . 144-147.
12. O. Ronneberger, P. Fischer, T. Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", na 18ª Conferência Internacional sobre Computação de Imagens Médicas e Intervenção Assistida por Computador (MICCAI), 2015, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens e Q.V. Le, "Learning Transferable Architectures for Scalable Image Recognition", em 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, EUA, 2018, pp. 8697-8710.
14. F. Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", em 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, EUA, 2017, pp. 1800-1807.
15. M.X. Tan e 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, pp. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W.Y.-H. Lam, G. Pelekos e C. McGrath, "Detecção automática de doença gengival de nível múltiplo específica do local com base na rede neural profunda", em 2021 15º Simpósio Internacional de Tecnologia de Informação e Comunicação Médica (ISMICT) (ISMICT2021), Xiamen, China, abril 2021.