Оценка здоровья десен AI с помощью смартфона

I. Введение Наиболее распространенными стоматологическими заболеваниями являются кариес (кариес) и заболевания десен (гингивит и пародонтит). Доказано, что эти заболевания вызываются зубным налетом (бактериальной биопленкой) [1]-[3]. Хотя большинство пациентов чистят зубы каждый день, они не могут содержать все свои зубы в чистоте. Обычно поражаются труднодоступные участки полости рта, такие как места скопления людей, жевательные зубы или межзубные промежутки (в зависимости от локализации) [4]. После тщательной профессиональной чистки зубов в течение нескольких дней на поверхности зубов у края десны начинает скапливаться налет. Клинические исследования показывают, что необходимо регулярное разрушение зубного налета, что может предотвратить и остановить заболевание десен [5]. Однако для развития стоматологических заболеваний могут потребоваться годы, пациент обычно не имеет болевых симптомов [6], если только болезнь не прогрессировала до запущенной стадии. Значительное количество ресурсов и клинического времени было использовано, чтобы мотивировать и инструктировать пациентов поддерживать чистоту рта, но результаты неудовлетворительны. Желательно внедрить автоматизированный метод ежедневного мониторинга состояния полости рта, чтобы мы могли обратиться за лечением, когда оно необходимо.

Реакция пациентов на зубной налет, скопившийся на краю десны, заключается в воспалении, которое приносит больше клеток крови в это место для борьбы с бактериальной инвазией [7]. Воспаление десны проявляется усилением покраснения (цвета), увеличением объема (отека) и потерей поверхностных характеристик (зернистость, прикрепление волокон десны) [8]. Эти болезненные участки можно выявить при визуальном осмотре у стоматолога. Более того, эти воспалительные изменения десны также можно распознать по внутриротовой фотографии. Целью этого исследования является применение методов искусственного интеллекта (ИИ) для обнаружения воспаления десен по внутриротовым фотографиям. Поскольку целевой участок воспаления находится на краю десны и имеет различную форму и размер, необходима семантическая сегментация на уровне пикселей. Для этого исследования мы сделали некоторые предварительные исследовательские работы. Сеть кодера-декодера DeepLabv3+ [9] с облегченной магистралью MobileNetV2 [10] была адаптирована для выполнения попиксельной семантической сегментации воспаления десен на внутриротовых фотографиях. Фотографии индексируются стоматологом с более чем 15-летним клиническим опытом для получения изображений категории индекса для обучения сети.

II. Работа, выполненная другими В [11] предложена первая попытка автоматизированной сегментации заболеваний десен по внутриротовым изображениям с использованием подхода глубокого обучения. Он использует сетевую архитектуру автоэнкодера с нейронной сетью глубокой свертки. Используемый набор данных включает 405 цветных изображений внутриротовых биомаркеров от 150 человек. Области воспаления десен были помечены стоматологом, и обученная сеть может предсказать воспаление с площадью под кривой рабочей характеристики приемника (AUC) 0,746. Значения точности и полноты составляют 0,347 и 0,621 соответственно. Сеть обучалась на маркировке больной десны. Некоторый зубной камень также был предсказан как больная десна, поскольку его желтоватый цвет технически близок к цвету больной десны. Более того, некоторые участки незаинтересованной десневой области также были предсказаны как больные десны. Общая сегментация неудовлетворительна.

III. Наши предварительные работы Для предварительного исследования были собраны внутриротовые фотографии пациентов с факультета стоматологии Университета Гонконга (HKU), прошедших пародонтологическое лечение. Исследование было одобрено Институциональным наблюдательным советом HKU (UW20-230). Всего было собрано 110 стандартных внутриротовых фотографий с разным разрешением. Они вручную обрезаются на разные изображения меньшего размера, а целевые метки занимают максимально возможное изображение, что очень полезно для обучения. Размер обрезанного изображения унифицирован до 512×512. Завершенный набор данных разделен на два набора, соответственно 337 изображений для обучения и 110 изображений для проверки. Учитывая, что одному пациенту соответствует несколько изображений, при разделении набора данных изображение одного и того же пациента не появится в двух разделенных наборах данных. Они классифицируются по четырем уровням состояния здоровья (здоровый, сомнительно здоровый, сомнительно больной и больной) и проверяются стоматологом с более чем 15-летним клиническим опытом. Предлагаемая архитектура семантической сегментации основана на сети DeepLabv3+ с Xception и MobileNetV2 в качестве основы. Экспериментальные результаты показывают эффективность предложенной системы, которая показывает возможность применения для самопроверки зубов с помощью мобильного приложения, особенно во время пандемии заболевания, когда посещение стоматологов затруднено или даже невозможно. Предложенная сетевая модель может предсказать контур интересующей области десны. Результаты эксперимента показывают, что предложенная модель сегментации позволяет точно разделить большую часть области воспаления десны на четыре категории. MIOU составляет 0,3514. Считается, что за счет расширения набора данных и оптимизации структуры сети производительность можно повысить еще больше. Исследовательская работа о предварительном была опубликована в [16].

IV. Ключевые проблемы и пробелы в исследованиях

A. Не существует многоуровневой модели нейронной сети семантической сегментации для конкретного участка для автоматического обнаружения воспаления десен по внутриротовой фотографии.

B. Отсутствует хорошо помеченный обучающий набор данных для применения автоматического обнаружения воспаления десен по внутриротовой фотографии.

Ссылка:

1. Дж.К. Кларк, «О бактериальном факторе в этиологии кариеса», Британский журнал экспериментальной патологии, том. 5, нет. 3, с. 141-147, 1924.
2. Сокранский С.С., Хаффаджи А.Д., «Бактериальная этиология деструктивного пародонтита: современные представления», Журнал пародонтологии, вып. 63, с. 322-331, 1992.
3. В.Ф. Лильемарк, К. Блумквист, «Микробная экология полости рта человека, кариес и заболевания пародонта», Critical Reviews in Oral Biology & Medicine, vol. 7, нет. 2, с. 180-198, 1996.
4. Х.Дж. Брин, Н.В. Джонсон, П.А. Роджерс, «Изменение уровня прикрепления к конкретному месту, обнаруженное с помощью физического зондирования при нелеченном хроническом пародонтите у взрослых: обзор исследований 1982–1997», Журнал пародонтологии, том. 70, нет. 3, с. 312-328, 1999.
5. H. Löe, «Гигиена полости рта в профилактике кариеса и заболеваний пародонта», Международный стоматологический журнал, vol. 50, нет. 3, с. 129-139, 2000.
6. Л. Кроксон, «Осведомленность о пародонтите: ключ к здоровью пародонта», Международный стоматологический журнал, том. 43, (2 Приложение 1) стр. 167-177, 1993.
7. Р. Дженко, Дж. Слотс, «Ответы хозяина, ответы хозяина при заболеваниях пародонта», Журнал стоматологических исследований, том. 63, нет. 3, с. 441-451, 1984.
8. Г.К. Армитидж, «Клиническая оценка заболеваний пародонта», Пародонтология, 2000 г., том. 7, нет. 1, стр. 39-53, 1995.
9. Л.К. Чен, Ю. Чжу, Г. Папандреу, Ф. Шрофф и Х. Адам, «Кодер-декодер с сложной разделяемой сверткой для семантической сегментации изображений», в материалах Европейской конференции по компьютерному зрению (ECCV), 2018 г., стр. 801-818.
10. М. Сандлер, А. Ховард, М. Чжу, А. Жмогинов и Л. Чен, «MobileNetV2: перевернутые остатки и линейные узкие места», на конференции IEEE/CVF по компьютерному зрению и распознаванию образов, 2018 г., Солт-Лейк-Сити, Юта, США , 2018, с. 4510-4520.
11. А. Рана, Г. Яуни, Л.К. Вонг, О. Гупта, А. Муфту и П. Шах, «Автоматизированная сегментация заболеваний десен по изображениям полости рта», в 2017 г. IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT), Bethesda, MD, США, 2017 г., стр. . 144-147.
12. О. Роннебергер, П. Фишер, Т. Брокс, «U-Net: сверточные сети для сегментации биомедицинских изображений», на 18-й Международной конференции по вычислениям медицинских изображений и компьютерным вмешательствам (MICCAI), 2015 г., стр. 234-241.
13. Б. Зоф, В. Васудеван, Дж. Шленс и К.В. Ле, «Изучение переносимых архитектур для масштабируемого распознавания изображений», на конференции IEEE/CVF по компьютерному зрению и распознаванию образов, 2018 г., Солт-Лейк-Сити, Юта, США, 2018 г., стр. 8697-8710.
14. Ф. Шолле, «Xception: глубокое обучение с помощью разделимых по глубине сверток», на конференции IEEE по компьютерному зрению и распознаванию образов (CVPR), 2017 г., Гонолулу, Гавайи, США, 2017 г., стр. 1800-1807 гг.
15. М.Х. Тан и К.В. Ле, «EfficientNet: переосмысление масштабирования модели для сверточных нейронных сетей», в материалах 36-й Международной конференции по машинному обучению, PMLR, 2019, vol. 97, с. 6105-6114.
16. Г.-Х. Ли, Т.-К. Хсунг, Б.В.-К. Линг, В.Ю.-Х. Лам, Г. Пелекос и К. МакГрат, «Автоматическое многоуровневое обнаружение заболеваний десен для конкретных мест на основе глубокой нейронной сети», 15-й Международный симпозиум по медицинской информации и коммуникационным технологиям (ISMICT) (ISMICT2021), 2021 г., Сямынь, Китай, апр. 2021.