AI-gummihälsoutvärdering med smartphone

I. Inledning De vanligaste tandsjukdomarna är karies (karies) och tandköttssjukdomar (gingivit och parodontit). Det är bevis på att dessa sjukdomar orsakas av tandplack (bakteriell biofilm) [1]-[3]. Även om de flesta patienter borstar tänderna varje dag, kan de inte hålla alla sina tänder rena. Områden i munnen som är svåra att komma åt, såsom trånga områden, bakre tänder eller interdentala områden, är vanligtvis påverkade (platsspecifika) [4]. Efter en noggrann professionell tandrengöring kommer plack att börja samlas på ytan av tänderna nära tandköttskanten inom några dagar. Kliniska studier som indikerar att regelbunden störning av plack behövs och kan förebygga och stoppa tandköttssjukdomar [5]. Tandsjukdomar kan dock ta år att utveckla, patienten har vanligtvis inga smärtsymtom [6] om inte sjukdomen har utvecklats till det avancerade stadiet. Betydande mängd resurser och klinisk tid har använts för att motivera och instruera patienter att hålla munnen ren och ändå är resultaten inte tillfredsställande. Det är önskvärt att använda en automatiserad teknik för att övervaka munhälsan dagligen så att vi kan söka behandling när det behövs.

Patienternas svar på plack ackumulerat vid tandköttskanten är inflammation som för fler blodkroppar till platsen för att bekämpa bakterieinvasionen [7]. Inflammation i tandköttet visar sig som ökad rodnad (färg), ökad volym (ödem) och förlust av ytegenskaper (stippling; tandköttsfiberfästning) [8]. Dessa sjuka platser kan identifieras genom visuell undersökning av tandläkare. Dessutom kan dessa inflammatoriska förändringar i tandköttet också kännas igen genom intraoral fotografering. Syftet med denna forskning är att tillämpa artificiell intelligent (AI) teknik för att upptäcka tandköttsinflammation från intraorala fotografier. Eftersom målinflammationsstället är vid tandköttskanten med varierande form och storlek, behövs semantisk segmentering på pixelnivå. För denna forskning har vi gjort några preliminära forskningsarbeten. DeepLabv3+ [9] kodar-avkodarnätverk med en lätt ryggrad MobileNetV2 [10] användes för att utföra pixelvis semantisk segmentering av gingivalinflammationen från de intraorala fotografierna. Fotografierna är indexerade av en tandläkare med mer än 15 års klinisk erfarenhet för att få indexkategoribilder för nätverksutbildningen.

II. Arbete utfört av andra Det första försöket till automatiserad segmentering av gingivalsjukdomar från intraorala bilder med djupinlärningsmetod föreslås i [11]. Den antar en nätverksarkitektur för autoencoder med djupt faltningsneuralt nätverk. Datauppsättningen som används omfattar 405 färgförstärkta intraorala biomarkörbilder från 150 individer. Områden med tandköttsinflammation märktes av tandläkare och det utbildade nätverket kan förutsäga inflammationen med arean under mottagarens funktionskarakteristiska kurva (AUC) 0,746. Precisions- och återkallningsvärdena är 0,347 respektive 0,621. Nätverket tränades med märkningen på sjukt tuggummi. Viss tandsten på tänderna förutspåddes också vara sjukt tandkött eftersom dess gulaktiga färg tekniskt sett är nära det sjuka tandköttet. Dessutom förutspåddes vissa delar av det ointresserade tandköttsområdet också vara sjukt tandkött. Den övergripande segmenteringen är inte tillfredsställande.

III. Våra preliminära arbeten De intraorala fotografierna av patienter från den odontologiska fakulteten, The University of Hong Kong (HKU), som genomgick parodontisk behandling, samlades in för den preliminära studien. Studien godkändes av den institutionella granskningsnämnden vid HKU (UW20-230). Totalt samlades 110 intraorala standardfotografier med olika upplösningar. De beskärs manuellt till olika mindre bilder, och måletiketterna upptar största möjliga bild, vilket är mycket fördelaktigt för träning. Storleken på den beskurna bilden är enhetlig till 512×512. Den färdiga datamängden är uppdelad i två uppsättningar, respektive 337 bilder för träning och 110 bilder för validering. Med tanke på att det finns flera bilder som motsvarar en patient, så när du delar upp datasetet kommer bilden av samma patient inte att visas i de två delade datamängderna. De är märkta i fyra hälsostatusnivåer (frisk, tveksam frisk, tveksam sjuk och sjuk) och verifierad av en tandläkare med mer än 15 års klinisk erfarenhet. Den föreslagna semantiska segmenteringsarkitekturen är baserad på DeepLabv3+-nätverket med Xception och MobileNetV2 som ryggraden. Experimentella resultat visar effektiviteten av det föreslagna systemet, som visar möjlig tillämpning på tandläkarkontroll med hjälp av mobilapp, särskilt under sjukdomspandemin där besök hos tandläkare är svårt eller till och med omöjligt. Den föreslagna nätverksmodellen kan förutsäga konturen av det intresserade tandköttsområdet. Experimentresultat visar att den föreslagna segmenteringsmodellen exakt kan dela upp det mesta av tandköttsinflammationsområdet i fyra kategorier. MIOU är 0,3514. Man tror att genom att utöka datamängden och optimera nätverksstrukturen kan prestandan förbättras ytterligare. Forskningsarbetet om preliminären publicerades i [16].

IV. Nyckelfrågor och forskningsgap

S. Det finns ingen multipelnivå-platsspecifik semantisk segmentering av neurala nätverksmodeller för automatisk detektering av gingival inflammation från intraoralt fotografi.

B. Det finns ingen välmärkt träningsdatauppsättning för tillämpning av automatisk detektering av gingival inflammation från intraoralt fotografi.

Referens:

1. J.K. Clarke, "On the bacterial factor in the etiology of dental caries," British journal of experimental pathology, vol. 5, nr. 3, sid. 141-147, 1924.
2. S.S. Socransky, A.D. Haffajee, "The bacterial etiology of destructive periodontal disease: current concepts," Journal of periodontology, vol. 63, sid. 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, nr. 2, sid. 180-198, 1996.
4. H.J. Breen, N.W. Johnson, P.A. Rogers, "Platsspecifik förändring av anknytningsnivå som upptäcks genom fysisk sondering vid obehandlad kronisk parodontit hos vuxna: genomgång av studier 1982–1997," Journal of periodontology, vol. 70, nej. 3, sid. 312-328, 1999.
5. H. Löe, "Oral hygiene in the prevention of caries and periodontal disease," International dental journal, vol. 50, nej. 3, sid. 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, nr. 3, sid. 441-451, 1984.
8. G.C. Armitage, "Clinical evaluation of periodontal diseases," Periodontology 2000, vol. 7, nr. 1, sid. 39-53, 1995.
9. L.C. Chen, Y. Zhu, G. Papandreou, F. Schroff och 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 och 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, sid. 4510-4520.
11. A. Rana, G. Yauney, L.C. Wong, O. Gupta, A. Muftu och P. Shah, "Automated segmentation of gingival diseases from oral images," 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, pp. 234-241.
13. B. Zoph, V. Vasudevan, J. Shlens och 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 och 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, sid. 6105-6114.
16. G.-H. Li, T.-C. Hsung, B. W.-K. Ling, W.Y.-H. Lam, G. Pelekos och C. McGrath, "Automatisk platsspecifik upptäckt av tandköttssjukdomar på flera nivåer baserat på djupt neurala nätverk," 2021 15:e internationella symposium om medicinsk information och kommunikationsteknik (ISMICT) (ISMICT2021), Xiamen, Kina, apr. 2021.