使用智能手机进行 AI 牙龈健康评估

I. 引言 最普遍的牙科疾病是蛀牙（龋齿）和牙龈疾病（牙龈炎和牙周炎）。 有证据表明，这些疾病是由牙菌斑（细菌生物膜）引起的 [1]-[3]。 尽管大多数患者每天都刷牙，但他们无法保持所有牙齿清洁。 口腔中难以触及的区域，例如拥挤区域、后牙或齿间区域，通常会受到影响（特定部位）[4]。 经过彻底的专业洁牙后，牙菌斑会在几天内开始堆积在靠近牙龈边缘的牙齿表面。 临床研究表明需要定期破坏牙菌斑，并且可以预防和阻止牙龈疾病 [5]。 然而，牙科疾病可能需要数年才能发展，患者通常不会出现任何疼痛症状 [6] ，除非疾病已经发展到晚期。 大量的资源和临床时间已用于激励和指导患者保持口腔清洁，但结果并不令人满意。 最好采用一种自动化技术来每天监测口腔健康，这样我们就可以在需要时寻求治疗。

患者对牙龈边缘积聚的牙菌斑的反应是通过炎症将更多的血细胞带到该部位以对抗细菌入侵 [7]。 牙龈炎症表现为发红（颜色）增加、体积增加（水肿）和表面特征丧失（点彩；牙龈纤维附着）[8]。 这些病变部位可以通过牙医的目视检查来识别。 此外，牙龈的这些炎症变化也可以通过口腔内照相识别。 这项研究的目的是应用人工智能 (AI) 技术从口腔内照片中检测牙龈炎症。 由于目标炎症部位位于牙龈边缘，形状和大小各不相同，因此需要在像素级进行语义分割。 对于这项研究，我们做了一些初步的研究工作。 采用具有轻量级骨干 MobileNetV2 [10] 的 DeepLabv3+ [9] 编码器-解码器网络对口腔内照片中的牙龈炎症进行像素语义分割。 这些照片由具有超过 15 年临床经验的牙科专家进行索引，以获得用于网络训练的索引类别图像。

二。其他人所做的工作 [11] 中提出了使用深度学习方法从口腔内图像自动分割牙龈疾病的首次尝试。 它采用具有深度卷积神经网络的自动编码器网络架构。 使用的数据集包括来自 150 个人的 405 张颜色增强的口内生物标志物图像。 牙龈炎症区域由牙科专业人员标记，经过训练的网络可以预测受试者工作特征曲线下面积 (AUC) 为 0.746 的炎症。 精度和召回值分别为 0.347 和 0.621。 该网络使用患病牙龈上的标签进行训练。 牙齿上的一些结石也被预测为患病牙龈，因为其淡黄色在技术上与患病牙龈的颜色接近。 此外，一些不感兴趣的牙龈区域也被预测为患病牙龈。 总体细分不尽如人意。

三、 我们的前期工作 前期研究收集了香港大学牙医学院接受牙周治疗的患者的口腔内照片。 该研究得到香港大学机构审查委员会 (UW20-230) 的批准。 共收集了 110 张不同分辨率的标准口内照片。 它们被手动裁剪成不同的较小图像，目标标签占据尽可能大的图像，这对训练非常有利。 裁剪后的图片尺寸统一为512×512。 完成的数据集分为两组，分别是337张图像用于训练，110张图像用于验证。 考虑到一个患者对应多张图像，所以在划分数据集时，同一患者的图像不会出现在划分的两个数据集中。 它们被标记为四个健康状态级别（健康、健康可疑、患病可疑和患病），并由具有超过 15 年临床经验的牙科专家进行验证。 所提出的语义分割架构基于以 Xception 和 MobileNetV2 为骨干的 DeepLabv3+ 网络。 实验结果证明了所提出系统的有效性，这显示了使用移动应用程序进行牙科自我检查的可能应用，特别是在很难甚至不可能去看牙医的疾病大流行期间。 所提出的网络模型可以预测感兴趣牙龈区域的轮廓。 实验结果表明，所提出的分割模型可以准确地将大部分牙龈炎症区域分为四类。 mIoU 为 0.3514。 相信通过扩展数据集和优化网络结构，可以进一步提高性能。 初步的研究工作发表于[16]。

四、关键问题与研究差距

A. 没有用于从口内照片自动检测牙龈炎症的多级特定站点语义分割神经网络模型。

B. 没有良好标记的训练数据集用于从口内照片自动检测牙龈炎症。

参考：

1. J.K.克拉克，“关于龋齿病因学中的细菌因素”，英国实验病理学杂志，卷。 5，没有。 3，页。 141-147，1924 年。
2. S.S. Socransky, A.D. Haffajee，“破坏性牙周病的细菌病因学：当前概念”，牙周病学杂志，卷。 63，页。 322-331, 1992。
3. W.F. Liljemark, C. Bloomquist，“人类口腔微生物生态学与龋齿和牙周病”，《口腔生物学与医学评论》，第一卷。 7，没有。 2，页。 180-198, 1996。
4. H.J.布林，N.W.约翰逊，宾夕法尼亚州罗杰斯，“在未经治疗的慢性成人牙周炎中通过物理探测检测到的特定部位附着水平变化：1982 年超过 1997 年的研究回顾”，牙周病学杂志，卷。 70，没有。 3，页。 312-328, 1999。
5. H. Löe，“预防龋齿和牙周病的口腔卫生”，国际牙科杂志，卷。 50，没有。 3，页。 129-139, 2000。
6. L. Croxson，“牙周意识：牙周健康的关键”，国际牙科杂志，卷。 43，（2 增刊 1）页。 167-177, 1993。
7. R. Genco, J. Slots，“牙周病中的宿主反应宿主反应”，牙科研究杂志，卷。 63，没有。 3，页。 441-451, 1984。
8. GC。 Armitage，“牙周病的临床评价”，Periodontology 2000，vol. 7，没有。 1，第 39-53 页，1995 年。
9. 信用证Chen, Y. Zhu, G. Papandreou, F. Schroff 和 H. Adam，“用于语义图像分割的具有空洞可分离卷积的编码器-解码器”，欧洲计算机视觉会议 (ECCV) 会议论文集，2018 年，pp. 801-818。
10. M. Sandler、A. Howard、M. Zhu、A. Zhmoginov 和 L. Chen，“MobileNetV2：倒置残差和线性瓶颈”，2018 年 IEEE/CVF 计算机视觉和模式识别会议，美国犹他州盐湖城, 2018, pp. 4510-4520。
11. A. Rana、G. Yauney、L.C. Wong、O. Gupta、A. Muftu 和 P. Shah，“口腔图像中牙龈疾病的自动分割”，2017 年 IEEE 医疗保健创新和护理点技术 (HI-POCT)，美国马里兰州贝塞斯达，2017 年，pp . 144-147。
12. O. Ronneberger、P. Fischer、T. Brox，“U-Net：用于生物医学图像分割的卷积网络”，第 18 届医学图像计算和计算机辅助干预国际会议 (MICCAI)，2015 年，第 234-241。
13. B. Zoph、V. Vasudevan、J. Shlens 和 Q.V. Le，“学习可扩展图像识别的可迁移架构”，2018 年 IEEE/CVF 计算机视觉和模式识别会议，美国犹他州盐湖城，2018 年，第 8697-8710。
14. F. Chollet，“Xception：使用深度可分离卷积进行深度学习”，2017 年 IEEE 计算机视觉和模式识别会议 (CVPR)，美国夏威夷火奴鲁鲁，2017 年，pp. 1800-1807 年。
15. M.X. Tan 和 Q.V. Le，“EfficientNet：反思卷积神经网络的模型缩放”，载于第 36 届国际机器学习会议论文集，PMLR，2019 年，卷。 97，页。 6105-6114。
16. G.-H.李，T.-C。 雄，B. W.-K。 Ling, W. Y.-H. Lam、G. Pelekos 和 C. McGrath，“基于深度神经网络的自动位点特异性多级牙龈疾病检测”，2021 年第 15 届国际医学信息与通信技术研讨会 (ISMICT) (ISMICT2021)，中国厦门，四月 2021.