DOI: https://doi.org/10.1186/s12903-025-05827-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40169944
تاريخ النشر: 2025-04-01
المؤلف: Ertuğrul Furkan Savaştaer وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
كان الهدف من البحث هو أتمتة مراحل تطور الأسنان الضرسية وتقييم أداء نماذج التعلم العميق المختلفة في اكتشاف جراثيم الأسنان الضرسية في الأشعة السينية البانورامية. استخدمت الدراسة مجموعة بيانات تتكون من 210 أشعة سينية بانورامية من مرضى تتراوح أعمارهم بين 5 إلى 25 عامًا، حيث تم تصنيف تطور الأسنان الضرسية إلى أربع فئات: M1، M2، M3، وM4. تم استخدام تسعة نماذج من الشبكات العصبية التلافيفية (CNN)، بما في ذلك Cascade R-CNN وYOLOv3 وDeformable DETR، للاكتشاف، وتم تقييم الأداء باستخدام متوسط الدقة (mAP) والدقة والاسترجاع ودرجات F1.
أشارت النتائج إلى أن أداء التحديد عبر النماذج تراوح بين 0.70 إلى 0.86، مع دقة متوسطة بين 0.71 و0.82. تفوق نموذج Deformable DETR على الآخرين، محققًا mAP قدره 0.86، ودقة 0.82، واسترجاع 0.86، ودرجة F1 قدرها 0.86. تشير النتائج إلى أن نماذج التعلم العميق يمكن أن تؤتمت بشكل فعال اكتشاف وتصنيف مراحل تطور الأسنان الضرسية، مما قد يساعد المتخصصين في طب الأسنان. تهدف الأعمال المستقبلية إلى تطوير نظام شامل لاكتشاف مراحل تطور جميع جراثيم الأسنان باستخدام نموذج Deformable DETR.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تقييم شكل الهياكل الفموية، وخاصة تطور جراثيم الأسنان الدائمة، كمؤشرات على النمو والنضج لدى الأطفال. إن التعرف الدقيق على هذه الهياكل أمر بالغ الأهمية لتقييم العمر السني وإبلاغ خطط العلاج الفردية. تواجه الطرق التقليدية لتقدير العمر السني، مثل التصنيف اليدوي لتطور جراثيم الأسنان، تحديات بسبب تباين الملاحظين. وبالتالي، هناك اهتمام متزايد في طرق التصنيف الآلي للعمر، وخاصة تلك التي تستخدم تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs)، والتي أظهرت وعدًا في تعزيز دقة التشخيص والاتساق في الأشعة السينية السنية.
تهدف الدراسة إلى تقييم أداء نماذج التعلم العميق المختلفة في اكتشاف مراحل تطور جراثيم الأسنان الضرسية الدائمة من الأشعة السينية البانورامية للأطفال والبالغين. من خلال تحليل تسعة نماذج مختلفة، يقوم الباحثون بتقييم فعاليتها باستخدام مقاييس معتمدة مثل متوسط الدقة (mAP) والدقة والاسترجاع ودرجة F1. تسعى هذه الطريقة إلى أتمتة عملية تحديد العمر، مما يحسن من كفاءة التشخيص ويدعم نهج أكثر تركيزًا على المريض في رعاية الأسنان.
طرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يتناول معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة في تحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المضبوطة أو الدراسات الملاحظة، لضمان إمكانية تكرار النتائج وصحتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الأدوات والتقنيات المستخدمة لجمع البيانات، مثل البرمجيات لتحليل البيانات الإحصائية أو الأدوات لقياس المتغيرات. كما يتم تناول الاعتبارات الأخلاقية، بما في ذلك الموافقة المستنيرة والموافقة من اللجان المعنية، للحفاظ على نزاهة عملية البحث. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم استنتاجات الدراسة.
نتائج
تشير نتائج الدراسة حول اكتشاف جراثيم الأسنان الضرسية باستخدام نماذج التعلم العميق إلى أن نموذج Deformable DETR هو الأكثر فعالية، حيث حقق أعلى دقة (0.81)، ومتوسط دقة (mAP) (0.86)، ودرجة F1 (0.86) عبر أربع فئات تم تقييمها من خلال التحقق المتقاطع (k = 6). كما أن نماذج أخرى، مثل HTC وCascade R-CNN، أدت أداءً جيدًا، حيث حققت كلاهما دقة قدرها 0.79، بينما أظهر YOLOv3 أداءً معتدلاً مع mAP تنافسي قدره 0.82 ولكن مع استرجاع أقل (0.78). بالمقابل، أظهر SSD أضعف أداء، حيث كانت أدنى دقة (0.58) ودرجة F1 (0.65).
كشفت التقييمات حسب الفئة أن Deformable DETR تفوق باستمرار على النماذج الأخرى عبر الفئات المختلفة، وخاصة في الفئة M1 مع درجة F1 قدرها 0.86. بالنسبة للفئة M2، حقق أعلى درجة F1 (0.79)، بينما في الفئة M3، قاد مرة أخرى مع درجة F1 قدرها 0.80. في الفئة M4، حقق Deformable DETR وCascade R-CNN وHTC درجات F1 عالية (0.92-0.94)، مما يدل على قدرات اكتشاف قوية. كما تم اختبار أداء Deformable DETR على مجموعة بيانات عامة خارجية، مما أكد أدائه، حيث حقق دقة قدرها 0.69، وmAP قدره 0.72، واسترجاع قدره 0.82، ودرجة F1 قدرها 0.77. أظهر تحليل منحنى الدقة والاسترجاع AUC قدره 0.918، مما يدل على أداء قوي للنموذج مع أخطاء طفيفة تعزى إلى الارتباك في الموقع والخلفية.
مناقشة
في هذه الدراسة، تم تصنيف مراحل تطور الأضراس الدائمة إلى أربع فئات باستخدام الأشعة السينية البانورامية من مرضى تتراوح أعمارهم بين 5 إلى 25. كان الهدف من البحث هو أتمتة عملية تقدير العمر، التي كانت تعتمد تقليديًا على التصنيف اليدوي من قبل الخبراء، والذي يتعرض للتباين. تم تحليل ما مجموعه 210 صورة بانورامية، وتم استخدام تسعة نماذج من التعلم العميق، بما في ذلك Cascade R-CNN وYOLOv3 وDeformable DETR، لاكتشاف وتصنيف هذه المراحل. تفوق نموذج Deformable DETR على الآخرين، محققًا دقة إجمالية قدرها 0.82، ومتوسط دقة قدره 0.86، ومتوسط استرجاع قدره 0.86، ومتوسط درجة F1 قدرها 0.86.
تسلط الدراسة الضوء على إمكانيات التعلم العميق في التطبيقات السنية، وخاصة في أتمتة تصنيف مراحل تطور الأضراس، مما يمكن أن يعزز دقة تقدير العمر. من الجدير بالذكر أن هذا البحث يميز نفسه من خلال تقييم نماذج متعددة والتركيز على جميع الأضراس بدلاً من نوع واحد. ومع ذلك، لا تزال هناك تحديات، بما في ذلك الحاجة إلى مجموعات بيانات واسعة وموسومة بشكل جيد وممارسات تقارير موحدة لتسهيل الأبحاث المستقبلية والتحقق من صحة النماذج. تشير النتائج إلى اتجاه واعد لتطوير أنظمة مساعدة لمساعدة أطباء الأسنان في تقييم مراحل تطور الأسنان باستخدام تقنيات التعلم العميق.
DOI: https://doi.org/10.1186/s12903-025-05827-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40169944
Publication Date: 2025-04-01
Author(s): Ertuğrul Furkan Savaştaer et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research aimed to automate the staging of molar teeth development and evaluate the performance of various deep learning models for detecting molar tooth germs in panoramic radiographs. The study utilized a dataset of 210 panoramic radiographs from patients aged 5 to 25 years, categorizing molar teeth development into four classes: M1, M2, M3, and M4. Nine convolutional neural network (CNN) models, including Cascade R-CNN, YOLOv3, and Deformable DETR, were employed for detection, with performance assessed using mean Average Precision (mAP), accuracy, precision, recall, and F1-scores.
Results indicated that localization performance across the models ranged from 0.70 to 0.86, with average accuracy between 0.71 and 0.82. The Deformable DETR model outperformed the others, achieving an mAP of 0.86, accuracy of 0.82, recall of 0.86, and F1-score of 0.86. The findings suggest that deep learning models can effectively automate the detection and classification of molar teeth development stages, potentially aiding dental professionals. Future work aims to develop a comprehensive system for detecting the developmental stages of all tooth germs using the Deformable DETR model.
Introduction
The introduction of this research paper highlights the significance of evaluating the morphology of oral structures, particularly the development of permanent tooth germs, as indicators of growth and maturation in children. Accurate identification of these structures is crucial for assessing dental age and informing individualized treatment plans. Traditional methods of estimating dental age, such as manual classification of tooth germ development, face challenges due to observer variability. Consequently, there is a growing interest in automated age classification methods, particularly those utilizing deep learning techniques like convolutional neural networks (CNNs), which have shown promise in enhancing diagnostic accuracy and consistency in dental radiology.
The study aims to assess the performance of various deep learning models in detecting the developmental stages of permanent molar germs from pediatric and adult panoramic radiographs. By analyzing nine different models, the researchers evaluate their effectiveness using established metrics such as mean average precision (mAP), accuracy, precision, recall, and F1-score. This approach seeks to automate the age determination process, thereby improving diagnostic efficiency and supporting a more patient-centered approach to dental care.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and validity of the findings.
Additionally, the section may include information on the tools and technologies utilized for data collection, such as software for statistical analysis or instruments for measuring variables. Ethical considerations, including informed consent and approval from relevant review boards, are also addressed to uphold the integrity of the research process. Overall, this section provides a comprehensive overview of the methodological framework that underpins the study’s conclusions.
Results
The results of the study on molar teeth germ detection using deep learning models indicate that Deformable DETR is the most effective model, achieving the highest accuracy (0.81), mean Average Precision (mAP) (0.86), and F1-score (0.86) across four classes evaluated through k-fold cross-validation (k = 6). Other models, such as HTC and Cascade R-CNN, also performed well, both attaining an accuracy of 0.79, while YOLOv3 showed moderate performance with a competitive mAP of 0.82 but lower recall (0.78). In contrast, SSD exhibited the weakest performance, with the lowest accuracy (0.58) and F1-score (0.65).
Class-wise evaluations revealed that Deformable DETR consistently outperformed other models across different classes, particularly in class M1 with an F1-score of 0.86. For class M2, it achieved the highest F1-score (0.79), while in class M3, it again led with an F1-score of 0.80. In class M4, Deformable DETR, Cascade R-CNN, and HTC achieved high F1-scores (0.92-0.94), indicating strong detection capabilities. Testing on an external public dataset further validated Deformable DETR’s performance, yielding an accuracy of 0.69, mAP of 0.72, recall of 0.82, and F1-score of 0.77. The precision-recall curve analysis showed an AUC of 0.918, indicating robust model performance with minimal errors attributed to location and background confusions.
Discussion
In this study, the developmental stages of permanent molars were classified into four categories using panoramic radiographs from patients aged 5 to 25. The research aimed to automate the age estimation process, traditionally reliant on manual staging by experts, which is subject to variability. A total of 210 panoramic images were analyzed, and nine deep learning models, including Cascade R-CNN, YOLOv3, and Deformable DETR, were employed to detect and classify these stages. The Deformable DETR model outperformed others, achieving a total accuracy of 0.82, average precision of 0.86, average recall of 0.86, and average F1-score of 0.86.
The study highlights the potential of deep learning in dental applications, particularly in automating the classification of molar development stages, which can enhance age estimation accuracy. Notably, this research distinguishes itself by evaluating multiple models and focusing on all molars rather than a single type. However, challenges remain, including the need for extensive, well-labeled datasets and standardized reporting practices to facilitate future research and model validation. The findings suggest a promising direction for developing auxiliary systems to assist dentists in assessing tooth development stages using deep learning technologies.