DOI: https://doi.org/10.1038/s41598-024-75748-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39455655
تاريخ النشر: 2024-10-25
المؤلف: J Z Liu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الدراسة YoCNET، وهو نموذج مبتكر مدمج للتعلم العميق يجمع بين Yolov5 و ConvNeXt، مصمم لتعزيز تحديد أهداف الآفات المتعددة في الأشعة السينية المحيطية. من خلال الاستفادة من قدرات Yolov5 في الكشف عن الأهداف جنبًا إلى جنب مع نقاط قوة ConvNeXt في تصنيف الصور، يسهل YoCNET تقسيم الأسنان الفردية تلقائيًا والكشف المتزامن عن الآفات المحيطية عبر عدة أسنان. تم تدريب النموذج والتحقق منه باستخدام مجموعة بيانات تتكون من 1,305 أشعة سينية محيطية، مع تقسيم 8:2 للتدريب والتحقق، مستبعدًا الأسنان اللبنية. بالإضافة إلى ذلك، تم استخراج 717 صورة سن فردية من 200 أشعة سينية غير مستخدمة سابقًا لمزيد من التحقق.
كانت مقاييس أداء YoCNET مثيرة للإعجاب، حيث حقق دقة بنسبة 90.93%، ودقة بنسبة 98.88%، وحساسية بنسبة 85.30%، ودرجة F1 تبلغ 0.9159، وAUC تبلغ 0.9757، جميعها تتجاوز تلك الخاصة بنموذج YoRNET (Yolov5 + ResNet34)، الذي سجل قيمًا أقل عبر هذه المقاييس. تؤكد النتائج على قدرة YoCNET المتفوقة في تقسيم الأسنان تلقائيًا وكشف الآفات، مما يجعله أداة أكثر فعالية للتطبيقات السريرية في طب الأسنان، لا سيما لتشخيص التهاب اللثة القمي، وهي حالة التهابية شائعة يمكن أن تؤدي إلى مشاكل صحية كبيرة إذا لم يتم اكتشافها بسرعة.
طرق البحث
تستخدم الدراسة خط أنابيب معالجة الصور متعدد المراحل للكشف التلقائي عن الآفات المحيطية في الأشعة السينية. في البداية، يتم الحصول على الأشعة السينية المحيطية ومعالجتها باستخدام نموذج كشف الأجسام Yolov5، الذي يحدد الأسنان الفردية بفعالية من خلال إنشاء صناديق محيطة بها. بعد ذلك، يتم توسيع المناطق المحيطة بكل سن تم الكشف عنه لتشمل الهياكل التشريحية ذات الصلة اللازمة لتحليل الآفات بدقة.
في المرحلة النهائية، يتم تحليل المناطق الموسعة باستخدام نموذج التعلم العميق ConvNeXt، الذي يصنف كل منطقة على أنها تحتوي على آفة محيطية أم لا، موفرًا درجة احتمالية لوجود الآفة. لتعزيز قابلية تفسير النموذج، يتم استخدام خرائط تنشيط الفئة المدعومة بالتدرجات (Grad-CAM)، مما يسمح بتصور المناطق المحددة التي تشير إلى الآفات المحيطية. يهدف هذا الإطار المنهجي إلى تحسين دقة التشخيص في الأشعة السينية السنية.
النتائج
يقدم قسم النتائج تحليلًا مقارنًا لنماذج ConvNeXt و ResNet34 في الكشف عن الآفات المحيطية من 261 أشعة سينية محيطية. يتم استخدام مصفوفة الالتباس لتقييم أداء النموذج، مما يسمح بحساب مقاييس حاسمة مثل الدقة، والدقة، والحساسية، ودرجة F1. تفوق نموذج ConvNeXt على ResNet34 بدقة بلغت 94.25%، ودقة 93.28%، وحساسية 95.41%، ودرجة F1 تبلغ 0.9433، بينما حقق ResNet34 دقة 91.57%، ودقة 92.24%، وحساسية 90.83%، ودرجة F1 تبلغ 0.9153. ومن الجدير بالذكر أن حساسية ConvNeXt المتفوقة تعزى إلى قدراته المتقدمة في استخراج الميزات ومعالجتها، مما يعزز قدرته على اكتشاف التغيرات الطفيفة في البيانات.
بالإضافة إلى ذلك، تشير قيم المساحة تحت المنحنى (AUC) لمنحنيات خصائص التشغيل المستقبلي (ROC) إلى أداء قوي للنموذج، حيث حقق ConvNeXt AUC يبلغ 0.9820 مقارنةً بـ 0.9673 لـ ResNet34. علاوة على ذلك، أظهر نموذج Yolov5 المدمج أداءً استثنائيًا في تحديد وتقسيم الأسنان الفردية، محققًا دقة متوسطة (mAP) تبلغ 0.991 عند عتبة تقاطع على اتحاد (IoU) تبلغ 0.5، مما يبرز فعاليته في مهام الكشف والتقسيم في الوقت الحقيقي.
المناقشة
في هذه الدراسة، استكشف المؤلفون فعالية نماذج التعلم العميق، وخاصة ConvNeXt و ResNet34، في الكشف عن الآفات المحيطية من الأشعة السينية المحيطية التي تم جمعها في مستشفى جينان لطب الأسنان بين عامي 2018 و 2023. تم استخدام ما مجموعه 1,305 أشعة سينية، مع مجموعة بيانات متوازنة تتكون من 1,044 صورة لتدريب النماذج. استخدمت الدراسة Yolov5 للكشف عن الأسنان الفردية ودمجته مع ConvNeXt و ResNet34 لتصنيف الآفات. شملت مقاييس التقييم الدقة، والدقة، والحساسية، ودرجة F1، وAUC، حيث تفوق النموذج المدمج YoCNET على YoRNET عبر جميع المقاييس، محققًا AUC يبلغ 0.9757، مما يدل على قدرة تشخيصية متفوقة.
تسلط الدراسة الضوء على التحديات في تشخيص الآفات المحيطية، خاصة في وجود ترميمات الأسنان، وتؤكد على أهمية التقسيم التلقائي لتعزيز دقة الكشف. يجمع النهج المبتكر للدراسة بين نقاط قوة الكشف السريع لـ Yolov5 وكفاءة استخراج الميزات لـ ConvNeXt، مما يسهل التعرف المتزامن على الآفات عبر عدة أسنان في أشعة سينية واحدة. بينما النتائج واعدة، يعترف المؤلفون بالقيود، بما في ذلك إمكانية وجود تحيز في تعليقات الخبراء والحاجة إلى جمع بيانات متعددة المراكز لتحسين قابلية تعميم النموذج. ستركز الأبحاث المستقبلية على تحسين خوارزميات التعلم العميق وتوسيع مجموعات البيانات لتعزيز قابلية تطبيق النموذج في بيئات سريرية متنوعة، بهدف مساعدة الأطباء في التشخيص المبكر وعلاج الآفات المحيطية.
DOI: https://doi.org/10.1038/s41598-024-75748-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39455655
Publication Date: 2024-10-25
Author(s): J Z Liu et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study introduces YoCNET, an innovative deep learning integrated model combining Yolov5 and ConvNeXt, designed to enhance the identification of multiple lesion targets in periapical radiographs. By leveraging Yolov5’s target detection capabilities alongside ConvNeXt’s image classification strengths, YoCNET facilitates the automatic segmentation of individual teeth and the concurrent detection of periapical lesions across multiple teeth. The model was trained and validated using a dataset of 1,305 periapical radiographs, with an 8:2 training-validation split, excluding deciduous teeth. Additionally, 717 individual tooth images were extracted from 200 previously unused radiographs for further validation.
The performance metrics of YoCNET were impressive, achieving an accuracy of 90.93%, precision of 98.88%, sensitivity of 85.30%, F1 score of 0.9159, and an AUC of 0.9757, all surpassing those of the YoRNET model (Yolov5 + ResNet34), which recorded lower values across these metrics. The findings underscore YoCNET’s superior capability in automatic tooth segmentation and lesion detection, positioning it as a more effective tool for clinical applications in dentistry, particularly for diagnosing apical periodontitis, a common inflammatory condition that can lead to significant health issues if not detected promptly.
Methods
The research employs a multi-stage image processing pipeline for automated detection of periapical lesions in radiographs. Initially, periapical radiographs are acquired and processed using the Yolov5 object detection model, which effectively localizes individual teeth by generating bounding boxes around them. Subsequently, the regions surrounding each detected tooth are expanded to include relevant anatomical structures necessary for accurate lesion analysis.
In the final stage, the expanded regions are analyzed using the ConvNeXt deep learning model, which classifies each region as either containing a periapical lesion or not, providing a probability score for lesion presence. To enhance model interpretability, Gradient-weighted Class Activation Mapping (Grad-CAM) is employed, allowing visualization of the specific areas indicative of periapical lesions. This methodological framework aims to improve diagnostic accuracy in dental radiography.
Results
The results section presents a comparative analysis of the ConvNeXt and ResNet34 models in detecting periapical lesions from 261 periapical radiographs. The Confusion Matrix is utilized to evaluate model performance, allowing for the calculation of critical metrics such as Accuracy, Precision, Sensitivity, and the F1 Score. The ConvNeXt model outperformed ResNet34 with an accuracy of 94.25%, precision of 93.28%, sensitivity of 95.41%, and an F1 score of 0.9433, while ResNet34 achieved 91.57% accuracy, 92.24% precision, 90.83% sensitivity, and an F1 score of 0.9153. Notably, ConvNeXt’s superior sensitivity is attributed to its advanced feature extraction and processing capabilities, which enhance its ability to detect subtle variations in the data.
Additionally, the Area Under the Curve (AUC) values for the Receiver Operating Characteristic (ROC) curves indicate strong model performance, with ConvNeXt achieving an AUC of 0.9820 compared to ResNet34’s 0.9673. Furthermore, the integrated Yolov5 model demonstrated exceptional performance in identifying and segmenting individual teeth, achieving a mean Average Precision (mAP) of 0.991 at an Intersection over Union (IoU) threshold of 0.5, highlighting its effectiveness in real-time detection and segmentation tasks.
Discussion
In this study, the authors explored the effectiveness of deep learning models, specifically ConvNeXt and ResNet34, in detecting periapical lesions from periapical radiographs collected at Jinan Stomatological Hospital between 2018 and 2023. A total of 1,305 radiographs were utilized, with a balanced dataset of 1,044 images for training the models. The study employed Yolov5 for individual tooth detection and integrated it with ConvNeXt and ResNet34 for lesion classification. The evaluation metrics included accuracy, precision, sensitivity, F1 score, and AUC, with the integrated model YoCNET outperforming YoRNET across all metrics, achieving an AUC of 0.9757, indicating superior diagnostic capability.
The research highlights the challenges of diagnosing periapical lesions, particularly in the presence of dental restorations, and emphasizes the importance of automated segmentation to enhance detection accuracy. The study’s innovative approach combines the strengths of Yolov5’s rapid detection and ConvNeXt’s efficient feature extraction, facilitating the simultaneous identification of lesions across multiple teeth in a single radiograph. While the findings are promising, the authors acknowledge limitations, including potential subjectivity in expert annotations and the need for multicenter data collection to improve model generalizability. Future research will focus on refining deep learning algorithms and expanding datasets to enhance the model’s applicability in diverse clinical settings, ultimately aiming to assist clinicians in early diagnosis and treatment of periapical lesions.