DOI: https://doi.org/10.1007/s00784-025-06285-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40128451
تاريخ النشر: 2025-03-25
المؤلف: Elham Tahsin Yasin وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تستقصي هذه الدراسة استخدام نماذج التعلم العميق لتصنيف العلاقة المكانية بين الأضراس الثالثة السفلية (MTMs) والقناة السفلية (MC) باستخدام صور الأشعة المقطعية المخروطية (CBCT). التصنيف الدقيق أمر حاسم للتخطيط قبل الجراحة لتجنب المضاعفات، مثل إصابة العصب الفكي السفلي أثناء الاستخراج. تم استخدام مجموعة بيانات تتكون من 305 مسح ضوئي CBCT مشروحة، مصنفة إلى ثلاث فئات: غير متصلة، شبه متصلة، ومتصلة. استخدمت الدراسة عدة شبكات عصبية تلافيفية، بما في ذلك MobileNet وXception وDenseNet201، لتقييم أدائها في التصنيف.
أشارت النتائج إلى أن MobileNet تفوقت على النماذج الأخرى، محققة دقة تبلغ 99.44%، إلى جانب دقة 99.45%، واسترجاع 99.44%، ودرجة F1 تبلغ 99.44%، وخسارة لوغاريتمية تبلغ 0.022، مع درجة ROC-AUC تبلغ 0.9993. كما أظهرت Xception وDenseNet201 أداءً قويًا، بدقة تبلغ 98.74% و98.73%، على التوالي. تشير هذه النتائج إلى أن الهياكل المتقدمة للتعلم العميق، وخاصة MobileNet، يمكن أن تؤتمت بشكل فعال تصنيف علاقات MTM-MC، مما يقلل من تباين المراقبين ويعزز اتساق التشخيص. تدعو الدراسة إلى دمج هذه النماذج في سير العمل السريري لتحسين تقييمات المخاطر الجراحية ونتائج المرضى بشكل عام، خاصة في البيئات ذات الموارد المحدودة. يجب أن تركز الأبحاث المستقبلية على تطبيق هذه النماذج عبر مجموعات مرضى وسيناريوهات سريرية متنوعة.
مقدمة
تناقش مقدمة ورقة البحث الأهمية السريرية للضرس الثالث السفلي (MTM)، المعروف عمومًا بضرس الحكمة، خاصة فيما يتعلق بميله للإصابة والمخاطر الجراحية المرتبطة به. يمكن أن تؤدي الإصابة إلى مضاعفات مثل التهاب اللثة المحيطة والتسوس، والعلاقة التشريحية القريبة بين MTM والقناة السفلية (MC)، التي تحتوي على العصب الفكي السفلي (IAN)، تزيد من خطر تلف العصب أثناء الاستخراج. تقتصر طرق التقييم التقليدية، التي تعتمد بشكل أساسي على الأشعة السينية البانورامية ثنائية الأبعاد، على تباين المراقبين وعدم القدرة على تصوير العلاقات التشريحية المعقدة بدقة. بالمقابل، توفر الأشعة المقطعية المخروطية (CBCT) قدرات تصوير ثلاثية الأبعاد، ومع ذلك تظل التحليلات اليدوية كثيفة العمل وذات طابع ذاتي.
لمعالجة هذه التحديات، تهدف الدراسة إلى تطوير والتحقق من صحة نظام تصنيف آلي قائم على التعلم العميق لتقييم العلاقة بين MTM وMC باستخدام صور CBCT. ستصنف التصنيفات القرب إلى ثلاث فئات: “غير متصل”، “شبه متصل”، و”متصل”، وهي حاسمة لتقييم المخاطر قبل الجراحة. تؤكد الدراسة على أهمية معايير التصنيف الدقيقة واستخدام مجموعة بيانات موثقة بدقة من قبل أطباء الأسنان ذوي الخبرة لضمان الموثوقية. من خلال الاستفادة من الهياكل المتقدمة للتعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs)، تسعى الأبحاث إلى تعزيز دقة التشخيص وكفاءته، مما يحسن في النهاية اتخاذ القرارات السريرية ونتائج المرضى في سياق استخراج الأضراس الثالثة.
الطرق
في هذه الدراسة، تم استخدام مجموعة بيانات مكونة من 305 صور أشعة مقطعية مخروطية (CBCT) لتصنيف العلاقات التشريحية بين الأضراس الثالثة السفلية (MTMs) والقناة السفلية (MC) إلى ثلاث فئات: غير متصل، شبه متصل، ومتصل. تم توضيح الصور يدويًا من قبل ثلاثة متخصصين في أشعة الوجه والفكين لضمان دقة التصنيف. تم تدريب نماذج التعلم العميق، بما في ذلك DenseNet201 وInceptionResNetV2 وInceptionV3 وMobileNet وVGG16 وVGG19 وXception، باستخدام التحقق المتقاطع العشوائي ذو العشرة طيات. تم اختبار تكوينات مختلفة، بما في ذلك أحجام الدفعات (16، 32، 64) ومعدلات التعلم (0.001، 0.0001)، على مدى 30 حقبة، باستخدام مُحسِّن آدم ودالة خسارة الانتروبيا المتعددة. تم استخدام مقاييس الأداء مثل الدقة والدقة والاسترجاع ودرجة F1 وخسارة اللوغاريتم وكابا كوهين وROC-AUC للتقييم.
أشارت النتائج إلى أن MobileNet تفوقت باستمرار على النماذج الأخرى، محققة دقة تبلغ 99.44%، ودقة 99.45%، واسترجاع 99.44%، ودرجة F1 تبلغ 99.44% مع معدل تعلم يبلغ 0.0001. كما أظهرت خسارة لوغاريتمية ضئيلة تبلغ 0.022 ودرجة ROC-AUC عالية تبلغ 0.9993. كما أدت Xception وDenseNet201 أداءً جيدًا، بدقة تبلغ 98.74% و98.73%، على التوالي. أظهرت InceptionV3 وInceptionResNetV2 أداءً معتدلًا، بينما أظهرت VGG16 وVGG19 دقة أقل، خاصة عند معدلات التعلم المنخفضة. حددت الدراسة بفعالية الهياكل والمعلمات المثلى للتعلم العميق لتصنيف علاقات MTM-MC، مما ساهم في تعزيز اتخاذ القرارات السريرية وسلامة الجراحة.
المناقشة
في هذه الدراسة، صنف المؤلفون 305 مسحات أشعة مقطعية مخروطية (CBCT) للمرضى إلى ثلاث فئات بناءً على العلاقة التشريحية بين الأضراس الثالثة العلوية (MTMs) والقناة العلوية (MC): غير متصل، شبه متصل، ومتصل. شمل عملية التصنيف توضيحًا يدويًا من قبل المتخصصين واستخدم التحقق المتقاطع ذو الطيات المتوازنة لضمان تمثيل متوازن للفئات أثناء تدريب النموذج. حولت خط أنابيب المعالجة الصور DICOM إلى تنسيق NIfTI ومن ثم إلى PNG، مما يسهل تطبيقات التعلم العميق مع الحفاظ على السلامة التشريحية. أظهرت نماذج التعلم العميق المستخدمة، بما في ذلك MobileNet وDenseNet201 وXception، مقاييس أداء عالية، حيث حقق MobileNet دقة تبلغ 99.44% ودرجة ROC-AUC قريبة من الكمال تبلغ 0.9993.
تسلط النتائج الضوء على فعالية التعلم العميق في أتمتة تصنيف علاقات MTM-MC، مما يمكن أن يعزز اتساق التشخيص ويقلل من تباين المراقبين. قدم استخدام خرائط تنشيط الفئة المدعومة بالتدرج (Grad-CAM) قابلية التفسير من خلال تصور تركيز النموذج على المناطق ذات الصلة سريريًا، مما يعزز موثوقية النماذج. تقترح الدراسة أن دمج هذه النماذج المتقدمة في سير العمل السريري يمكن أن يحسن من اتخاذ القرارات ونتائج الجراحة. يجب أن تستكشف الأبحاث المستقبلية تطبيقها عبر مجموعات مرضى وسيناريوهات سريرية متنوعة للتحقق من فائدتها في تشخيص الأسنان.
DOI: https://doi.org/10.1007/s00784-025-06285-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40128451
Publication Date: 2025-03-25
Author(s): Elham Tahsin Yasin et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the use of deep learning models to classify the spatial relationship between mandibular third molars (MTMs) and the mandibular canal (MC) using cone-beam computed tomography (CBCT) images. Accurate classification is crucial for preoperative planning to prevent complications, such as inferior alveolar nerve injury during extractions. A dataset comprising 305 annotated CBCT scans was utilized, categorized into three classes: not contacted, nearly contacted, and contacted. The study employed several convolutional neural networks, including MobileNet, Xception, and DenseNet201, to evaluate their classification performance.
The results indicated that MobileNet outperformed the other models, achieving an accuracy of 99.44%, alongside a precision of 99.45%, recall of 99.44%, F1-score of 99.44%, and a log loss of 0.022, with a ROC-AUC score of 0.9993. Xception and DenseNet201 also demonstrated strong performance, with accuracies of 98.74% and 98.73%, respectively. These findings suggest that advanced deep learning architectures, particularly MobileNet, can effectively automate the classification of MTM-MC relationships, thereby reducing inter-observer variability and enhancing diagnostic consistency. The study advocates for the integration of these models into clinical workflows to improve surgical risk assessments and overall patient outcomes, particularly in resource-limited settings. Future research should focus on the application of these models across diverse patient populations and clinical scenarios.
Introduction
The introduction of the research paper discusses the clinical significance of the mandibular third molar (MTM), commonly known as the wisdom tooth, particularly regarding its propensity for impaction and the associated surgical risks. Impaction can lead to complications such as pericoronitis and caries, and the close anatomical relationship between the MTM and the mandibular canal (MC), which contains the inferior alveolar nerve (IAN), heightens the risk of nerve damage during extraction. Traditional assessment methods, primarily relying on two-dimensional panoramic radiography, are limited by inter-observer variability and the inability to accurately depict complex anatomical relationships. In contrast, Cone Beam Computed Tomography (CBCT) offers three-dimensional imaging capabilities, yet manual analysis remains labor-intensive and subjective.
To address these challenges, the study aims to develop and validate an automated deep learning-based classification system for evaluating the MTM-MC relationship using CBCT images. The classification will categorize the proximity into three classes: “not contacted,” “nearly contacted,” and “contacted,” which are critical for preoperative risk assessment. The study emphasizes the importance of precise classification criteria and the use of a rigorously annotated dataset by experienced dentists to ensure reliability. By leveraging advanced deep learning architectures, such as Convolutional Neural Networks (CNNs), the research seeks to enhance diagnostic accuracy and efficiency, ultimately improving clinical decision-making and patient outcomes in the context of third molar extractions.
Methods
In this study, a dataset of 305 cone beam computed tomography (CBCT) images was utilized to classify the anatomical relationships between mandibular third molars (MTMs) and the mandibular canal (MC) into three categories: not contacted, nearly contacted, and contacted. The images were manually annotated by three maxillofacial radiology specialists to ensure classification accuracy. Deep learning models, including DenseNet201, InceptionResNetV2, InceptionV3, MobileNet, VGG16, VGG19, and Xception, were trained using stratified tenfold cross-validation. Various configurations, including batch sizes (16, 32, 64) and learning rates (0.001, 0.0001), were tested over 30 epochs, employing the Adam optimizer and categorical cross-entropy loss function. Performance metrics such as accuracy, precision, recall, F1-score, log-loss, Cohen’s Kappa, and ROC-AUC were used for evaluation.
The results indicated that MobileNet consistently outperformed other models, achieving an accuracy of 99.44%, precision of 99.45%, recall of 99.44%, and an F1-score of 99.44% with a learning rate of 0.0001. It also demonstrated a minimal log loss of 0.022 and a high ROC-AUC of 0.9993. Xception and DenseNet201 also performed well, with accuracies of 98.74% and 98.73%, respectively. InceptionV3 and InceptionResNetV2 showed moderate performance, while VGG16 and VGG19 exhibited lower accuracies, particularly at reduced learning rates. The study effectively identified optimal deep learning architectures and parameters for classifying MTM-MC relationships, contributing to enhanced clinical decision-making and surgical safety.
Discussion
In this study, the authors classified 305 patient cone-beam computed tomography (CBCT) scans into three categories based on the anatomical relationship between maxillary third molars (MTMs) and the maxillary canal (MC): not contacted, nearly contacted, and contacted. The classification process involved manual annotation by specialists and utilized stratified k-fold cross-validation to ensure balanced representation of classes during model training. The preprocessing pipeline converted DICOM images to NIfTI format and subsequently to PNG, facilitating deep learning applications while preserving anatomical integrity. The deep learning models employed, including MobileNet, DenseNet201, and Xception, demonstrated high performance metrics, with MobileNet achieving an accuracy of 99.44% and a near-perfect ROC-AUC score of 0.9993.
The findings highlight the effectiveness of deep learning in automating the classification of MTM-MC relationships, which can enhance diagnostic consistency and reduce inter-observer variability. The use of Gradient-weighted Class Activation Mapping (Grad-CAM) provided interpretability by visualizing model focus on clinically relevant areas, reinforcing the models’ reliability. The study suggests that integrating these advanced models into clinical workflows could improve decision-making and surgical outcomes. Future research should explore their application across diverse patient populations and clinical scenarios to further validate their utility in dental diagnostics.