DOI: https://doi.org/10.1038/s41598-024-63744-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38844566
تاريخ النشر: 2024-06-07
المؤلف: Omid Halimi Milani وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم هذه الورقة البحثية طريقة آلية لتصنيف مراحل نمو الأضراس الثالثة السفلية باستخدام الصور الشعاعية البانورامية (OPGs)، وهو أمر أساسي للتشخيص السني، وتخطيط العلاج، والتطبيقات الجنائية. استخدمت الدراسة مجموعة بيانات تتكون من 3422 صورة OPG، تم تنسيقها بواسطة خبراء، مما أسفر عن إجمالي 6624 صورة للتحليل. تضمنت المنهجية استخراج منطقة الاهتمام، والترشيح المسبق، وزيادة البيانات بشكل مكثف لتعزيز دقة التصنيف. تم اختبار هياكل مختلفة من الشبكات العصبية العميقة، حيث حقق EfficientNet أعلى دقة تصنيف بنسبة 83.7%، بينما تراوحت النماذج الأخرى بين 71.57% و82.03%. تؤكد هذه الاختلافات على تأثير تعقيد النموذج وميزات المهام المحددة على الأداء.
تؤكد الدراسة على أهمية تحديد العمر السني بدقة، والذي يمكن أن يختلف عن العمر الزمني بسبب عوامل مثل الوراثة والصحة. نظام تصنيف ديميرجيان، وهو طريقة مستخدمة على نطاق واسع لتقييم النضج السني، يصنف تطور الأسنان إلى ثماني مراحل بناءً على المظهر والتعدين للأضراس الثالثة. ومع ذلك، يمكن أن تختلف موثوقية مثل هذه التقييمات بناءً على خبرة طبيب الأسنان المقيم، مما يبرز الحاجة إلى أساليب موحدة وآلية. يوفر دمج تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML) حلاً واعدًا لتعزيز الدقة والاتساق في التقييمات السنية، مما يحسن نتائج المرضى ويسهل التحليل الجنائي. لا تعزز الإطار المقترح لتعلم الآلة فقط الأشعة السنية، بل تفتح أيضًا آفاقًا لمزيد من البحث في قابليتها للتطبيق عبر مهام التصوير السني المتنوعة وخصائص المرضى.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لإعداد مجموعة البيانات ونموذج الشبكة العصبية المستخدم للتحليل. يقترحون نهجًا آليًا شاملاً يدمج استخراج منطقة الاهتمام (ROI)، والترشيح المسبق المستهدف، وتقنيات زيادة البيانات بشكل مكثف لتعزيز قوة البيانات. يتم التأكيد على السمات الرئيسية للصورة لتحسين دقة التصنيف بشكل كبير.
للتحقق من فعالية منهجيتهم، يستخدم المؤلفون مقاييس كمية وهياكل مختلفة من الشبكات العصبية العميقة، بما في ذلك EfficientNet وEfficientNetV2 وMobileNet (كلاهما كبير وصغير) وResNet18 وShuffleNet. يتم تحسين كل نموذج للمهام المحددة، مما يضمن تقييمًا شاملاً لمقاييس الأداء.
النتائج
في هذا القسم، يتم تقديم نتائج الدراسة، مع التركيز على تقييم هياكل الشبكات العصبية التلافيفية (CNN) المختلفة للتشخيص السني، وخاصة في تصنيف مراحل نمو الأضراس السفلية باستخدام الأشعة البانورامية (OPG). تم استخدام إحصائيات وصفية واختبارات t المستقلة لطلاب الجامعات لتحليل الفروق في العمر والجنس، مما كشف عن فرق متوسط عمر ذو دلالة إحصائية بين الإناث (14.88 سنة) والذكور (14.00 سنة) عبر مراحل مختلفة، مع قيم p < 0.001. كانت العينة الإجمالية تتكون من 54.3% إناث و45.7% ذكور، بمتوسط عمر 14.47 سنة (SD = 5.20). تم تقييم أداء النماذج المختلفة بدقة باستخدام نهج التحقق المتقاطع 5-fold، حيث برز EfficientNet كأفضل أداء، محققًا دقة متوسطة قدرها 83.76% عند استخدام مرشحات المعالجة المسبقة ودالة خسارة Focal. أظهرت نماذج أخرى، مثل ResNet18 وMobileNetV3، دقة تنافسية، بينما أظهر ShuffleNet أداءً أقل، خاصة عند تطبيق مرشحات المعالجة المسبقة. تؤكد النتائج على أهمية اختيار النموذج وتقنيات المعالجة المسبقة في تعزيز دقة التصنيف، حيث تفوق EfficientNet باستمرار على نظرائه عبر ظروف تجريبية مختلفة. بشكل عام، تسلط الدراسة الضوء على إمكانيات الأساليب الحسابية المتقدمة في تحسين دقة التشخيص في التصوير السني.
المناقشة
في هذه الدراسة، طورنا نهجًا قائمًا على تعلم الآلة لتقدير مراحل نمو الأضراس الثالثة السفلية باستخدام الصور الشعاعية البانورامية (OPGs). تضمنت المنهجية تحليلًا شاملاً لأكثر من 15,000 صورة OPG، مع التركيز على الربعين الثالث والرابع حيث تقع الأضراس. تم تصنيف الصور بدقة وفقًا لمراحل نمو الأسنان ديميرجيان، مما أسفر عن مجموعة بيانات نهائية تتكون من 6,624 صورة. لمعالجة عدم التوازن الطبقي الكامن، استخدمنا تقنيات زيادة البيانات وعينة بيانات موزونة، مما عزز قوة النموذج وأداء التصنيف. أظهر نموذجنا الرئيسي، EfficientNet-B0، دقة متفوقة مقارنةً بهياكل CNN الأخرى، مما يبرز فعالية تصميمه القابل للتوسع لمهام تصنيف الصور.
تسلط النتائج الضوء على إمكانيات الأدوات الآلية في تقدير العمر السني، خاصة في الإعدادات الجنائية والسريرية، من خلال تقليل الأخطاء البشرية وتسريع عملية التقييم. بينما تتماشى نتائجنا مع الأدبيات الحالية، خاصة فيما يتعلق بالعلاقة بين مراحل النمو والعمر الزمني، يجب أن تركز الأبحاث المستقبلية على توسيع مجموعة البيانات لتشمل مجموعات سكانية متنوعة واستكشاف العلاقة بين نمو الأسنان والعمر عبر الجنسين. بشكل عام، تؤكد هذه الدراسة ليس فقط فعالية نظام تصنيف ديميرجيان ولكن أيضًا تقدم نهجًا آليًا جديدًا يمكن أن يعزز بشكل كبير دقة التشخيص في الأشعة السنية.
DOI: https://doi.org/10.1038/s41598-024-63744-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38844566
Publication Date: 2024-06-07
Author(s): Omid Halimi Milani et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research paper presents an automated method for classifying the developmental stages of lower third molars using orthopantomograms (OPGs), which is essential for dental diagnosis, treatment planning, and forensic applications. The study utilized a dataset of 3422 OPG images, curated by experts, resulting in a total of 6624 images for analysis. The methodology involved region of interest extraction, pre-filtering, and extensive data augmentation to enhance classification accuracy. Various deep neural network architectures were tested, with EfficientNet achieving the highest classification accuracy of 83.7%, while other models ranged from 71.57% to 82.03%. This variation underscores the impact of model complexity and task-specific features on performance.
The study emphasizes the significance of accurately determining dental age, which can differ from chronological age due to factors like genetics and health. The Demirjian classification system, a widely used method for assessing dental maturity, categorizes tooth development into eight stages based on the appearance and mineralization of the third molar. However, the reliability of such assessments can vary based on the expertise of the evaluating dentist, highlighting the need for standardized, automated approaches. The integration of artificial intelligence (AI) and machine learning (ML) technologies offers a promising solution to enhance accuracy and consistency in dental assessments, thereby improving patient outcomes and facilitating forensic analysis. The proposed machine learning framework not only advances dental radiology but also opens avenues for further research into its applicability across diverse dental imaging tasks and patient demographics.
Methods
In this section, the authors outline the methodology employed for data set preparation and the neural network model utilized for analysis. They propose a comprehensive automated approach that integrates Region of Interest (ROI) extraction, targeted pre-filtering, and extensive data augmentation techniques to enhance the robustness of the data. Key image attributes are emphasized to significantly improve classification accuracy.
To validate the effectiveness of their methodology, the authors employ quantitative measures and various deep neural network architectures, including EfficientNet, EfficientNetV2, MobileNet (both Large and Small), ResNet18, and ShuffleNet. Each model is optimized for the specific task at hand, ensuring a thorough evaluation of performance metrics.
Results
In this section, the results of the study are presented, focusing on the evaluation of various convolutional neural network (CNN) architectures for dental diagnostics, specifically in classifying the developmental stages of lower wisdom teeth using panoramic radiographs (OPG). Descriptive statistics and independent Student t-tests were employed to analyze age and sex differences, revealing a statistically significant mean age difference between females (14.88 years) and males (14.00 years) across various stages, with p-values < 0.001. The overall sample comprised 54.3% females and 45.7% males, with a mean age of 14.47 years (SD = 5.20). The performance of different models was rigorously assessed using a 5-fold cross-validation approach, with EfficientNet emerging as the top performer, achieving a mean accuracy of 83.76% when utilizing preprocessing filters and the Focal loss function. Other models, such as ResNet18 and MobileNetV3, demonstrated competitive accuracies, while ShuffleNet exhibited lower performance, particularly when preprocessing filters were applied. The findings underscore the importance of model selection and preprocessing techniques in enhancing classification accuracy, with EfficientNet consistently outperforming its counterparts across various experimental conditions. Overall, the study highlights the potential of advanced computational methods in improving diagnostic accuracy in dental imaging.
Discussion
In this study, we developed a machine-learning-based approach to estimate the developmental stages of lower third molars using orthopantomograms (OPGs). The methodology involved a comprehensive analysis of over 15,000 OPGs, with a focus on the third and fourth quadrants where wisdom teeth are located. The images were meticulously classified according to the Demirjian tooth development stages, resulting in a final dataset of 6,624 images. To address the inherent class imbalance, we employed data augmentation techniques and a weighted data sampler, enhancing the model’s robustness and classification performance. Our primary model, EfficientNet-B0, demonstrated superior accuracy compared to other CNN architectures, underscoring the effectiveness of its scalable design for image classification tasks.
The findings highlight the potential of automated tools in dental age estimation, particularly in forensic and clinical settings, by reducing human error and expediting the assessment process. While our results align with existing literature, particularly regarding the correlation between developmental stages and chronological age, future research should focus on expanding the dataset to include diverse populations and further exploring the relationship between tooth development and age across genders. Overall, this study not only confirms the efficacy of the Demirjian classification system but also presents a novel automated approach that could significantly enhance diagnostic precision in dental radiology.