DOI: https://doi.org/10.1186/s12903-025-05704-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40217522
تاريخ النشر: 2025-04-11
المؤلف: Reza Ahmadi Lashaki وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث هذه الدراسة في فعالية مصنفات ونماذج مدربة مسبقًا مختلفة لتصنيف حالات زراعة الأسنان باستخدام صور إشعاعية معالجة مسبقًا. تم زيادة مجموعة بيانات تحتوي على 511 صورة حول جذر السن إلى 5110 من خلال تقنيات مثل التدوير، والانعكاس، والتغيير في الحجم. شملت عملية المعالجة المسبقة تغيير الحجم، والتوضيح، وتقليل الضوضاء، وزيادة التباين عبر CLAHE، وتغطية محددة للزراعة، والتطبيع. كانت المصنفات المستخدمة هي الشبكات العصبية التلافيفية (CNN)، وآلة الدعم التلافيفية (CSVM)، وشجرة القرار التلافيفية (CDT)، وغابة عشوائية تلافيفية (CRF)، بينما تم استخدام نماذج مدربة مسبقًا مثل VGG16 وResNet50 وXception لتحسين استخراج الميزات. تم تقييم مقاييس الأداء مثل الدقة، والدقة الإيجابية، والاسترجاع، ودرجة F1، وROC AUC باستخدام التحقق المتقاطع بخمس طيات.
أشارت النتائج إلى أن مصنف CRF حقق أعلى أداء لزراعة ITI وBego، بدقة بلغت 0.8966، بينما تفوق CNN لزراعة Bicon، حيث وصلت دقتها إلى 0.9533. من بين النماذج المدربة مسبقًا، أظهرت VGG16 نتائج متفوقة لتصنيف Bicon مقابل ITI، محققة دقة بلغت 0.9865 وROC AUC قدره 0.9877. تؤكد الدراسة على التأثير الكبير لزيادة البيانات والمعالجة المسبقة على أداء المصنف، مشددة على أن المعالجة المسبقة القوية، وخاصة استخدام أقنعة الزراعة، أمر حاسم لتحسين دقة النموذج. على الرغم من النتائج الواعدة، تم الإشارة إلى قيود مثل مجموعة بيانات صغيرة وغير متوازنة نسبيًا، وتباين في جودة الصور، وتعقيد حسابات نماذج التعلم العميق. يجب أن تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات، وتحسين جودة الصور، واستكشاف نماذج التقسيم مثل U-Net لتعزيز أداء التصنيف بشكل أكبر. بشكل عام، تؤكد النتائج على الإمكانات التحويلية للتعلم العميق في تصنيف زراعة الأسنان، مما يمهد الطريق لتحسين أنظمة دعم اتخاذ القرار السريري.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية زراعة الأسنان كحلول موثوقة لاستعادة الوظيفة الفموية والجمالية لدى الأفراد الذين فقدوا أسنانهم. على الرغم من استخدامها الواسع والتقدم في التكنولوجيا، لا يزال تحديد الزرعات بدقة من خلال الصور الإشعاعية يمثل تحديًا حاسمًا يؤثر بشكل مباشر على اختيار الزرعات ووضعها، وهو أمر أساسي للنجاح على المدى الطويل. تعقد تنوع تصميمات الزرعات ومكوناتها عملية التعرف، خاصة مع ظهور تصميمات جديدة وقد يتعامل عدة ممارسين مع زرعة واحدة على مر الزمن. تسلط الورقة الضوء على الدور التحويلي للذكاء الاصطناعي (AI) والتعلم العميق (DL) في تعزيز التصنيف، والكشف، والتنبؤ بزراعة الأسنان، مع تحسين دقة النموذج من خلال آليات الانتباه في الشبكات العصبية التلافيفية (CNNs) من خلال التركيز على الميزات ذات الصلة.
كما تستعرض المقدمة التقدمات الأخيرة في تطبيقات DL لتصوير الأسنان، مشيرة إلى معدلات دقة عالية حققتها نماذج مختلفة، مثل ResNet152V2 وVGG16، في تحديد علامات الزرعات والتنبؤ بنتائج الاندماج العظمي. ومع ذلك، تعترف بالتحديات المستمرة، بما في ذلك نطاقات الدراسة المحدودة، وعدم اتساق جودة الصور، وندرة البيانات، التي تعيق قوة نماذج التصنيف. لمعالجة هذه القضايا، تقترح الدراسة خط أنابيب جديد ومنهجي لتصنيف زراعة الأسنان يتضمن صور الأشعة السينية من علامات تجارية متعددة، مما يعزز القابلية للتعميم والموثوقية. يستخدم الإطار نماذج مدربة مسبقًا مثل VGG16 وResNet50 وXception، كل منها مختار لقوته في استخراج الميزات، مع الاعتراف أيضًا بالحاجة إلى موازنة التكاليف الحسابية ومخاطر الإفراط في التكيف. الأهداف الرئيسية هي تطوير إطار عمل مبتكر للتصنيف ودعم اتخاذ القرار السريري لتحسين نتائج المرضى.
الطرق
تحدد قسم “الطرق” المواد والمنهجيات المستخدمة في البحث. يوضح التصميم التجريبي، بما في ذلك اختيار المواد، وتحضير العينات، والتقنيات المحددة المستخدمة لجمع البيانات وتحليلها. يبرز القسم صرامة الطرق لضمان إمكانية تكرار النتائج وصحتها.
قد تشمل المنهجيات الرئيسية التحليلات الإحصائية، والنماذج الحسابية، أو الإجراءات المخبرية، التي تعتبر حاسمة لمعالجة الأسئلة البحثية المطروحة. يناقش القسم أيضًا أي ضوابط أو متغيرات تم أخذها في الاعتبار أثناء التجارب، مع تسليط الضوء على النهج المنهجي المتبع للتقليل من التحيز وتعزيز موثوقية النتائج. بشكل عام، يعد هذا القسم أساسًا لفهم النتائج والاستنتاجات اللاحقة المستخلصة في الدراسة.
المناقشة
في هذه الدراسة، تم استخدام مجموعة بيانات شاملة من الأشعة السينية لزراعة الأسنان من ثلاثة مصنّعين (Bicon وBego وITI) لتطوير وتقييم نماذج التصنيف. تتكون مجموعة البيانات من 275 و70 و166 صورة، على التوالي، مع خطوات معالجة مسبقة صارمة تشمل تغيير الحجم، وتوضيح الحواف، وتقليل الضوضاء، وزيادة التباين عبر CLAHE، وتغطية الزراعة. تم أيضًا استخدام زيادة البيانات لتعزيز قوة النموذج. أشارت النتائج إلى أن نموذج Bicon-Bego، الذي يستخدم صورًا معالجة مسبقًا ومقنعة، حقق أعلى مقاييس الأداء: دقة إيجابية قدرها 0.9600، واسترجاع قدره 0.9695، ودقة قدرها 0.9538، ودرجة F1 قدرها 0.9697، وROC AUC قدره 0.9733. تؤكد هذه النتائج على أهمية تقنيات المعالجة المسبقة في تحسين دقة التصنيف لزراعة الأسنان.
بالإضافة إلى ذلك، قارنت الدراسة بين أساليب التصنيف المختلفة، كاشفة أن النماذج المدمجة التي تجمع بين CNNs والمصنفات التقليدية (SVM وRF وDT) حققت أداءً متفوقًا، خاصة مع مصنف الغابة العشوائية الذي حقق دقة قدرها 0.8966 لتصنيف ITI مقابل Bego. من بين النماذج المدربة مسبقًا، أظهرت VGG16 فعالية استثنائية، محققة دقة قدرها 0.9865 لزراعة Bicon مقابل Bego، متجاوزة بشكل كبير المعايير السابقة في الأدبيات. تسلط الدراسة الضوء على الدور الحاسم للمعالجة المسبقة وبنية النموذج في تعزيز تصنيف زراعة الأسنان، مقترحة سبلًا للبحث المستقبلي لمزيد من تحسين هذه المنهجيات.
DOI: https://doi.org/10.1186/s12903-025-05704-0
PMID: https://pubmed.ncbi.nlm.nih.gov/40217522
Publication Date: 2025-04-11
Author(s): Reza Ahmadi Lashaki et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the efficacy of various classifiers and pre-trained models for classifying dental implant states using preprocessed radiographic images. A dataset of 511 periapical images was augmented to 5110 through techniques such as rotation, flipping, and scaling. The preprocessing pipeline included resizing, sharpening, noise reduction, contrast enhancement via CLAHE, implant-specific masking, and normalization. The classifiers employed were Convolutional Neural Networks (CNN), Convolutional Support Vector Machine (CSVM), Convolutional Decision Tree (CDT), and Convolutional Random Forest (CRF), while pre-trained models like VGG16, ResNet50, and Xception were utilized for enhanced feature extraction. Performance metrics such as accuracy, precision, recall, F1 score, and ROC AUC were evaluated using fivefold cross-validation.
The results indicated that the CRF classifier achieved the highest performance for ITI and Bego implants, with an accuracy of 0.8966, while the CNN excelled for Bicon implants, reaching an accuracy of 0.9533. Among pre-trained models, VGG16 demonstrated superior results for Bicon versus ITI classification, achieving an accuracy of 0.9865 and a ROC AUC of 0.9877. The study emphasizes the significant impact of data augmentation and preprocessing on classifier performance, highlighting that robust preprocessing, particularly the use of implant masks, is crucial for enhancing model accuracy. Despite the promising results, limitations such as a relatively small and imbalanced dataset, variability in image quality, and computational complexity of deep learning models were noted. Future research should aim to expand the dataset, improve image quality, and explore segmentation models like U-Net to further enhance classification performance. Overall, the findings underscore the transformative potential of deep learning in dental implant classification, paving the way for improved clinical decision support systems.
Introduction
The introduction of this research paper emphasizes the significance of dental implants as reliable solutions for restoring oral function and aesthetics in individuals with tooth loss. Despite their widespread use and advancements in technology, accurately identifying implants through radiographic images remains a critical challenge that directly impacts implant selection and placement, essential for long-term success. The diversity of implant designs and components complicates identification, particularly as new designs emerge and multiple practitioners may handle a single implant over time. The paper highlights the transformative role of artificial intelligence (AI) and deep learning (DL) in enhancing the classification, detection, and prediction of dental implants, with attention mechanisms in convolutional neural networks (CNNs) improving model accuracy by focusing on relevant features.
The introduction also reviews recent advancements in DL applications for dental imaging, noting high accuracy rates achieved by various models, such as ResNet152V2 and VGG16, in identifying implant brands and predicting osseointegration outcomes. However, it acknowledges persistent challenges, including limited study scopes, image quality inconsistencies, and data scarcity, which hinder the robustness of classification models. To address these issues, the study proposes a novel and systematic pipeline for dental implant classification that incorporates X-ray images from multiple brands, enhancing generalizability and robustness. The framework utilizes pre-trained models like VGG16, ResNet50, and Xception, each selected for their strengths in feature extraction, while also recognizing the need to balance computational costs and overfitting risks. The primary objectives are to develop an innovative classification framework and support clinical decision-making to improve patient outcomes.
Methods
The “Methods” section outlines the materials and methodologies employed in the research. It details the experimental design, including the selection of materials, sample preparation, and the specific techniques used for data collection and analysis. The section emphasizes the rigor of the methods to ensure reproducibility and validity of the findings.
Key methodologies may include statistical analyses, computational models, or laboratory procedures, which are crucial for addressing the research questions posed. The section also discusses any controls or variables considered during the experimentation, highlighting the systematic approach taken to mitigate bias and enhance the reliability of the results. Overall, this section serves as a foundation for understanding the subsequent findings and conclusions drawn in the study.
Discussion
In this study, a comprehensive dataset of dental implant radiographs from three manufacturers (Bicon, Bego, and ITI) was utilized to develop and evaluate classification models. The dataset comprised 275, 70, and 166 images, respectively, with rigorous preprocessing steps including resizing, edge sharpening, noise reduction, contrast enhancement via CLAHE, and implant masking. Data augmentation was also employed to enhance model robustness. The results indicated that the Bicon-Bego model, utilizing masked and preprocessed images, achieved the highest performance metrics: precision of 0.9600, recall of 0.9695, accuracy of 0.9538, F1 score of 0.9697, and ROC AUC of 0.9733. These findings underscore the importance of preprocessing techniques in improving classification accuracy for dental implants.
Additionally, the study compared various classification approaches, revealing that combined models integrating CNNs with traditional classifiers (SVM, RF, and DT) yielded superior performance, particularly with the Random Forest classifier achieving an accuracy of 0.8966 for the ITI vs. Bego classification. Among pre-trained models, VGG16 demonstrated exceptional effectiveness, achieving an accuracy of 0.9865 for Bicon vs. Bego, significantly surpassing previous benchmarks in the literature. The study highlights the critical role of preprocessing and model architecture in enhancing the classification of dental implants, suggesting avenues for future research to further refine these methodologies.