DOI: https://doi.org/10.1186/s12903-024-05268-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39633335
تاريخ النشر: 2024-12-04
المؤلف: Shishir Shetty وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تدرس هذه الدراسة فعالية نماذج التعلم العميق، وبشكل خاص ResNet101V2، في الكشف عن حالات التداخل في الفركشن (FI) في صور الأشعة المقطعية المخروطية المحورية (CBCT)، مع معالجة فجوة ملحوظة في الأبحاث الحالية حول تشخيص أمراض اللثة. تتكون مجموعة البيانات من 285 صورة CBCT محورية، مصنفة إلى 143 حالة طبيعية (بدون FI) و142 حالة غير طبيعية (مع FI). من خلال زيادة البيانات، قام الباحثون بتوسيع مجموعة البيانات إلى 600 صورة (300 طبيعية و300 غير طبيعية) للتدريب، مع الاحتفاظ بـ 85 صورة (43 طبيعية و42 غير طبيعية) للاختبار.
أظهرت النتائج أداءً عاليًا لنموذج التعلم العميق، حيث حقق دقة تدريب تبلغ 98%، ودقة تحقق تبلغ 97%، ودقة اختبار تبلغ 91%. بالإضافة إلى ذلك، حقق النموذج دقة ودرجة F1 تبلغ 0.98، مع منطقة تحت المنحنى (AUC) تبلغ 0.98 وخسارة اختبار تبلغ 0.2170. بينما تشير هذه النتائج إلى أن نموذج ResNet101V2 يمكنه الكشف بفعالية عن FI في صور CBCT المحورية، يعترف المؤلفون بالطبيعة الأولية لدراستهم ويوصون بإجراء مزيد من الأبحاث مع مجموعة بيانات أكبر للتحقق من هذه النتائج.
مقدمة
تسلط المقدمة الضوء على أهمية الكشف المبكر عن التداخل في الفركشن (FI) في أمراض اللثة، وهو أمر حاسم لمنع تقدم المرض وفقدان الارتباط. تُستخدم الأشعة السينية التقليدية ثنائية الأبعاد، مثل الأشعة السينية داخل الفم والأشعة السينية المائلة، بشكل شائع للتشخيص نظرًا لتكلفتها المنخفضة وسهولة الوصول إليها؛ ومع ذلك، يتم الإشارة إلى قيودها في الكشف بدقة عن FI. تشير الدراسات الحديثة إلى أن الأشعة المقطعية المخروطية (CBCT) تقدم دقة تشخيصية متفوقة، تتماشى بشكل وثيق مع النتائج من جراحة الفتح المفتوح، بينما تظهر أيضًا عدم وجود اختلافات كبيرة في قياسات FI مقارنة بالتقييمات السريرية.
تناقش المقدمة أيضًا الدور المتزايد للذكاء الاصطناعي (AI) في طب الأسنان، لا سيما في مجالات علم التسوس وأمراض اللثة. تشمل تطبيقات الذكاء الاصطناعي في علم اللثة التصوير، وتوقع الأمراض، وتوقع نتائج العلاج، وتصنيف العلامات اللعابية. على الرغم من أن الأبحاث السابقة استكشفت فعالية نماذج التعلم العميق في الكشف عن فقدان العظام باستخدام الأشعة السينية التقليدية، إلا أن هناك فجوة ملحوظة في الدراسات التي تركز على دقة هذه النماذج في الكشف عن FI باستخدام صور CBCT. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال تقييم فعالية نموذج التعلم العميق في تحديد FI في صور CBCT المحورية.
طرق
في هذه الدراسة، تم فحص ما مجموعه 3000 مسح تم الحصول عليه من جهاز الأشعة المقطعية المخروطية Planmeca Viso G7 للتحقق من وجود تداخل في الفركشن (FI) في الأضراس الأولى السفلية. تم منح الموافقة الأخلاقية من قبل لجنة أخلاقيات البحث في جامعة الشارقة (REC-23-10-12-01-F). تم إجراء الفحص بواسطة فاحص واحد لديه 15 عامًا من الخبرة في الأشعة السنية، مع التركيز على المسحات من المرضى الذين تتراوح أعمارهم بين 18 و60 عامًا، بغض النظر عن الجنس. من بين المسحات الأولية، تم اعتبار 285 مؤهلة بناءً على معايير محددة، بما في ذلك إعدادات عالية الدقة (حجم فوكسل 150 ميكرومتر، 100 كيلو فولت، 12.5 مللي أمبير، و5 ثوانٍ زمن التعرض) ومجال رؤية (FOV) يتراوح من Ø3 × 3 إلى Ø6 × 6 سم.
تم استبعاد المسحات التي لم تغطي منطقة الاهتمام (ROI)، تحديدًا الضرس الأول السفلي، وكذلك تلك التي تظهر تسوسًا، أو ترميمات، أو كسور، أو علاجات قناة جذر سابقة. ركز التحليل على الشرائح المحورية للمسحات، مع أخذ لقطة شاشة عند الشريحة الأولى أسفل منطقة الفركشن لتصور الجذرين بشكل منفصل. لضمان الاتساق، تم قص الصور إلى أبعاد موحدة تبلغ 200 × 400 بكسل. كانت تصنيفات الصور تعتمد على وجود أو عدم وجود FI، وتصنيفها على أنها طبيعية أو غير طبيعية وفقًا لذلك.
نتائج
تشير نتائج الدراسة إلى أن النموذج حقق دقة تدريب تبلغ 98%، ودقة تحقق تبلغ 97%، ودقة اختبار تبلغ 91%. تم حساب الدقة باستخدام صيغة قياسية، وتم توضيح خسائر التدريب والتحقق في الأشكال المقابلة. أظهرت خسارة التدريب، الممثلة باللون الأزرق، وخسارة التحقق، المعروضة باللون البرتقالي، انخفاضًا تدريجيًا في الخطأ بمرور الوقت، بينما زادت الدقة، مما يشير إلى أن النموذج لا يعاني من الإفراط في التكيف.
تم تقديم مقاييس أداء إضافية في تقرير التصنيف لنموذج ResNet101V2، والتي شملت الدقة، والاسترجاع، ودرجة F1. تم تقييم فعالية النموذج في التعرف على الصور أيضًا باستخدام مصفوفة الارتباك. ومن الجدير بالذكر أن المنطقة تحت المنحنى (AUC) لدقة التشخيص تم الإبلاغ عنها عند 0.98، مما يشير إلى أن النموذج يعمل كتصنيف شبه مثالي.
مناقشة
في هذه الدراسة، تم استخدام مجموعة بيانات مخصصة تتكون من 285 صورة أشعة مقطعية مخروطية (CBCT) (143 طبيعية و142 غير طبيعية) لتدريب واختبار نموذج تعلم عميق للكشف عن التداخل في الفركشن (FI). تم تقسيم مجموعة البيانات إلى مجموعة اختبار مكونة من 85 صورة ومجموعة تدريب مكونة من 200 صورة، والتي تم زيادتها لإنشاء إجمالي 600 صورة. تم اختيار نموذج ResNet101V2 لأدائه المتفوق بين ثلاثة إصدارات من ResNet تم تحليلها (50، 101، و101v2). تضمنت المنهجية المعالجة المسبقة، وزيادة البيانات باستخدام “ImageDataGenerator” من Keras، وضبط النموذج من خلال عملية تدريب منظمة تضمنت تجميد وإلغاء تجميد الطبقات لتحسين الأداء.
تشير النتائج إلى أن نموذج ResNet101V2 حقق دقة اختبار تبلغ 91% ومنطقة تحت المنحنى (AUC) تبلغ 0.98، مما يدل على فعاليته في الكشف عن FI في صور CBCT المحورية. تسلط الدراسة الضوء على مزايا استخدام تقنيات التعلم الانتقالي وضبط الأداء، لا سيما في السيناريوهات التي تحتوي على مجموعات بيانات محدودة. ومع ذلك، تعترف بالقيود مثل استخدام الشرائح المحورية ثنائية الأبعاد بدلاً من المسحات ثلاثية الأبعاد وعدم القدرة على تصنيف FI بناءً على مدى فقدان العظام. يُوصى بإجراء أبحاث مستقبلية لاستكشاف هذه الجوانب بشكل أكبر، مما قد يعزز قابلية تطبيق النموذج ودقته في الإعدادات السريرية.
DOI: https://doi.org/10.1186/s12903-024-05268-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39633335
Publication Date: 2024-12-04
Author(s): Shishir Shetty et al.
Primary Topic: Dental Radiography and Imaging
Overview
This study investigates the efficacy of deep learning models, specifically ResNet101V2, in detecting furcation involvements (FI) in axial cone beam computed tomography (CBCT) images, addressing a notable gap in existing research on periodontal disease diagnostics. The dataset comprised 285 axial CBCT images, categorized into 143 normal (without FI) and 142 abnormal (with FI) cases. Through data augmentation, the researchers expanded the dataset to 600 images (300 normal and 300 abnormal) for training, while reserving 85 images (43 normal and 42 abnormal) for testing.
The results demonstrated high performance of the deep learning model, achieving a training accuracy of 98%, validation accuracy of 97%, and test accuracy of 91%. Additionally, the model yielded a precision and F1 score of 0.98, with an area under the curve (AUC) of 0.98 and a test loss of 0.2170. While these findings indicate that the ResNet101V2 model can effectively detect FI in axial CBCT images, the authors acknowledge the preliminary nature of their study and recommend further research with a larger dataset to validate these results.
Introduction
The introduction highlights the significance of early detection of furcation involvement (FI) in periodontal disease, which is crucial for preventing disease progression and attachment loss. Traditional two-dimensional radiographs, such as intraoral periapical and bitewing radiographs, are commonly employed for diagnosis due to their affordability and accessibility; however, their limitations in accurately detecting FI are noted. Recent studies indicate that cone beam computed tomography (CBCT) offers superior diagnostic accuracy, aligning closely with findings from open flap surgery, while also demonstrating no significant differences in measurements of FI compared to clinical assessments.
The introduction further discusses the growing role of artificial intelligence (AI) in dentistry, particularly in the domains of cariology and periodontal diseases. AI applications in periodontology include imaging, disease prediction, treatment outcome forecasting, and salivary marker classification. Although previous research has explored the efficacy of deep learning models in detecting bone loss using traditional radiographs, there is a notable gap in studies focusing on the accuracy of these models for detecting FI using CBCT images. This study aims to address this gap by evaluating the effectiveness of a deep learning model in identifying FI in axial CBCT images.
Methods
In this study, a total of 3000 scans obtained from the Planmeca Viso G7 CBCT machine were screened to investigate the presence of furcation involvement (FI) in mandibular first molars. Ethical approval was granted by the University of Sharjah’s research ethics committee (REC-23-10-12-01-F). The screening was conducted by a single examiner with 15 years of experience in dental radiology, focusing on scans from patients aged 18 to 60 years, regardless of gender. Out of the initial scans, 285 were deemed eligible based on specific criteria, including high-resolution settings (150 μm voxel size, 100 kVp, 12.5 mA, and 5 s exposure time) and a field of view (FOV) ranging from Ø3 × 3 to Ø6 × 6 cm.
Scans that did not cover the region of interest (ROI), specifically the mandibular first molar, were excluded, as were those exhibiting caries, restorations, fractures, or prior root canal treatments. The analysis focused on the axial slices of the scans, with a screenshot taken at the first slice below the furcation area to visualize the two roots separately. To ensure consistency, the images were cropped to a uniform dimension of 200 × 400 pixels. The classification of the images was based on the presence or absence of FI, categorizing them as normal or abnormal accordingly.
Results
The results of the study indicate that the model achieved a training accuracy of 98%, a validation accuracy of 97%, and a test accuracy of 91%. The accuracy was calculated using a standard formula, and the training and validation losses were illustrated in the corresponding figures. The training loss, represented in blue, and the validation loss, shown in orange, demonstrated a gradual decrease in error over time, while accuracy increased, suggesting that the model is not overfitting.
Further performance metrics were provided in the classification report for the ResNet101V2 model, which included precision, recall, and F1-score. The model’s effectiveness in image recognition was also evaluated using a confusion matrix. Notably, the area under the curve (AUC) for diagnostic accuracy was reported at 0.98, indicating the model functions as a nearly perfect classifier.
Discussion
In this study, a custom dataset comprising 285 cone beam computed tomography (CBCT) images (143 normal and 142 abnormal) was utilized to train and test a deep learning model for detecting furcation involvement (FI). The dataset was divided into a testing set of 85 images and a training set of 200 images, which were augmented to create a total of 600 images. The ResNet101V2 model was selected for its superior performance among three versions of ResNet analyzed (50, 101, and 101v2). The methodology involved pre-processing, data augmentation using Keras’ “ImageDataGenerator,” and fine-tuning the model through a structured training process that included freezing and unfreezing layers to optimize performance.
The findings indicate that the ResNet101V2 model achieved a test accuracy of 91% and an area under the curve (AUC) of 0.98, demonstrating its effectiveness in detecting FI in axial CBCT images. The study highlights the advantages of using transfer learning and fine-tuning techniques, particularly in scenarios with limited datasets. However, it acknowledges limitations such as the use of two-dimensional axial slices instead of three-dimensional scans and the inability to classify FI based on the extent of bone loss. Future research is recommended to explore these aspects further, potentially enhancing the model’s applicability and accuracy in clinical settings.