DOI: https://doi.org/10.1007/s10103-025-04297-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39849248
تاريخ النشر: 2025-01-23
المؤلف: Abdullah Ammar Karcıoğlu وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تتناول البحث التحديات المتعلقة بتحديد لون الأسنان الاصطناعية بدقة في عيادات الأسنان، وخاصة بسبب ظاهرة الميتاميرزم، التي تؤثر على إدراك اللون تحت ظروف الإضاءة المتغيرة. غالبًا ما تكون الطرق التقليدية لتقييم اللون ذات طابع شخصي ومكلفة، مما يدفع لاستكشاف تقنيات الذكاء الاصطناعي (AI) لتعزيز الدقة وتقليل التكاليف. يقدم هذا البحث نهج تعلم الآلة (ML) الذي يستخدم مجموعة بيانات تتكون من 580 صورة أسنان تم التقاطها تحت أربعة ظروف إضاءة سريرية مختلفة، باستخدام دليل لون فيتا.
تظهر النتائج التجريبية معدل دقة مرتفع يبلغ 97.93% في تصنيف 29 قيمة لونية، بغض النظر عن الإضاءة السريرية المستخدمة، تم تحقيقه من خلال التحقق المتبادل (cv = 5). استخدمت الدراسة خوارزميات ML مختلفة وتوزيعات لونية، مع مصفوفة ارتباك تشير إلى وجود تصنيف خاطئ واحد فقط، مما يبرز فعالية نموذج ML في التغلب على قيود طرق تحديد اللون التقليدية. تشير النتائج إلى أن ML يمكن أن يحسن بشكل كبير دقة تقييمات لون الأسنان، مما يقلل من آثار الميتاميرزم في الممارسات السنية.
مقدمة
تناقش مقدمة ورقة البحث أهمية الجماليات البصرية في علاج الأسنان الاصطناعية، مع التركيز بشكل خاص على التحديات المرتبطة بالكشف الدقيق ونقل درجات لون الأسنان. تسلط الضوء على أن إدراك اللون في الأسنان الاصطناعية يتأثر بعوامل مختلفة، بما في ذلك مصدر الضوء، والمراقب، والخصائص الجوهرية للأسنان، مما يؤدي إلى عمليات كشف لون ذات طابع شخصي. تعقد ظاهرة الميتاميرزم، حيث تظهر الألوان بشكل مختلف تحت ظروف إضاءة متغيرة، اختيار درجات الأسنان الاصطناعية المناسبة، مما يؤدي غالبًا إلى تناقضات جمالية.
تستعرض الورقة طريقتين رئيسيتين لتحديد درجة لون الأسنان: الطرق البصرية، مثل أدلة الألوان، والطرق الآلية، بما في ذلك الطيفيات ومقاييس الألوان. بينما تعتبر الطرق البصرية شائعة، إلا أنها يمكن أن تؤدي إلى عدم الاتساق وفشل العلاج، بينما تواجه الطرق الآلية تحديات تتعلق بالتوحيد والتكلفة. يقدم البحث نهجًا جديدًا يستخدم خوارزميات تعلم الآلة (ML) لمطابقة الألوان في صور الأسنان، بهدف تعزيز الدقة وتقليل الخطأ البشري في اختيار الدرجات. تشير النتائج إلى أن هذه التقنية يمكن أن تصنف بفعالية ظروف الإضاءة السريرية المختلفة ودرجات لون الأسنان بدقة عالية، مما يعالج قيود الطرق التقليدية ويقلل من تأثير الميتاميرزم في الممارسات السنية.
طرق
في هذه الدراسة، استخدم المؤلفون فضاء اللون HSV، وتوزيعات الألوان، وخوارزميات تعلم الآلة (ML) لتطوير نموذج فعال لمطابقة الألوان في صور الأسنان. باستخدام دليل لون Vitapan 3D Master، تم التقاط صور لدرجات لون الأسنان باستخدام iPhone 13 Pro Max تحت أربعة ظروف إضاءة سريرية متميزة: الضوء الطبيعي، الضوء الفلاش، الضوء الأبيض، والضوء الأصفر. تم توحيد كل صورة، تم التقاطها من مسافة ثابتة تبلغ 20 سم ضد خلفية رمادية، وتم معالجتها لإنشاء مجموعة بيانات تضمنت قيم الألوان وظروف الإضاءة المقابلة. تم تنفيذ خوارزميات ML في بايثون، مع استخدام توزيعات الألوان كمدخلات عددية للتصنيف.
أظهرت النتائج التجريبية أداءً عاليًا في التعرف على الألوان عبر ظروف الإضاءة المختلفة. حقق مصنف الدعم غير الخطي (SVC) أعلى دقة بلغت 97.13% لتصنيف ظروف الإضاءة السريرية الأربعة و92.53% لتمييز 29 قيمة لونية. بشكل ملحوظ، تحت الضوء الأبيض، وصلت دقة التصنيف لـ 29 لونًا إلى 100%، بينما في الضوء الطبيعي كانت 99.31%. كما أبرزت الدراسة قوة خوارزمية SVC غير الخطية، التي تفوقت باستمرار على الطرق الأخرى، محققة معدلات دقة بلغت 99.83% لتصنيف الضوء السريري و97.93% لتصنيف الألوان خلال التحقق المتبادل. تشير هذه النتائج إلى أن الذكاء الاصطناعي يمكن أن يعالج بفعالية التحديات المتعلقة بالميتاميرزم في مطابقة ألوان الأسنان، كما يتضح من مصفوفات الارتباك التي تشير إلى وجود اختلافات طفيفة بين القيم المتوقعة والفعلية.
مناقشة
في قسم المناقشة، يستعرض المؤلفون منهجيات مختلفة لتقييم لون الأسنان، مع تسليط الضوء على المقارنة بين تقنيات مطابقة الألوان التقليدية والمساعدة بالكمبيوتر. يشيرون إلى أن الهواتف الذكية يمكن أن تعمل بفعالية كأدوات قياس اللون في عيادات الأسنان، على الرغم من أن الدراسات تشير إلى قيود في أدلة الألوان بسبب القيم اللونية المحدودة. يلخص المؤلفون استخدام مساحات لونية مختلفة (RGB، HSV، Lab) وطرق الذكاء الاصطناعي (مثل آلات الدعم الشعاعي، أقرب الجيران K) في الأدبيات، مع التأكيد على التباين في الدقة عبر الدراسات.
تقدم الدراسة نهج تعلم الآلة (ML) الذي يستخدم توزيعات الألوان لتصنيف درجات لون الأسنان تحت ظروف إضاءة سريرية مختلفة. يبلغ المؤلفون عن معدل دقة مرتفع يبلغ 97.93% تم تحقيقه باستخدام مصنف الدعم غير الخطي، مع الإشارة بشكل خاص إلى أن الضوء السريري الأبيض حقق دقة تصنيف مثالية. يؤكدون أن الطريقة المقترحة موضوعية وفعالة من حيث التكلفة وقابلة للنقل، مما يعزز قابليتها للتطبيق العملي في الإعدادات السريرية. ومع ذلك، يعترفون بأهمية المعايرة وتجربة المستخدم للحفاظ على الدقة. يدعو المؤلفون إلى دراسات مستقبلية في vivo للتحقق من الأهمية السريرية لنتائجهم ويقترحون أن توسيع نطاق أدلة الألوان يمكن أن يعزز شمولية البحث.
القيود
تعترف الدراسة بعدة قيود، تتعلق أساسًا بأدلة الألوان المستخدمة، التي تتكون من مواد خزفية متعددة الطبقات. بينما خضعت عينات اللون الخزفية للتوحيد، قد لا تزال توجد اختلافات في اللون عند مقارنتها بالأسنان الطبيعية. وهذا يشير إلى أن النتائج قد لا تترجم بالكامل إلى الإعدادات السريرية. لتعزيز صحة النتائج، يُوصى بإجراء مزيد من الدراسات في vivo لتقييم الأهمية السريرية لهذه الاختلافات اللونية.
DOI: https://doi.org/10.1007/s10103-025-04297-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39849248
Publication Date: 2025-01-23
Author(s): Abdullah Ammar Karcıoğlu et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research addresses the challenges of accurately determining the color of prosthetic teeth in dental clinics, particularly due to the phenomenon of metamerism, which affects color perception under varying lighting conditions. Traditional methods for color assessment are often subjective and costly, prompting the exploration of artificial intelligence (AI) technologies to enhance accuracy and reduce costs. This study introduces a machine learning (ML) approach that utilizes a dataset of 580 dental images captured under four different clinical lighting conditions, employing the Vita color shade guide.
The experimental results demonstrate a high accuracy rate of 97.93% in classifying 29 color values, independent of the clinical lighting used, achieved through cross-validation (cv = 5). The study employed various ML algorithms and color histograms, with a confusion matrix indicating only one misclassification, highlighting the effectiveness of the ML model in overcoming the limitations of traditional color determination methods. The findings suggest that ML can significantly improve the precision of tooth shade assessments, thereby mitigating the effects of metamerism in dental practices.
Introduction
The introduction of the research paper discusses the significance of visual aesthetics in prosthetic dental treatment, particularly focusing on the challenges associated with accurately detecting and transferring tooth shades. It highlights that color perception in dental prosthetics is influenced by various factors, including light source, observer, and the inherent properties of the tooth, leading to subjective color detection processes. The phenomenon of metamerism, where colors appear differently under varying lighting conditions, complicates the selection of appropriate prosthetic shades, often resulting in aesthetic discrepancies.
The paper outlines two primary methods for tooth shade identification: visual methods, such as shade guides, and instrumental methods, including spectrophotometers and colorimeters. While visual methods are prevalent, they can lead to inconsistencies and treatment failures, whereas instrumental methods face challenges related to standardization and cost. The study introduces a novel approach utilizing machine learning (ML) algorithms for color matching of dental images, aiming to enhance accuracy and minimize human error in shade selection. The findings indicate that this technology can effectively classify different clinical lighting conditions and tooth shades with high accuracy, thereby addressing the limitations of traditional methods and reducing the impact of metamerism in dental practices.
Methods
In this study, the authors employed HSV color space, color histograms, and machine learning (ML) algorithms to develop an effective model for color matching in dental images. Utilizing the Vitapan 3D Master shade guide, images of tooth shades were captured using an iPhone 13 Pro Max under four distinct clinical lighting conditions: natural light, flash light, white light, and yellow light. Each image was standardized, taken from a fixed distance of 20 cm against a gray background, and processed to create a dataset that included color values and corresponding lighting conditions. The ML algorithms were implemented in Python, with color histograms serving as numerical inputs for classification.
The experimental results demonstrated high performance in color recognition across various lighting conditions. The Nonlinear Support Vector Classifier (SVC) achieved the highest accuracy of 97.13% for classifying the four clinical light conditions and 92.53% for distinguishing 29 color values. Remarkably, under white light, the classification accuracy for the 29 colors reached 100%, while in natural light, it was 99.31%. The study also highlighted the robustness of the Nonlinear SVC algorithm, which consistently outperformed other methods, achieving accuracy rates of 99.83% for clinical light classification and 97.93% for color classification during cross-validation. These findings suggest that artificial intelligence can effectively address metamerism-related challenges in dental color matching, as evidenced by the confusion matrices indicating minimal discrepancies between predicted and actual values.
Discussion
In the discussion section, the authors review various methodologies for tooth color assessment, highlighting the comparison between traditional and computer-assisted color matching techniques. They note that smartphones can effectively serve as color measurement tools in dental clinics, although studies indicate limitations in shade guides due to restricted color values. The authors summarize the use of different color spaces (RGB, HSV, Lab) and artificial intelligence methods (e.g., Support Vector Machines, K-nearest neighbor) in the literature, emphasizing the variability in accuracy across studies.
The study presents a machine learning (ML) approach utilizing color histograms for tooth shade classification under various clinical lighting conditions. The authors report a high accuracy rate of 97.93% achieved with the Nonlinear Support Vector Classifier, particularly noting that white clinical light yielded a perfect classification accuracy. They assert that the proposed method is objective, cost-effective, and portable, enhancing its practical applicability in clinical settings. However, they acknowledge the importance of calibration and user experience for maintaining accuracy. The authors advocate for future in vivo studies to further validate the clinical relevance of their findings and suggest that expanding the range of shade guides could enhance the comprehensiveness of the research.
Limitations
The study acknowledges several limitations, primarily concerning the shade guides utilized, which are composed of layered ceramic materials. While the ceramic color samples have undergone standardization, discrepancies in color may still exist when compared to natural teeth. This suggests that the findings may not fully translate to clinical settings. To enhance the validity of the results, further in vivo studies are recommended to assess the clinical significance of these color differences.