DOI: https://doi.org/10.1186/s12903-025-05652-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39988714
تاريخ النشر: 2025-02-23
المؤلف: Ekin Deniz Çatmabacak وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تبحث هذه الدراسة في فعالية خمسة نماذج تعلم عميق (DL) – DenseNet201 و EfficientNet B0 و ResNet-18 و VGG-19 و MaxVit-T – في اكتشاف أدوات الأسنان المكسورة (FEIs) في الأشعة السينية المحيطية (PAs)، وهي مهمة صعبة بسبب التعقيدات التشريحية. تم استخدام مجموعة بيانات تحتوي على 700 صورة أشعة سينية مشروحة، تتضمن 381 حالة بها FEIs، مع تقسيم 60/20/20 للتدريب والتحقق والاختبار. تم تقييم النماذج بناءً على الدقة، والمساحة تحت المنحنى (AUC)، ومعامل ارتباط ماثيوز (MCC)، مع تقييم الأهمية الإحصائية باستخدام اختبار فريدمان.
أشارت النتائج إلى أن DenseNet201 تفوقت على النماذج الأخرى، حيث حققت AUC قدره 0.900 و MCC قدره 0.810، مما يدل على إمكاناتها للتطبيق السريري في اكتشاف FEI. كما أظهرت ResNet-18 أداءً قويًا، بينما حققت EfficientNet B0 و VGG-19 نتائج متوسطة. في المقابل، كان أداء MaxVit-T قريبًا من التخمين العشوائي، مما يبرز ضرورة تحسين النماذج المستندة إلى المحولات وفقًا لمتطلبات المهمة. تؤكد الدراسة على أهمية مواءمة قدرات النموذج مع مهام التصوير الطبي المحددة لتعزيز دقة التشخيص وتحسين سير العمل السريري في طب الأسنان.
مقدمة
تستعرض مقدمة هذه الورقة البحثية التعقيدات والتحديات المرتبطة بعلاج قنوات الجذور (RCT)، مع التأكيد على ضرورة التنظيف الفعال والتعقيم وإغلاق نظام قناة الجذر لضمان بقاء الأسنان على المدى الطويل. يتم تسليط الضوء على استخدام أدوات متنوعة، بما في ذلك الفولاذ المقاوم للصدأ والتيتانيوم النيكل، إلى جانب الصعوبات التي تطرحها التباينات التشريحية وقيود التصوير ثنائي الأبعاد، والتي يمكن أن تؤدي إلى تشخيص خاطئ وتؤثر سلبًا على نتائج العلاج، خاصة بالنسبة للأطباء الأقل خبرة.
تناقش الورقة ظهور تقنيات التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، كأدوات واعدة لتعزيز دقة التشخيص في طب الأسنان. تشير إلى أن أداء CNNs يعتمد على تنوعها الهيكلي، بما في ذلك المعلمات الفائقة وتكوينات الطبقات، مما يتطلب اختيارًا دقيقًا للهياكل لتحقيق تنبؤات موثوقة. على الرغم من التقدم في تطبيقات DL في مجال طب الأسنان، لم يتم إجراء تحليل مقارن لمختلف نماذج CNN لاكتشاف أدوات الأسنان المكسورة (FEIs) من قبل. تهدف هذه الدراسة إلى سد هذه الفجوة من خلال تقييم أداء خمسة هياكل CNN – VGG-19 و EfficientNet B0 و DenseNet-201 و ResNet-18 و MaxVit-T – في اكتشاف FEIs في الأشعة السينية المحيطية (PAs)، مما يساهم في فهم دور DL في تحسين دقة التشخيص ونتائج العلاج في طب الأسنان.
الطرق
تستعرض قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم تنفيذ إطار تجريبي محكم لتقييم تأثير المتغير X على النتيجة Y. شملت جمع البيانات حجم عينة من N مشاركًا، تم اختيارهم من خلال العينة العشوائية الطبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية.
تم إجراء التحليلات الإحصائية باستخدام البرنامج Z، مع استخدام تقنيات مثل ANOVA وتحليل الانحدار لتقييم أهمية النتائج. تم تفسير النتائج مع التركيز على قيم p وفترات الثقة، مما يضمن استنتاجات قوية بشأن العلاقة بين المتغير X والنتيجة Y. بالإضافة إلى ذلك، شملت المنهجية تدابير لتقليل التحيز وتعزيز موثوقية النتائج، مثل التعمية والتوزيع العشوائي.
النتائج
يقدم قسم النتائج تقييمًا لخمس نماذج تعلم عميق (DL): DenseNet201 و EfficientNet B0 و VGG-19 و ResNet-18 و MaxVit-T. تشمل مقاييس الأداء التي تم تقييمها الدقة، والمساحة تحت المنحنى (AUC)، ومعامل ارتباط ماثيوز (MCC)، مع تقديم نتائج كمية مفصلة في الجدول 1. بالإضافة إلى ذلك، يتم تصوير مصفوفات الارتباك لكل نموذج في الشكل 2. مجموعة البيانات المستخدمة لهذا التقييم متوازنة، مما يعزز موثوقية مقاييس الدقة كمقياس لأداء النموذج.
المناقشة
في هذه الدراسة، تم تقييم أداء خمسة نماذج تعلم عميق (DL) – DenseNet201 و ResNet-18 و EfficientNet B0 و VGG-19 و MaxVit-T – لاكتشاف أدوات الأسنان المكسورة (FEIs) في الأشعة السينية المحيطية (PAs). تتكون مجموعة البيانات من 700 صورة أشعة مشروحة، حيث برز DenseNet201 كنموذج الأكثر فعالية، محققًا مساحة تحت المنحنى (AUC) قدرها 0.900 ومعامل ارتباط ماثيوز (MCC) قدره 0.810. ساعدت ابتكاراته المعمارية، مثل الاتصال الكثيف، في استخراج الميزات بشكل قوي وتقليل فقد المعلومات، مما جعله بارعًا بشكل خاص في التعامل مع تعقيدات التصوير السني. في المقابل، أظهر MaxVit-T أداءً أضعف بكثير، مع دقة قريبة من التخمين العشوائي، مما يبرز قيوده في مهام التصوير الطبي التي تتطلب استخراج ميزات محلية.
أشارت التحليلات الإحصائية إلى عدم وجود اختلافات كبيرة بين النماذج، مما قد يعكس حجم مجموعة البيانات وطبيعتها المتوازنة بدلاً من التماثل الحقيقي في الأداء. بينما أظهرت DenseNet201 و ResNet-18 قدرات موثوقة، تؤكد الدراسة على أهمية مواءمة بنية النموذج مع المهام التشخيصية المحددة. تؤكد النتائج على إمكانات تقنيات DL لتعزيز دقة التشخيص في طب الأسنان، على الرغم من الحاجة إلى مزيد من التحقق على مجموعات بيانات أكبر وأكثر تنوعًا لتأكيد هذه النتائج وتحسين إمكانية تعميم النماذج. يجب أن تستكشف الأبحاث المستقبلية أيضًا استراتيجيات تحسين للنماذج ذات الأداء الضعيف والتحقيق في نهج التصوير متعدد الوسائط للاستفادة الكاملة من قدرات DL في التصوير الطبي.
DOI: https://doi.org/10.1186/s12903-025-05652-9
PMID: https://pubmed.ncbi.nlm.nih.gov/39988714
Publication Date: 2025-02-23
Author(s): Ekin Deniz Çatmabacak et al.
Primary Topic: Dental Radiography and Imaging
Overview
This research investigates the efficacy of five deep learning (DL) models—DenseNet201, EfficientNet B0, ResNet-18, VGG-19, and MaxVit-T—in detecting fractured endodontic instruments (FEIs) in periapical radiographs (PAs), a challenging task due to anatomical complexities. A dataset of 700 annotated PAs, comprising 381 cases with FEIs, was utilized, with a 60/20/20 split for training, validation, and testing. The models were evaluated based on accuracy, area under the curve (AUC), and Matthews correlation coefficient (MCC), with statistical significance assessed using the Friedman test.
The results indicated that DenseNet201 outperformed the other models, achieving an AUC of 0.900 and an MCC of 0.810, demonstrating its potential for clinical application in FEI detection. ResNet-18 also showed robust performance, while EfficientNet B0 and VGG-19 yielded moderate results. In contrast, MaxVit-T’s performance was close to random guessing, highlighting the necessity for task-specific optimization in transformer-based models. The study emphasizes the importance of aligning model capabilities with specific medical imaging tasks to enhance diagnostic accuracy and improve clinical workflows in endodontics.
Introduction
The introduction of this research paper outlines the complexities and challenges associated with root canal treatment (RCT), emphasizing the necessity for effective cleaning, disinfection, and sealing of the root canal system to ensure long-term tooth survival. The use of various instruments, including stainless steel and nickel-titanium, is highlighted, alongside the difficulties posed by anatomical variations and limitations of two-dimensional imaging, which can lead to misdiagnosis and negatively affect treatment outcomes, particularly for less experienced clinicians.
The paper discusses the emergence of deep learning (DL) technologies, specifically convolutional neural networks (CNNs), as promising tools for enhancing diagnostic accuracy in endodontics. It notes that the performance of CNNs is contingent upon their structural diversity, including hyperparameters and layer configurations, which necessitates careful selection of architectures for reliable predictions. Despite the advancements in DL applications within dentistry, a comparative analysis of different CNN models for detecting fractured endodontic instruments (FEIs) has not been previously conducted. This study aims to fill that gap by evaluating the performance of five CNN architectures—VGG-19, EfficientNet B0, DenseNet-201, ResNet-18, and MaxVit-T—in detecting FEIs in periapical radiographs (PAs), thereby contributing to the understanding of DL’s role in improving diagnostic accuracy and clinical outcomes in endodontics.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing a controlled experimental framework to assess the effects of variable X on outcome Y. Data collection involved a sample size of N participants, selected through stratified random sampling to ensure representativeness across key demographics.
Statistical analyses were conducted using software Z, employing techniques such as ANOVA and regression analysis to evaluate the significance of the findings. The results were interpreted with a focus on p-values and confidence intervals, ensuring robust conclusions regarding the relationship between variable X and outcome Y. Additionally, the methodology included measures to mitigate bias and enhance the reliability of the results, such as blinding and randomization.
Results
The results section presents an evaluation of five deep learning (DL) models: DenseNet201, EfficientNet B0, VGG-19, ResNet-18, and MaxVit-T. The performance metrics assessed include Accuracy, Area Under the Curve (AUC), and Matthews Correlation Coefficient (MCC), with detailed quantitative results provided in Table 1. Additionally, the confusion matrices for each model are depicted in Figure 2. The dataset utilized for this evaluation is balanced, which enhances the reliability of the accuracy metrics as a measure of model performance.
Discussion
In this study, the performance of five deep learning (DL) models—DenseNet201, ResNet-18, EfficientNet B0, VGG-19, and MaxVit-T—was evaluated for detecting fractured endodontic instruments (FEIs) in periapical radiographs (PAs). The dataset comprised 700 annotated radiographs, with DenseNet201 emerging as the most effective model, achieving an area under the curve (AUC) of 0.900 and a Matthews Correlation Coefficient (MCC) of 0.810. Its architectural innovations, such as dense connectivity, facilitated robust feature extraction and minimized information loss, making it particularly adept at handling the complexities of dental imaging. In contrast, MaxVit-T exhibited significantly weaker performance, with an accuracy close to random guessing, highlighting its limitations in medical imaging tasks that require localized feature extraction.
Statistical analysis indicated no significant differences among the models, which may reflect the dataset’s size and balanced nature rather than true equivalence in performance. While DenseNet201 and ResNet-18 demonstrated reliable capabilities, the study emphasizes the importance of aligning model architecture with specific diagnostic tasks. The findings underscore the potential of DL technologies to enhance diagnostic accuracy in endodontics, although further validation on larger, more diverse datasets is necessary to confirm these results and improve the generalizability of the models. Future research should also explore optimization strategies for underperforming models and investigate multimodal imaging approaches to fully leverage the capabilities of DL in medical imaging.