DOI: https://doi.org/10.1038/s41598-025-28459-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41507235
تاريخ النشر: 2026-01-08
المؤلف: Amira Abdelhafeez Elkhatib وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم البحث Pulp-Caries-GAN، وهو شبكة تنافسية مولدة مبتكرة مصممة لتعزيز الكشف المبكر عن تسوس الأسنان في الفئات السكانية للأطفال. يستخدم هذا الإطار بنية متعددة الخسائر تدمج خسائر تنافسية، وخسائر بكسل، وخسائر إدراكية، وخسائر تشابه هيكلي، إلى جانب استراتيجية تحسين مستوحاة من اللب. يهدف هذا النهج إلى توليد صور أسنان صناعية عالية الدقة مع الحفاظ على التناسق التشريحي من خلال تنظيم مكاني متكيف وقناع تشريحي. تظهر النتائج التجريبية على مجموعة بيانات تتكون من 193 صورة موضحة من أطفال تتراوح أعمارهم بين 2-13 عامًا تحسينات كبيرة في جودة توليد الصور، مع مقاييس مثل مسافة فريشيت (FID) تبلغ 154.87 ومعامل دايس يبلغ 95.12% لمهام التقسيم باستخدام شبكة U-Net الكثيفة الهرمية.
أكدت التحقق السريري من قبل أطباء الأسنان الأطفال أن 87% من الصور الصناعية كانت غير قابلة للتمييز عن الأشعة السينية الحقيقية، مع ظهور 94% من الآفات الصناعية أنماط تقدم تشريحي صحيحة. تشير هذه النتائج إلى أن Pulp-Caries-GAN لا يعزز فقط جودة الصور الصناعية ولكن أيضًا يحسن قدرات الكشف في البيئات السريرية، محققًا انخفاضًا بنسبة 23% في معدلات الإيجابيات الكاذبة. ومع ذلك، يعترف البحث بالقيود مثل مجموعة البيانات من مركز واحد وقضايا القابلية للتعميم المحتملة. ستركز الأبحاث المستقبلية على توسيع مجموعة البيانات، ودمج أنماط التصوير المتنوعة، وتطوير أنظمة دعم القرار السريري في الوقت الحقيقي لمزيد من التحقق وتسهيل اعتماد هذه التكنولوجيا في طب الأسنان للأطفال.
مقدمة
في هذا القسم، يقدم المؤلفون تحليل أداء محدد للمجال لنموذجهم، مع التركيز على التباينات في الدقة عبر مجموعات عمرية مختلفة وأنواع الآفات. يظهر النموذج أعلى دقة للمرضى الأطفال، الذين يشكلون مجموعة التدريب الأساسية، بينما لا يزال يظهر أداءً ذا صلة سريريًا عبر جميع الفئات العمرية. من الجدير بالذكر أن هناك تراجعًا في الأداء للمرضى البالغين، مع انخفاض في درجة دايس بنسبة 7.55% مقارنة بمجموعة الأطفال. يُعزى هذا التدهور إلى الاختلافات التشريحية مثل ترميم الأسنان، وأمراض اللثة، وتغيرات في شكل الأسنان، والتي لا تمثل بشكل كافٍ في بيانات التدريب.
يحقق النموذج أعلى دقة له في الكشف عن تسوس الأسنان الإطباقية، مع درجة دايس تبلغ 96.78%. يعود هذا النجاح إلى حد كبير إلى تنفيذ تنظيم مكاني مستوحى من اللب، والذي يحافظ بشكل فعال على الشكل الحيوي للثغرات والشقوق اللازمة للتشخيص الدقيق. يتم تفصيل النتائج بشكل أكبر في الجدول 15، الذي يلخص مقاييس الأداء مقسمة حسب الخصائص الديموغرافية للمرضى وخصائص الآفات عبر مجموعات بيانات التحقق الخارجية المختلفة.
طرق البحث
في هذه الدراسة، استخدم إيون يونغ بارك وآخرون خوارزميات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs) مثل U-Net وResNet-18 وFaster R-CNN، لتقسيم أسطح الأسنان في صور الأسنان للأطفال. استخدم البحث مجموعة بيانات تتكون من 193 صورة موضحة من 106 مرضى تتراوح أعمارهم بين 2-13 عامًا، تم جمعها في مستشفى هانغتشو شيشا لطب الأسنان. تضمنت مجموعة البيانات 123 صورة شعاعية بانورامية و93 صورة إضافية، مع خطوات معالجة مسبقة مثل التطبيع، وتساوي الهيستوجرام، واستخراج البقع لتعزيز تدريب النموذج. نظرًا لحجم مجموعة البيانات المحدود، تم تنفيذ استراتيجيات قوية لزيادة البيانات لتحسين قابلية تعميم النموذج.
أجرى المؤلفون تحققًا تجريبيًا لوظيفة الخسارة المستوحاة من اللب المقترحة مقابل أربع طرق معروفة للتنظيم المكاني: تنظيم التباين الكلي (TV)، وخسارة التصفية الثنائية، وخسارة VGG الإدراكية، وL2 نعومة الفضاء. تم دمج جميع الطرق في هياكل شبكات تنافسية مولدة (GAN) متطابقة وتدريبها لمدة 200 دورة، مما يضمن مقارنة عادلة. كشفت التحليلات الإحصائية، بما في ذلك اختبارات t المزدوجة مع تصحيح بونفيروني، أن Pulp-Caries-GAN تفوقت بشكل كبير على الطرق الأساسية عبر مجموعات بيانات مختلفة، مع نتائج تشير إلى أحجام تأثير كبيرة (Cohen’s d > 1.0) وتحسينات ذات دلالة إحصائية (p < 0.001). هذا يؤكد الصلة السريرية وموثوقية المنهجية المقترحة في تطبيقات تصوير الأسنان للأطفال.
النتائج
يقدم البحث تقدمًا كبيرًا في تصوير الأسنان للأطفال من خلال إطار عمل Pulp-Caries-GAN، الذي يحقق مسافة فريشيت (FID) تبلغ 154.87، ودرجة إدراك (IS) تبلغ 80.12، ونسبة ذروة الإشارة إلى الضوضاء (PSNR) تبلغ 80.04. يتجاوز هذا النموذج تسعة هياكل GAN أخرى من خلال استخدام تنظيم مكاني مستوحى من البيولوجيا، مما يعالج بشكل فعال تحدي مجموعات البيانات المعلّمة المحدودة في طب الأسنان للأطفال. أدى زيادة البيانات الصناعية إلى زيادة ملحوظة في درجات دايس للتقسيم من 89.75% إلى 95.12% (زيادة بمقدار 5.37 نقطة مئوية، p < 0.001)، مما يظهر فعالية النموذج. أكد التحقق الخارجي عبر ثلاث مجموعات بيانات عامة قابلية تعميم النموذج، مما أسفر عن تحسينات متسقة تتراوح بين 4-7 نقاط مئوية مقارنة بالطرق الأساسية، على الرغم من التحولات المتوسطة في المجال (3.25-7.00%). أشارت التقييمات من الخبراء إلى أن 87% من الصور المولدة كانت غير قابلة للتمييز عن الأشعة السينية الحقيقية، و94% عرضت أنماط آفات صحيحة تشريحيًا. سريريًا، تسهل تحسينات النموذج في الكشف عن الآفات (حساسية 97.2% لتسوس الأسنان الإطباقية و94.8% لتسوس الأسنان القريبة) وتحديد الحدود (معامل دايس 95.12%) العلاجات غير الغازية والتدابير الوقائية الدقيقة. علاوة على ذلك، تشير التحليلات الاقتصادية إلى إمكانية تقليل تكاليف العلاج بنسبة 18-25% من خلال التدخلات المبكرة، مما يفيد الفئات المحرومة من خلال تعزيز قدرات التشخيص للأطباء العامين في غياب أطباء الأسنان المتخصصين للأطفال.
المناقشة
في قسم المناقشة من الورقة، يتم مراجعة مجموعة متنوعة من الهياكل المتقدمة للتعلم العميق لاكتشاف تسوس الأسنان لدى الأطفال، مع تسليط الضوء على التحسينات الكبيرة في دقة التقسيم. تشمل الهياكل البارزة متغيرات U-Net مثل U-Net++ وU-Net3+ وResidual Attention U-Net، التي تعزز من انتشار الميزات وتركز على الميزات ذات الصلة بينما تخفف الضوضاء. تظهر الدراسات التي أجراها إيون يونغ بارك وآخرون وشونف ينغ وآخرون فعالية هذه النماذج، حيث تحقق دقة تصنيف تبلغ 0.813 و0.7487، على التوالي، مما يشير إلى تقدم كبير في اكتشاف وتحديد مواقع الآفات التسوسية. بالإضافة إلى ذلك، يؤكد البحث على أهمية مجموعات البيانات الشاملة وعمليات التوضيح القوية لتحسين قابلية تعميم النموذج وتطبيقه السريري.
تناقش الورقة أيضًا تطبيق الشبكات التنافسية المولدة (GANs) لزيادة صور تسوس الأسنان، مع معالجة التحديات التي تطرحها مجموعات البيانات المحدودة. تُلاحظ هياكل GAN المختلفة، بما في ذلك CycleGAN وStyleGAN، لقدرتها على توليد صور عالية الدقة مصممة لاحتياجات التدريب المحددة. ومع ذلك، يحدد المؤلفون فجوات بحثية حاسمة، مثل الاعتماد على مجموعات بيانات صغيرة ومتجانسة والحاجة إلى نهج شاملة تدمج أنماط التصوير المتعددة. تهدف الأسئلة البحثية المطروحة إلى تعزيز تنوع مجموعة البيانات، وتحسين عمليات التوضيح، وتطوير نماذج يمكنها التعامل بفعالية مع تعقيدات الممارسة السريرية، مع السعي في النهاية لتعزيز دقة التشخيص ونتائج المرضى في طب الأسنان للأطفال.
القيود
تقدم الدراسة عدة قيود تؤثر على نتائجها وقابليتها للتطبيق في المستقبل. أولاً، بينما تظهر الخوارزمية المستوحاة من اللب مزايا تجريبية وتتوافق مع التواصل بين الخلايا البيولوجية، فإن التمثيل الرياضي باستخدام دالة الانحدار الغاوسي \( w(d_{i,j,p}) = \exp\left(-\frac{d_{i,j,p}^2}{2\sigma^2}\right) \) يبسط الديناميات المعقدة للإشارات التي تتوسطها نقاط الاتصال. يجب أن تتضمن النماذج المستقبلية الديناميات الزمنية، والإشارات ثنائية الاتجاه، والتفاعلات المحددة لنوع الخلية لتعزيز الدقة البيولوجية. ثانيًا، تتطلب أوزان القناع التشريحي \( \alpha, \beta, \gamma \) ضبطًا من قبل الخبراء، مما يشير إلى أن طرق التعلم الآلي الآلي يمكن أن تحسن من القدرة على التكيف عبر السياقات السريرية المختلفة.
بالإضافة إلى ذلك، قد يؤدي اعتماد الدراسة على بيانات من مركز واحد من مستشفى هانغتشو شيشا لطب الأسنان إلى إدخال تحيزات، مما يبرز الحاجة إلى دراسات متعددة المؤسسات مع بروتوكولات موحدة لتعزيز القابلية للتعميم. تشير الفجوات الملحوظة في التعميم (3.25-7.00%) إلى إمكانية التحسين من خلال التكيف مع المجال أو التعلم الفيدرالي. علاوة على ذلك، يحد التركيز على الأشعة السينية البانورامية ثنائية الأبعاد من قابلية تطبيق النتائج، حيث تستخدم الممارسة السريرية بشكل متزايد تقنيات التصوير ثلاثية الأبعاد. تشير النتائج الأولية إلى أن الطرق المقترحة يمكن أن تمتد إلى السياقات ثلاثية الأبعاد، على الرغم من زيادة المتطلبات الحاسوبية. أخيرًا، بينما تشير التقييمات الأولية إلى فعالية النموذج، فإن التحقق السريري على المدى الطويل من خلال تجارب عشوائية محكومة ضروري لتحديد تأثيره على نتائج المرضى. قد تحد التكلفة الحاسوبية للنموذج أيضًا من استخدامه في البيئات ذات الموارد المحدودة، مما يشير إلى الحاجة إلى تقنيات تحسين النموذج لتعزيز الوصول.
DOI: https://doi.org/10.1038/s41598-025-28459-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41507235
Publication Date: 2026-01-08
Author(s): Amira Abdelhafeez Elkhatib et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research introduces Pulp-Caries-GAN, an innovative generative adversarial network designed to enhance the early detection of dental caries in pediatric populations. This framework employs a multi-loss architecture that integrates adversarial, pixel-wise, perceptual, and structural similarity losses, alongside a pulp-inspired metaheuristic optimization strategy. This approach aims to generate high-fidelity synthetic dental images while preserving anatomical coherence through spatially-adaptive regularization and anatomical masking. Experimental results on a dataset of 193 annotated images from children aged 2-13 demonstrate significant improvements in image synthesis quality, with metrics such as a Fréchet Inception Distance (FID) of 154.87 and a Dice coefficient of 95.12% for segmentation tasks using the Hierarchical Dense U-Net.
Clinical validation by pediatric dentists confirmed that 87% of the synthetic images were indistinguishable from real radiographs, with 94% of synthetic lesions showing anatomically correct progression patterns. These findings suggest that Pulp-Caries-GAN not only enhances the quality of synthetic images but also improves detection capabilities in clinical settings, achieving a 23% reduction in false positive rates. However, the study acknowledges limitations such as the single-center dataset and potential generalizability issues. Future research will focus on expanding the dataset, incorporating diverse imaging modalities, and developing real-time clinical decision support systems to further validate and facilitate the adoption of this technology in pediatric dentistry.
Introduction
In this section, the authors present a domain-specific performance analysis of their model, focusing on variations in accuracy across different patient age groups and lesion types. The model exhibits the highest accuracy for pediatric patients, who constitute the primary training population, while still demonstrating clinically relevant performance across all age groups. Notably, there is a performance decline for adult patients, with a 7.55% lower Dice score compared to the pediatric group. This degradation is attributed to anatomical differences such as dental restorations, periodontal disease, and altered tooth morphology, which are not adequately represented in the training data.
The model achieves its highest accuracy for detecting occlusal caries, with a Dice score of 96.78%. This success is largely due to the implementation of pulp-inspired spatial regularization, which effectively preserves the critical pit-and-fissure morphology necessary for accurate diagnosis. The findings are further detailed in Table 15, which summarizes performance metrics stratified by patient demographics and lesion characteristics across various external validation datasets.
Methods
In this study, Eun Young Park et al. employed deep learning algorithms, specifically convolutional neural networks (CNNs) such as U-Net, ResNet-18, and Faster R-CNN, to segment tooth surfaces in pediatric dental images. The research utilized a dataset of 193 annotated images from 106 patients aged 2-13 years, collected at Hangzhou Xiasha Dental Hospital. The dataset included 123 panoramic radiographs and 93 supplementary images, with preprocessing steps like normalization, histogram equalization, and patch extraction to enhance model training. Due to the limited dataset size, robust data augmentation strategies were implemented to improve model generalizability.
The authors conducted empirical validation of their proposed pulp-inspired loss function against four established spatial regularization methods: Total Variation (TV) Regularization, Bilateral Filtering Loss, VGG Perceptual Loss, and L2 Spatial Smoothness. All methods were integrated into identical generative adversarial network (GAN) architectures and trained for 200 epochs, ensuring a fair comparison. Statistical analyses, including paired t-tests with Bonferroni correction, revealed that the Pulp-Caries-GAN significantly outperformed baseline methods across various datasets, with results indicating large effect sizes (Cohen’s d > 1.0) and statistically significant improvements (p < 0.001). This confirms the clinical relevance and reliability of the proposed methodology in pediatric dental imaging applications.
Results
The research presents significant advancements in pediatric dental imaging through the Pulp-Caries-GAN framework, which achieves a Fréchet Inception Distance (FID) of 154.87, Inception Score (IS) of 80.12, and Peak Signal-to-Noise Ratio (PSNR) of 80.04. This model surpasses nine other GAN architectures by employing biologically-motivated spatial regularization, effectively addressing the challenge of limited annotated datasets in pediatric dentistry. The synthetic data augmentation led to a notable increase in segmentation Dice scores from 89.75% to 95.12% (a 5.37 percentage point increase, p < 0.001), demonstrating the model's efficacy. External validation across three public datasets confirmed the model's generalizability, yielding consistent improvements of 4-7 percentage points over baseline methods, despite moderate domain shifts (3.25-7.00%). Expert evaluations indicated that 87% of generated images were indistinguishable from real radiographs, and 94% displayed anatomically correct lesion patterns. Clinically, the model's enhancements in lesion detection (sensitivity of 97.2% for occlusal caries and 94.8% for proximal caries) and boundary delineation (95.12% Dice coefficient) facilitate non-invasive treatments and precise preventive measures. Furthermore, an economic analysis suggests a potential 18-25% reduction in treatment costs through earlier interventions, particularly benefiting underserved populations by augmenting the diagnostic capabilities of general practitioners in the absence of specialized pediatric dentists.
Discussion
In the discussion section of the paper, various advanced deep learning architectures for pediatric dental caries detection are reviewed, highlighting significant improvements in segmentation accuracy. Notable architectures include U-Net variants such as U-Net++, U-Net3+, and Residual Attention U-Net, which enhance feature propagation and focus on relevant features while suppressing noise. Studies by Eun Young Park et al. and Shunv Ying et al. demonstrate the effectiveness of these models, achieving classification accuracies of 0.813 and 0.7487, respectively, indicating substantial advancements in the detection and localization of carious lesions. Additionally, the research emphasizes the importance of comprehensive datasets and robust annotation processes to improve model generalizability and clinical applicability.
The paper also discusses the application of Generative Adversarial Networks (GANs) for augmenting dental caries images, addressing the challenges posed by limited datasets. Various GAN architectures, including CycleGAN and StyleGAN, are noted for their ability to generate high-fidelity images tailored for specific training needs. However, the authors identify critical research gaps, such as the reliance on small, homogeneous datasets and the need for comprehensive approaches that integrate multiple imaging modalities. The research questions posed aim to enhance dataset diversity, improve annotation processes, and develop models that can effectively handle the complexities of clinical practice, ultimately striving to enhance diagnostic accuracy and patient outcomes in pediatric dentistry.
Limitations
The study presents several limitations that impact its findings and future applicability. Firstly, while the pulp-inspired metaheuristic shows empirical advantages and aligns with biological intercellular communication, the mathematical representation using the Gaussian decay function \( w(d_{i,j,p}) = \exp\left(-\frac{d_{i,j,p}^2}{2\sigma^2}\right) \) simplifies the complex dynamics of gap junction-mediated signaling. Future models should incorporate temporal dynamics, bidirectional signaling, and cell-type-specific interactions to enhance biological accuracy. Secondly, the anatomical masking weights \( \alpha, \beta, \gamma \) require expert tuning, suggesting that automated learning methods could improve adaptability across various clinical contexts.
Additionally, the study’s reliance on single-center data from Hangzhou Xiasha Dental Hospital may introduce biases, highlighting the need for multi-institutional studies with standardized protocols to bolster generalizability. The observed generalization gaps (3.25-7.00%) indicate potential for improvement through domain adaptation or federated learning. Furthermore, the focus on 2D panoramic radiography limits the applicability of findings, as clinical practice increasingly utilizes 3D imaging techniques. Preliminary results suggest that the proposed methods can extend to 3D contexts, albeit with increased computational demands. Lastly, while initial evaluations indicate the model’s effectiveness, long-term clinical validation through randomized controlled trials is necessary to establish its impact on patient outcomes. The computational cost of the model may also restrict its use in resource-limited settings, suggesting a need for model optimization techniques to enhance accessibility.