DOI: https://doi.org/10.1038/s41598-026-35735-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41520048
تاريخ النشر: 2026-01-10
المؤلف: Kittipol Wisaeng وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تتناول ورقة البحث التحديات المتعلقة بتصنيف تسوس الأسنان في صور الأشعة السينية، خاصة بسبب التباين المنخفض الذي يعقد التمييز بين المناطق الصحية والمناطق المتسوسة. تقتصر خوارزميات تقسيم Fuzzy C-means (FCM) التقليدية على معاملتها المتساوية لجميع الميزات، مما يمكن أن يؤدي إلى تصنيف خاطئ، خاصة عندما يكون هناك عدم توازن بين الميزات المتعلقة بالتسوس والميزات الصحية. للتغلب على هذه القيود، يقترح المؤلفون نهجًا جديدًا للذكاء الحسابي يدمج تقليل الميزات ونظام الوزن (FRWS) للمرة الأولى في تحليل الأشعة السينية للأسنان. تحسب هذه الطريقة ديناميكيًا أوزان الميزات الفردية وتقلل من الميزات غير ذات الصلة، مما يسمح بتجميع أكثر دقة لتسوس الأسنان من خلال تعديل أهمية الميزات عبر مجموعات مختلفة.
تعزز خوارزمية FCM-FRWS المقترحة معدل تقسيم تسوس الأسنان من خلال دمج مصفوفة وزن الميزات في دالة الهدف لـ FCM واستخدام آلية تعلم تكيفية لتحسين المعلمات بشكل تكراري. تعمل هذه الطريقة على قمع الميزات الضعيفة وتعديل أهمية الميزات المتعلقة بالتسوس مقابل الميزات الخلفية، مما يؤدي إلى تحسين دقة التصنيف. تم تقييم الطريقة على مجموعة بيانات تتكون من 890 صورة أشعة سينية للأسنان، محققة دقة متوسطة مثيرة للإعجاب تبلغ 91.62%، ودقة 90.89%، وخصوصية 91.26%، وحساسية 91.78%، ومعامل Dice قدره 90.74%، وIntersection over Union (IoU) قدره 83.90%. تظهر هذه النتائج فعالية خوارزمية FCM-FRWS في تصنيف آفات التسوس بدقة، مما يعزز الثقة في تطبيقها في تشخيص الأسنان.
مقدمة
تناقش مقدمة ورقة البحث انتشار وتأثيرات تسوس الأسنان، مع التأكيد على أهمية التشخيص المبكر لمنع مضاعفات صحية خطيرة مثل فقدان الأسنان والعدوى. غالبًا ما تفشل طرق التشخيص التقليدية، بما في ذلك الفحص البصري، في اكتشاف آفات التسوس الصغيرة أو الدقيقة، مما يستلزم استخدام التصوير الشعاعي، وخاصة تقنية الأشعة السينية. بينما توفر الأشعة السينية التقليدية رؤى قيمة، يمكن أن تؤدي طبيعتها ثنائية الأبعاد (2D) إلى تقديرات غير دقيقة لمدى الآفة بسبب فقدان المعلومات التشخيصية الحرجة. تعزز تقنيات الأشعة السينية المتقدمة، التي تقدم قدرات تصوير ثلاثية الأبعاد (3D)، دقة التشخيص وتخطيط العلاج من خلال توفير إعادة بناء مفصلة للمناطق المتأثرة.
على الرغم من مزايا تصوير الأشعة السينية، فإن التحديات مثل الضوضاء المفرطة، وحركة المريض، والصعوبة الكامنة في تمييز آفات التسوس الصغيرة عن الأنسجة المحيطة تعقد عملية التشخيص. تتفاقم هذه التحديات بسبب الطبيعة التدريجية لتسوس الأسنان، والتي يمكن أن تحجب حدود الآفة وتعيق الكشف المبكر. تسلط الورقة الضوء على أن العديد من المستشفيات في شمال شرق تايلاند لا تزال تعتمد على تصوير الأشعة السينية بسبب الموارد المحدودة، مما يمكن أن يؤخر التشخيص الدقيق والعلاج. يؤكد المؤلفون على الحاجة إلى تحسين البنية التحتية للرعاية الصحية في البيئات ذات الموارد المحدودة لتسهيل التشخيصات الدقيقة وفي الوقت المناسب، مما يعزز في النهاية نتائج المرضى.
طرق البحث
توضح قسم منهجية البحث نهج Fuzzy C-Means (FCM) المحسن المدمج مع إعادة وزن الميزات واختيارها (FRWS) لتحسين تقسيم تسوس الأسنان في صور الأشعة السينية. تقوم هذه الطريقة بأتمتة حساب أوزان الميزات وتلغي الميزات غير ذات الصلة، مما ينقي مجموعة الميزات ويقلل من التعقيد الحسابي لخوارزمية FCM. بالإضافة إلى ذلك، تستخدم الدراسة خوارزمية تقسيم مصقولة تعتمد على عتبة المشغل التفاضلي المعدل (MDOT) لتعزيز دقة المناطق المقسمة. تشمل المنهجية عدة مراحل، بما في ذلك إعداد مجموعة البيانات، ومعالجة الصور، وتصميم الخوارزمية، وتقييم الأداء، كما هو موضح في الشكل 1.
تظهر النتائج التجريبية فعالية تقنية FCM-FRWS المقترحة في تقسيم تسوس الأسنان من صور الأشعة السينية. تم تحليل مثال افتراضي مع بيانات غير متوازنة، باستخدام مجموعة بيانات تتكون من 12 صورة أشعة سينية مأخوذة من ثلاثة مستشفيات، كل منها بدقة 215×215 بكسل. خضعت الصور لمرحلتين من المعالجة المسبقة تتضمن مطابقة الهيستوغرام لمعالجة التغيرات غير الخطية في الكثافة، تليها تقنيات تقليل الضوضاء لتحسين الوضوح. تم إجراء التجارب باستخدام MATLAB 2024 على جهاز كمبيوتر عالي الأداء، مما يؤكد قدرة الطريقة على تعزيز دقة التقسيم من خلال نهج FCM-FRWS المحسن.
مناقشة
تسلط قسم مراجعة الأدبيات الضوء على التقدم الكبير في تطبيق تقنيات الذكاء الحسابي لاكتشاف تسوس الأسنان، مع التركيز على الدراسات المنشورة بين عامي 2020 و2024. حددت مراجعة منهجية 189 مقالة ذات صلة، مع مساهمات ملحوظة من ScienceDirect وIEEE Xplore وPubMed. تم استخدام منهجيات متنوعة، بما في ذلك آلات الدعم الناقل (SVM)، والشبكات العصبية التلافيفية (CNN)، والنهج الهجينة، لتعزيز دقة التشخيص في تصوير الأسنان. على سبيل المثال، استخدم Duong وآخرون SVM لتحليل صور الهواتف الذكية، بينما قدم Yu وآخرون إطار عمل موحد لتقسيم وتقييم آفات التسوس (UCLSA) مستفيدين من هياكل التعلم العميق لتشخيص الأطفال. أظهرت دراسات أخرى فعالية الشبكات العصبية التلافيفية، مثل نماذج U-Net وYOLO، محققة معدلات دقة عالية في اكتشاف آفات التسوس عبر أوضاع تصوير متنوعة.
على الرغم من هذه التقدمات، لا تزال التحديات قائمة، خاصة فيما يتعلق بالحاجة إلى مجموعات بيانات موثوقة عالية الجودة وقابلية تفسير نماذج التعلم العميق. تحدد الورقة الفجوات في الأبحاث الحالية، بما في ذلك التوفر المحدود لمجموعات البيانات القوية والمتطلبات الحسابية للنماذج المتقدمة، مما يمكن أن يعيق تطبيقها العملي في البيئات السريرية. لمعالجة هذه القضايا، يقترح المؤلفون خوارزمية Fuzzy C-Means (FCM) المحسنة المدمجة مع إطار عمل لتقليل الميزات ونظام الوزن (FCM-FRWS) الذي يهدف إلى تحسين دقة التقسيم مع تقليل الاعتماد على مجموعات البيانات الكبيرة. لا تعزز هذه الطريقة فقط قابلية تفسير عملية التقسيم ولكنها تركز أيضًا على الكشف المبكر عن آفات التسوس الدقيقة، مما يحسن نتائج المرضى. تؤكد الدراسة على إمكانيات دمج تقنيات معالجة الصور المتقدمة مع التعلم الآلي لدفع تشخيص الأسنان إلى الأمام.
القيود
تسلط قسم القيود الضوء على عدة تحديات مرتبطة بتصوير الأشعة السينية لاكتشاف تسوس الأسنان باستخدام خوارزميات التعلم الآلي والتعلم العميق. على الرغم من معدلات الدقة الواعدة المبلغ عنها في دراسات مختلفة، فإن قضايا مثل الحساسية لاختيار دالة النواة، والمتطلبات الحسابية، والحاجة إلى مجموعات بيانات موثقة كبيرة تعيق فعالية هذه النماذج. على سبيل المثال، بينما يظهر نموذج U-Net دقة وحساسية أقل مقارنة بالآخرين، فإنه يتطلب بيانات موثقة واسعة وهو مكلف حسابيًا، مما يجعله أقل ملاءمة للبيئات ذات الموارد المحدودة.
يقدم إطار تقسيم FCM-FRWS+MDOT المقترح بديلاً خفيف الوزن وخاليًا من التدريب، مما يكون مفيدًا بشكل خاص في البيئات الريفية وذات الموارد المنخفضة. ومع ذلك، فإن اعتماده على الميزات المصنوعة يدويًا والعتبات الثابتة يحد من أدائه في البيئات السريرية ذات الطلب العالي، حيث تتفوق نماذج التعلم العميق بسبب قدرتها على تعلم الميزات المعقدة والتكيف مع مجموعات البيانات المتنوعة. بالإضافة إلى ذلك، يمكن أن تؤدي حساسية خوارزمية FCM للضوضاء والحاجة إلى أعداد مجموعات محددة مسبقًا إلى تقسيم ضعيف في الظروف الصعبة، مثل الهياكل المتداخلة أو الشوائب الناتجة عن العمل السني. بشكل عام، بينما تعتبر التقدمات في الذكاء الاصطناعي لتشخيص الأسنان واعدة، فإن معالجة هذه القيود أمر حيوي لتعزيز موثوقية هذه التقنيات وإمكانية الوصول إليها في الممارسة السريرية.
DOI: https://doi.org/10.1038/s41598-026-35735-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41520048
Publication Date: 2026-01-10
Author(s): Kittipol Wisaeng et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper addresses the challenges of classifying dental caries in X-ray images, particularly due to low contrast that complicates the differentiation between healthy and decayed regions. Traditional Fuzzy C-means (FCM) segmentation algorithms are limited by their equal treatment of all features, which can result in misclassification, especially when there is an imbalance between caries-related and healthy features. To overcome these limitations, the authors propose a novel computational intelligence approach that integrates Feature Reduction and Weighted Scheme (FRWS) for the first time in dental X-ray analysis. This method dynamically calculates individual feature weights and reduces irrelevant features, allowing for more accurate clustering of dental caries by adjusting the significance of features across different clusters.
The proposed FCM-FRWS algorithm enhances the segmentation rate of dental caries by incorporating a feature-weight matrix into the FCM objective function and utilizing an adaptive learning mechanism to optimize parameters iteratively. This approach effectively suppresses weak features and adjusts the importance of caries-related versus background features, leading to improved classification accuracy. The method was evaluated on a dataset of 890 dental X-ray images, achieving an impressive average accuracy of 91.62%, precision of 90.89%, specificity of 91.26%, sensitivity of 91.78%, a Dice coefficient of 90.74%, and an Intersection over Union (IoU) of 83.90%. These results demonstrate the effectiveness of the FCM-FRWS algorithm in accurately classifying caries lesions, thereby instilling confidence in its application for dental diagnostics.
Introduction
The introduction of the research paper discusses the prevalence and implications of dental caries, emphasizing the importance of early diagnosis to prevent severe health complications such as tooth loss and infections. Traditional diagnostic methods, including visual inspection, often fall short in detecting small or subtle caries lesions, necessitating the use of radiographic imaging, particularly X-ray technology. While conventional radiography provides valuable insights, its two-dimensional (2D) nature can lead to underestimations of lesion extent due to the loss of critical diagnostic information. Advanced X-ray technologies, which offer three-dimensional (3D) imaging capabilities, enhance diagnostic accuracy and treatment planning by providing detailed reconstructions of affected areas.
Despite the advantages of X-ray imaging, challenges such as excessive noise, patient movement, and the inherent difficulty in distinguishing small caries lesions from surrounding tissue complicate the diagnostic process. These challenges are exacerbated by the progressive nature of dental caries, which can obscure lesion boundaries and hinder early detection. The paper highlights that many hospitals in Northeastern Thailand continue to rely on X-ray imaging due to limited resources, which can delay accurate diagnosis and treatment. The authors stress the need for improved healthcare infrastructure in resource-constrained settings to facilitate timely and precise diagnoses, ultimately enhancing patient outcomes.
Methods
The research methodology section details an enhanced Fuzzy C-Means (FCM) approach integrated with Feature Reweighting and Selection (FRWS) to improve the segmentation of dental caries in X-ray images. This method automates the calculation of feature weights and eliminates irrelevant features, thereby refining the feature set and reducing the computational complexity of the FCM algorithm. Additionally, the study employs a refined segmentation algorithm utilizing Modified Differential Operator Thresholding (MDOT) to enhance the accuracy of the segmented regions. The methodology encompasses several stages, including dataset preparation, image preprocessing, algorithm design, and performance evaluation, as illustrated in Figure 1.
The experimental results demonstrate the effectiveness of the proposed FCM-FRWS technique in segmenting dental caries from X-ray images. A hypothetical example with imbalanced data was analyzed, utilizing a dataset of 12 X-ray images sourced from three hospitals, each with a resolution of 215×215 pixels. The images underwent two preprocessing stages involving histogram matching to address non-linear intensity variations, followed by noise reduction techniques to improve clarity. The experiments were conducted using MATLAB 2024 on a high-performance computer, confirming the method’s capability to enhance segmentation accuracy through the improved FCM-FRWS approach.
Discussion
The literature review section highlights significant advancements in the application of computational intelligence techniques for dental caries detection, focusing on studies published between 2020 and 2024. A systematic review identified 189 relevant articles, with notable contributions from ScienceDirect, IEEE Xplore, and PubMed. Various methodologies, including Support Vector Machines (SVM), Convolutional Neural Networks (CNN), and hybrid approaches, have been employed to enhance diagnostic accuracy in dental imaging. For instance, Duong et al. utilized SVM for smartphone image analysis, while Yu et al. introduced the Unified Caries Lesions Segmentation and Assessment Framework (UCLSA) leveraging deep learning architectures for pediatric diagnostics. Other studies demonstrated the effectiveness of CNNs, such as the U-Net and YOLO models, achieving high accuracy rates in detecting caries lesions across diverse imaging modalities.
Despite these advancements, challenges remain, particularly regarding the need for high-quality annotated datasets and the interpretability of deep learning models. The paper identifies gaps in existing research, including the limited availability of robust datasets and the computational demands of advanced models, which can hinder their practical application in clinical settings. To address these issues, the authors propose an enhanced Fuzzy C-Means (FCM) algorithm integrated with a Feature-Reduction and Weighted-Scheme framework (FCM-FRWS) that aims to improve segmentation accuracy while reducing dependency on large datasets. This approach not only enhances the interpretability of the segmentation process but also focuses on early detection of subtle caries lesions, thereby improving patient outcomes. The study emphasizes the potential of integrating advanced image processing techniques with machine learning to advance dental diagnostics further.
Limitations
The section on limitations highlights several challenges associated with X-ray imaging for dental caries detection using machine learning and deep learning algorithms. Despite promising accuracy rates reported in various studies, issues such as sensitivity to kernel function selection, computational demands, and the necessity for large annotated datasets hinder the effectiveness of these models. For instance, while the U-Net model shows lower accuracy and sensitivity compared to others, it requires extensive annotated data and is computationally intensive, making it less suitable for resource-limited settings.
The proposed FCM-FRWS+MDOT segmentation framework offers a lightweight and training-free alternative, particularly beneficial in rural and low-resource environments. However, its reliance on handcrafted features and static thresholds limits its performance in high-demand clinical settings, where deep learning models excel due to their ability to learn complex features and adapt to diverse datasets. Additionally, the FCM algorithm’s sensitivity to noise and the need for predefined cluster numbers can lead to poor segmentation in challenging conditions, such as overlapping structures or artifacts from dental work. Overall, while advancements in AI for dental diagnostics are promising, addressing these limitations is crucial for enhancing the reliability and accessibility of these technologies in clinical practice.