DOI: https://doi.org/10.1038/s41597-025-05906-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41044117
تاريخ النشر: 2025-10-03
المؤلف: Sumudu Rasnayaka وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تتناول الورقة البحثية انتشار الأمراض السنية والدور الحاسم للأشعة السينية داخل الفم (IOPA) في تشخيصها ومراقبتها. تؤثر الأمراض السنية على حوالي 3.5 مليار شخص على مستوى العالم، مما يؤدي إلى مضاعفات صحية كبيرة إذا لم يتم علاجها. الكشف المبكر من خلال الفحوصات السريرية وتقنيات التصوير أمر ضروري للإدارة الفعالة. على الرغم من وجود طرق تصوير مختلفة، إلا أن الأشعة السينية IOPA تعتبر ذات قيمة خاصة بسبب قدرتها على توفير صور عالية الدقة لبنية الأسنان وصحة اللثة، مما يجعلها خيارًا فعالًا من حيث التكلفة مقارنةً بطرق أخرى مثل التصوير الشعاعي البانورامي للأسنان.
تسلط الورقة الضوء على تطوير تقنيات الذكاء الاصطناعي (AI) لتحليل الأشعة السينية السنية، مشيرةً إلى التحدي الذي تطرحه محدودية توفر مجموعات البيانات العامة. تتكون مجموعة البيانات التي تم تقديمها حديثًا من 1,000 صورة أشعة IOPA تم وضع علامات عليها مع معالم مهمة وتقسيم الأسنان، مما يوفر موردًا قيمًا للباحثين. تهدف هذه المجموعة إلى تسهيل إنشاء حلول الذكاء الاصطناعي التي يمكن أن تعزز دقة وكفاءة التشخيصات السنية، مما قد يقلل من الأخطاء ويحسن نتائج المرضى.
الطرق
استخدمت الدراسة مجموعة بيانات تتكون من 1000 صورة أشعة داخل الفم (IOPA) تم جمعها من وحدة الأشعة في مستشفى الأسنان في بيرادينيا، سريلانكا، على مدى ثلاث سنوات من يناير 2020 إلى يناير 2023. شملت العينة 440 مريضًا من الذكور و560 مريضة من الإناث، تتراوح أعمارهم من 9 إلى 81 عامًا للذكور ومن 12 إلى 79 عامًا للإناث. كان معظم المرضى ضمن الفئة العمرية من 31 إلى 50 عامًا، كما هو موضح في الشكل 3.
فيما يتعلق بالتوزيع التشريحي، تضمنت مجموعة البيانات 590 صورة أشعة من القوس السفلي و410 من القوس العلوي. بالإضافة إلى ذلك، تم تصنيف اتجاه الأشعة، حيث تم أخذ 398 صورة من الجانب الأيمن، و380 من الجانب الأيسر، و222 من المنطقة الأمامية. يوفر هذا التحليل الشامل للخصائص الديموغرافية والتشريحية أساسًا قويًا للتحليلات اللاحقة في الدراسة.
المناقشة
في هذه الدراسة، تم الحصول على الموافقة الأخلاقية من لجنة مراجعة الأخلاقيات في كلية علوم الأسنان، جامعة بيرادينيا، سريلانكا، لضمان الامتثال للوائح خصوصية البيانات. تم إزالة جميع بيانات المرضى قبل التحليل، حيث تم إزالة المعلومات القابلة للتعريف من خلال عملية إخفاء هوية من خطوتين تتضمن إعادة تسمية الصور بأرقام عشوائية واستخدام خوارزمية لإزالة التفاصيل الشخصية المدمجة. مجموعة البيانات، التي تشمل أنواعًا مختلفة من الأشعة السينية السنية، متاحة على Zenodo بموجب ترخيص Creative Commons Attribution 4.0، وهي منظمة في أدلة للتدريب والتحقق والاختبار، مع بيانات وصفية شاملة.
تم إجراء توضيح البيانات باستخدام Labelbox، حيث قام متخصصون ذوو خبرة بوضع علامات على النقاط الرئيسية مثل نقطة التقاء المينا والعاج (CEJ) وقمة الأسنان، مع الالتزام بمعايير تشخيصية موحدة لتقليل التحيز. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (65%)، والتحقق (15%)، والاختبار (20%)، مما يضمن تمثيلًا متوازنًا للخصائص الحيوية لتطبيقات التعلم الآلي التي تهدف إلى الكشف عن فقدان العظام السنخية. أظهرت النتائج التجريبية أداءً عاليًا لنموذج وضع YOLOv8 في الكشف عن نقاط CEJ وقمة الأسنان، بالإضافة إلى تقسيم فعال باستخدام نماذج U-Net وMask R-CNN. تسمح مرونة مجموعة البيانات بتطبيقات متنوعة في التعلم الآلي، مما يسهل التقدم في الكشف عن وعلاج الحالات السنية المتعلقة بفقدان العظام.
DOI: https://doi.org/10.1038/s41597-025-05906-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41044117
Publication Date: 2025-10-03
Author(s): Sumudu Rasnayaka et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research paper discusses the prevalence of dental diseases and the critical role of intra-oral periapical (IOPA) radiographs in their diagnosis and monitoring. Dental diseases affect approximately 3.5 billion people globally, leading to significant health complications if untreated. Early detection through clinical examinations and imaging techniques is essential for effective management. While various imaging modalities exist, IOPA radiographs are particularly valuable due to their ability to provide high-resolution images of tooth structure and periodontal health, making them a cost-effective option compared to other methods like dental panoramic tomograms.
The paper highlights the development of artificial intelligence (AI) technologies for analyzing dental radiographs, noting the challenge posed by the limited availability of publicly accessible datasets. The newly introduced dataset comprises 1,000 IOPA radiographs annotated with important landmarks and tooth segmentation, offering a valuable resource for researchers. This dataset aims to facilitate the creation of AI solutions that can enhance the accuracy and efficiency of dental diagnoses, potentially reducing errors and improving patient outcomes.
Methods
The study utilized a dataset of 1000 intraoral periapical (IOPA) radiographs collected from the Radiology Unit of the Dental Hospital Peradeniya, Sri Lanka, over a three-year period from January 2020 to January 2023. The sample included 440 male and 560 female patients, with ages ranging from 9 to 81 years for males and 12 to 79 years for females. The majority of patients fell within the 31-50 year age bracket, as illustrated in Figure 3.
In terms of anatomical distribution, the dataset comprised 590 radiographs from the lower arch and 410 from the upper arch. Additionally, the orientation of the radiographs was categorized, with 398 taken from the right side, 380 from the left side, and 222 from the anterior region. This comprehensive demographic and anatomical breakdown provides a robust foundation for subsequent analyses in the study.
Discussion
In this study, ethical approval was obtained from the Ethics Review Committee of the Faculty of Dental Sciences, University of Peradeniya, Sri Lanka, ensuring compliance with data privacy regulations. All patient data were de-identified prior to analysis, with identifiable information removed through a two-step anonymization process involving renaming images with random integers and utilizing an algorithm to eliminate embedded personal details. The dataset, which includes various dental radiography types, is accessible on Zenodo under a Creative Commons Attribution 4.0 license, structured into directories for training, validation, and testing, along with comprehensive metadata.
Data annotation was performed using Labelbox, where experienced specialists annotated key points such as the cementoenamel junction (CEJ) and apex of teeth, adhering to standardized diagnostic criteria to minimize bias. The dataset was divided into training (65%), validation (15%), and testing (20%) subsets, ensuring a balanced representation of attributes critical for machine learning applications aimed at detecting alveolar bone loss. Experimental results demonstrated high performance of the YOLOv8 pose model in detecting CEJ and apex key points, as well as effective segmentation using U-Net and Mask R-CNN models. The dataset’s versatility allows for various machine learning applications, facilitating advancements in the detection and treatment of dental conditions related to bone loss.