Научная статья

Выявление стоматологических заболеваний на прицельных периапикальных рентгенограммах с помощью глубоких сверточных нейронных сетей

Dental disease detection on periapical radiographs based on deep convolutional neural networks

International Journal of Computer Assisted Radiology and Surgery
10.1007/s11548-021-02319-y
Найти полный текст Открыть в журнале PubMed
FWCI: 18.4FWCI — Field-Weighted Citation Impact (индекс цитируемости с поправкой на область науки). 1.0 = среднее, > 1 = выше среднего · Процитировано: 85 · Ссылки: 40 · Лицензия: Закрытая
Цитирование по годам: 2026: 15 · 2025: 24 · 2024: 42 · 2023: 22 · 2022: 11

Аннотация

Цель: Создание вспомогательной системы диагностики по прицельным рентгенограммам зубов на основе глубоких сверточных нейронных сетей представляется перспективным, однако необходимо определить показания к её применению и оценить эффективность. Цель исследования — обучить сверточные нейронные сети выявлять поражения на прицельных рентгенограммах зубов и оценить их эффективность в зависимости от категории заболевания, степени тяжести и стратегии обучения.

Методы: Для выявления заболеваний на клинических прицельных рентгенограммах зубов были созданы глубокие сверточные нейронные сети с использованием методов генерации регионов-кандидатов. Сети выявляли кариес, периапикальный периодонтит и пародонтит лёгкой, умеренной и тяжёлой степени. Применили четыре стратегии обучения соответствующих сетей: на всех категориях заболеваний и степенях тяжести (базовая модель), на всех категориях заболеваний (Net A), отдельно для каждой категории заболевания (Net B) и отдельно для каждой степени тяжести (Net C). Затем провели перекрёстную проверку с разбиением на пять частей. С помощью дисперсионного анализа сравнили показатели, включая коэффициент пересечения по объединению (IoU), точность, полноту и среднюю точность (AP), в зависимости от заболевания, степени тяжести и стратегии обучения.

Результаты: Для разных заболеваний точность и полнота выявления поражений в целом составляли 0,5–0,6. Стратегия обучения, категория заболевания и степень тяжести статистически значимо влияли на результаты (P < 0,001). Для кариеса и периапикального периодонтита лёгкой степени точность, полнота и средняя точность были ниже 0,25, умеренной степени — 0,2–0,3, тяжёлой степени — 0,5–0,6. Результаты Net A были сопоставимы с базовой моделью (P > 0,05 для IoU, точности и полноты), тогда как Net B и Net C в некоторых случаях превосходили базовую модель (P < 0,05). Однако Net C не смогла выявлять кариес лёгкой степени.

Выводы: Глубокие сверточные нейронные сети способны выявлять заболевания на клинических прицельных рентгенограммах зубов. Сети лучше выявляют поражения тяжёлой степени; для каждого заболевания целесообразно использовать отдельную стратегию обучения.

Переведем эту статью за 1 час

Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.

Попробовать бесплатно →

Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.