Глубокое обучение для автоматического обнаружения и нумерации постоянных зубов на панорамных рентгенограммах

Цель: Оценить автоматизированную систему обнаружения и классификации постоянных зубов на ортопантомограммах (ОПТГ) с использованием сверточных нейронных сетей (CNN).

Методы: Всего были собраны 591 цифровая ОПТГ пациентов старше 18 лет. Три квалифицированных стоматолога выполнили разметку каждого зуба на снимках для формирования эталонных аннотаций. Для автоматического обнаружения и классификации зубов предложена трехэтапная процедура на основе CNN. На первом этапе U-Net — разновидность CNN — выполняла предварительную сегментацию областей зубов, то есть определяла области интереса (ROI) на панорамных снимках. На втором этапе Faster R-CNN — усовершенствованная архитектура обнаружения объектов — идентифицировала каждый зуб в области интереса, определенной с помощью U-Net. На третьем этапе архитектура VGG-16 классифицировала каждый зуб по 32 категориям и присваивала ему номер. Для обучения и валидации модулей обнаружения и нумерации зубов использовали 17 135 зубов, выделенных на 591 рентгенограмме. Для обучения применяли 90% ОПТГ, остальные 10% использовали для валидации. Для оценки эффективности проводили десятикратную перекрестную проверку. В качестве метрик эффективности полученных CNN использовали пересечение по объединению (IoU), F1-меру, точность и полноту (чувствительность).

Результаты: Модуль определения областей интереса достиг значения IoU 0,70. Модуль обнаружения зубов продемонстрировал полноту 0,99 и точность 0,99. Для модуля нумерации зубов полнота, точность и F1-мера составили 0,98.

Выводы: Разработанный автоматизированный метод продемонстрировал высокую эффективность при обнаружении и нумерации зубов на ОПТГ. Глубокое обучение может быть полезно для автоматического заполнения зубных карт в общей стоматологической практике и судебной медицине.