Deep Learning Approach for the Classification and Detection of Dental and Craniofacial Conditions

Искусственный интеллект (ИИ) обеспечивает повседневные функции наряду с более высокими приложениями в области медицины, в частности медицинской визуализации. Благодаря развитию технологий и инструментов визуализации модели машинного обучения на основе ИИ вскоре будут использоваться на постоянной основе в медицинской диагностике и лечении. Разработка включает алгоритмы глубокого обучения (DL) и сверточные нейронные сети (CNN), которые будут обучаться с использованием набора данных изображений, связанных с заболеваниями. ИИ приобретает все большее значение в нашей жизни и медицинских исследованиях. В черепно-лицевой визуализации CNN приобрели популярность и используются в многочисленных научных исследованиях. Это исследование представляет модель DL, которая использует набор данных, содержащий пять различных категорий: полости, переломы коронки, заболевания десен, неправильное расположение и рецессия десен. Эти состояния были классифицированы и обнаружены с помощью предварительно обученной модели Mobile-Net. Примечательно, что эта модель демонстрирует высокую точность обучения и проверки, достигающую 99,9% и невероятно низкий уровень ошибок 0,001%.

Ключевые слова

стоматология; мобильная сеть; глубокое обучение; классификация; обнаружение.

Литература

1. Ruiyang Ren, Haozhe Luo, Chongying Su, Yang Yao, Wen Liao. Machine Learning in Dental, Oral and Craniofacial Imaging: a Review of Recent Progress. PeerJ Computer Science, 2021, vol. 9, no. 29, 35 p. DOI: 10.7717/peerj.11451
2. Chunfeng Lian, Li Wang, Tai-Hsien Wu, Fan Wang, Pew-Thian Yap, Ching-Chang Ko, Dinggang Shen. Deep Multi-Scale Mesh Feature Learning for Automated Labeling of Raw Dental Surfaces From 3D Intraoral Scanners. IEEE Transactions on Medical Imaging, 2020, vol. 1, no. 1, pp. 2440-2450. DOI: 10.1109/tmi.2020.2971730
3. Qingqing Li, Ke Chen, Lin Han, Yan Zhuang, Jingtao Li, Jiangli Lin. Automatic Tooth Roots Segmentation of Cone Beam Computed Tomography Image Sequences using U-Net and RNN. Journal of X-Ray Science and Technology, 2020, vol. 28, no. 5, pp. 1-10. DOI: 10.3233/XST-200678
4. Muresan M.P., Barbura A.R., Nedevschi S. Teeth Detection and Dental Problem Classification in Panoramic X-Ray Images Using Deep Learning and Image Processing Techniques. 2020 IEEE 16th International Conference on Intelligent Computer Communication and Processing, 2020, pp. 457-463. DOI: 10.1109/ICCP51029.2020.9266244
5. Min X., Haijin C. Research on Rapid Detection of Tooth Profile Parameters of the Clothing Wires Based on Image Processing. 2020 IEEE International Conference on Artificial Intelligence and Computer Applications, 2020, pp. 586-590. DOI: 10.1109/ICAICA50127.2020.9182581
6. Zhiyang Zheng, Hao Yan, Frank C.S., Katherine J.S., Mel M., Jing Li. Anatomically Constrained Deep Learning for Automating Dental CBCT Segmentation and Lesion Detection. IEEE Transactions on Automation Science and Engineering, 2021, vol. 18, no. 2, pp. 603-614. DOI: 10.1109/TASE.2020.3025871
7. Vila-Blanco N., Carreira M.J., Varas-Quintana P., Balsa-Castro C., Tomas I. Deep Neural Networks for Chronological Age Estimation From OPG Images. IEEE Trans Med Imaging, 2020, vol. 39, no. 7, pp. 2374-2384. DOI: 10.1109/TMI.2020.2968765
8. Koch T.L., Perslev M., Igel C., Brandt S.S. Accurate Segmentation of Dental Panoramic Radiographs with U-NETS. 2019 IEEE 16th International Symposium on Biomedical Imaging, 2019, pp. 15-19. DOI: 10.1109/ISBI.2019.8759563
9. Moutselos K., Berdouses E., Oulis C., Maglogiannis I. Recognizing Occlusal Caries in Dental Intraoral Images Using Deep Learning. 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2019, pp. 1617-1620. DOI: 10.1109/EMBC.2019.8856553
10. Yiwen Liu, Xiuqin Shang, Zhen Shen, Bin Hu, Zhihai Wang, Gang Xiong. 3D Deep Learning for 3D Printing of Tooth Model. IEEE International Conference on Service Operations and Logistics, and Informatics, 2019, pp. 274-279. DOI: 10.1109/SOLI48380.2019.8955074
11. Jaiswal P., Katkar V., Bhirud S. Multi Oral Disease Classification from Panoramic Radiograph using Transfer Learning and XGBoost. International Journal of Advanced Computer Science and Applications, 2022, vol. 13, no. 12. DOI: 10.14569/IJACSA.2022.0131230
12. Shuai Li, Zhennan Pang, Song Wenfeng, Yuting Guo, You Wenzhe, Aimin Hao, Hong Qin. Low-Shot Learning of Automatic Dental Plaque Segmentation Based on Local-to-Global Feature Fusion. IEEE 17th International Symposium on Biomedical Imaging, 2020, pp. 664-668. DOI: 10.1109/ISBI45749.2020.9098741
13. Incheol Kim, Misra D., Rodriguez L., Gill M., Liberton D.K., Almpani K., Lee J.S., Antani S. Malocclusion Classification on 3D Cone-Beam CT Craniofacial Images Using Multi-Channel Deep Learning Models. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2020, pp. 1294-1298. DOI: 10.1109/EMBC44109.2020.9176672
14. Tian Sukun, Dai Ning, Bei Zhang, Yuan Fulai, Yu Qing, Cheng Xiaosheng. Automatic Classification and Segmentation of Teeth on 3D Dental Model Using Hierarchical Deep Learning Networks. IEEE Access, 2019, vol. 7, pp. 84817-84828. DOI: 10.1109/ACCESS.2019.2924262
15. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, vol. 39, no. 12, pp. 2481-2495.
16. Milletari F., Navab N., Ahmadi S.-A. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. Fourth International Conference on 3D Vision, 2016, pp. 565-571. DOI: 10.1109/3DV.2016.79
17. Jurdi R.El, Petitjean C., Honeine P., Abdallah F. BB-UNet: U-Net With Bounding Box Prior. IEEE Journal of Selected Topics in Signal Processing, 2020, vol. 14, no. 6, pp. 1189-1198. DOI: 10.1109/JSTSP.2020.3001502
18. O'Shea K., Nash R. An Introduction to Convolutional Neural Networks. arXiv: Neural and Evolutionary Computing, 2015, 10 p. Available: https://arxiv.org/abs/1511.08458. DOI: 10.48550/arXiv.1511.08458