Multi-view deep learning for classification of maxillary canine impaction severity using CBCT-derived images
Diese Studie entwickelte und evaluierte ein Multi-View-DenseNet-121-Deep-Learning-Modell unter Verwendung von aus CBCT-Aufnahmen extrahierten Bildern aus vier Perspektiven, um den Schweregrad der maximalen Eckzahnretention präzise zu klassifizieren, wobei eine Gesamtgenauigkeit von 91,2 % erreicht wurde und dessen Potenzial zur Unterstützung einer frühen kieferorthopädischen Intervention aufgezeigt wurde.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der komplexen Landschaft des menschlichen Gebisses nehmen die oberen Eckzähne eine einzigartige und oft problematische Stellung ein. Diese Zähne, die essenziell für das Zerreißen von Nahrung und die Formung des Lächelns sind, sind nach den Weisheitszähnen am zweithäufigsten betroffen. Da sie einen langen und gewundenen Weg zurücklegen müssen, um ihren endgültigen Platz zu erreichen, bleiben sie häufig im Kieferknochen oder im Zahnfleischgewebe stecken, ein Zustand, der als Impaktion bekannt ist. Wenn dies geschieht, kann der Zahn nicht von selbst durchbrechen, und wenn es unbehandelt bleibt, kann dies zur Bildung von Zysten führen, die Wurzeln benachbarter Zähne beschädigen oder den gesamten Zahnbogen in seiner Ausrichtung stören. Um dies zu lösen, verlassen sich Kieferorthopäden auf bildgebende Verfahren, um genau zu sehen, wo sich der Zahn befindet und wie fest er feststeckt. Während standardmäßige zweidimensionale Röntgenaufnahmen üblich sind, bietet ein detaillierterer dreidimensionaler Scan, die konische Schichtcomputertomographie oder CBCT, eine klarere Sicht auf die Position des Zahns im Raum. Die Interpretation dieser detaillierten Scans erfordert jedoch erhebliche Zeit und Fachwissen, und aufgrund der beteiligten Strahlung müssen Ärzte vorsichtig sein, wann sie diese einsetzen.
Ein Team von Forschern setzte sich zum Ziel zu prüfen, ob künstliche Intelligenz helfen könne, diese diagnostische Herausforderung zu bewältigen. Sie entwickelten ein Computersystem, das darauf ausgelegt ist, CBCT-Scans zu analysieren und automatisch zu bestimmen, wie schwerwiegend eine Eckzahnimpaktion ist. Anstatt zu versuchen, das gesamte dreidimensionale Volumen des Kiefers auf einmal zu verarbeiten, was rechenintensiv wäre, wählten die Forscher einen anderen Ansatz. Sie schnitten den 3D-Scan in vier vertraute zweidimensionale Ansichten, die auch Zahnärzte bereits verwenden: eine Panoramaansicht des gesamten Kiefers, eine Frontalansicht von vorne, eine Seitenansicht und einen Querschnitt durch den Zahn. Sie trainierten dann ein Deep-Learning-Modell – eine Art Computerprogramm, das dem menschlichen Gehirn nachempfunden ist –, um sich jedes dieser vier Bilder separat anzusehen und zu entscheiden, ob der Zahn normal durchbricht oder ob er leicht oder schwer feststeckt.
Die Studie konzentrierte sich auf 74 Patienten und untersuchte insgesamt 148 obere Eckzähne. Für jeden Zahn erzeugten die Forscher 592 verschiedene Bilder über die vier verschiedenen Ansichten hinweg. Menschliche Experten beschrifteten diese Bilder zuerst und kategorisierten jeden Zahn als normalen Durchbruch, leichte Impaktion oder schwere Impaktion, basierend auf spezifischen Winkeln und Überlappungen, die in den Scans sichtbar waren. Das Computermodell wurde dann darauf trainiert, diese Muster zu erkennen. Als die Forscher das Modell testeten, stellten sie fest, dass das Betrachten aller vier Ansichten zusammen weitaus effektiver war als das Betrachten von nur einer einzigen. Durch die Kombination der Informationen aus den Panorama-, Frontal-, Seiten- und Querschnittsbildern klassifizierte das System den Schweregrad der Impaktion zu 91,2 % der Fälle korrekt. Dieser Multi-View-Ansatz erwies sich als überlegen gegenüber jedem einzelnen Bildtyp; so war beispielsweise die Panoramaansicht allein mit einer Genauigkeit von 88,5 % schon recht gut, während die Frontalansicht allein Schwierigkeiten hatte und nur eine Genauigkeit von 74,3 % erreichte.
Die Ergebnisse zeigten, dass das System besonders zuverlässig bei der Identifizierung der beiden Extreme war: Zähne, die normal durchbrechen, und Zähne, die schwer feststecken. Es identifizierte Normalfälle zu 93,4 % korrekt und schwere Fälle zu 91,5 %. Entscheidend war, dass das Modell nie den gefährlichen Fehler beging, einen schwer feststeckenden Zahn als „normal“ oder einen normalen Zahn als „schwer“ einzustufen. Die schwierigste Kategorie für den Computer war der Mittelweg der leichten Impaktion, bei der er in etwa 77 % der Fälle korrekt lag. Dies liegt wahrscheinlich daran, dass leichte Fälle auf einer Röntgenaufnahme sehr ähnlich wie normale Zähne aussehen, was die Unterscheidung selbst für Menschen erschwert. Die Forscher merkten an, dass das System genau dieselben Teile des Zahns beachtete, auf die auch ein menschlicher Spezialist achten würde, indem es sich auf die Spitze des Eckzahns und die Wurzeln der benachbarten Zähne konzentrierte, was darauf hindeutet, dass der Computer die richtigen Merkmale lernte, anstatt zu raten.
Diese Arbeit zeigt, dass künstliche Intelligenz als leistungsstarker Assistent in der Kieferorthopädie dienen kann, der in der Lage ist, mehrere Blickwinkel eines Scans zu synthetisieren, um eine konsistente und schnelle Beurteilung der Zahnimpaktion zu liefern. Obwohl das Modell kein Ersatz für einen Zahnarzt ist, bietet es eine Möglichkeit, Patienten effizienter zu untersuchen und Fälle zu kennzeichnen, die sofortige Aufmerksamkeit erfordern. Die Forscher betonten, dass dieses Werkzeug für den Einsatz in realen Kliniken an größeren Gruppen von Menschen aus verschiedenen Standorten und mit unterschiedlichen Scannertypen getestet werden muss. Bis dahin bleibt das System ein vielversprechendes Proof-of-Concept, das zeigt, dass Computer, indem sie ein komplexes dreidimensionales Problem in vertraute zweidimensionale Teile zerlegen, lernen können, dentale Probleme mit einem hohen Grad an Genauigkeit zu erkennen, was potenziell hilft, Probleme früher zu erfassen und bessere Behandlungspläne zu erstellen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.