Artificial Intelligence for Tooth Numbering and Full-Mouth Series Placement

Zahnärzte verlassen sich auf eine spezifische Gruppe von Röntgenbildern, um das vollständige Bild des Mundes eines Patienten zu sehen. Diese Sammlung, bekannt als eine Vollserie (Full-Mouth Series), besteht aus Dutzenden von Einzelaufnahmen, von denen jede einen kleinen Abschnitt der Zähne und des Knochens erfasst. Um diese Bilder sinnvoll interpretieren zu können, muss ein Zahnarzt genau wissen, welcher Zahn in jedem Frame erscheint und wo dieser Frame in der endgültigen Sequenz hingehört. Traditionell war dies eine manuelle Aufgabe. Ein Mensch muss jedes Bild betrachten, die Zähne identifizieren, ihnen eine Nummer basierend auf einem universellen System zuweisen und die Fotos dann in die richtige Reihenfolge bringen. Dieser Prozess ist zeitaufwendig und anfällig für menschliche Fehler, insbesondere wenn Bilder unscharf sind, Zähne fehlen oder der Röntgensensor leicht angewinkelt gehalten wurde.

In den letzten Jahren sind Computer leistungsfähig genug geworden, um zu lernen, wie man medizinische Bilder sieht und interpretiert – ein Feld, das als Künstliche Intelligenz bekannt ist. Diese Systeme nutzen Deep Learning, eine Methode, bei der ein Computer Tausende von Beispielen analysiert, um Muster zu erlernen, ohne explizit für jedes Szenario mit Regeln programmiert zu werden. Während Computer bereits gezeigt haben, dass sie Karies oder Knochenbrüche erkennen können, blieb das automatische Anordnen einer vollständigen Serie von Zahn-Röntgenbildern eine schwierige Herausforderung. Die Komplexität liegt nicht nur darin, einen einzelnen Zahn zu identifizieren, sondern zu verstehen, wie eine Gruppe von Bildern wie die Teile eines größeren Puzzles zusammenpasst, selbst wenn einige Teile fehlen oder gedreht sind.

Ein Team von Forschern des UTHealth Houston School of Dentistry zusammen mit Kooperationspartnern der National Yang Ming Chiao Tung University hat einen neuen Weg entwickelt, um dieses Problem zu lösen. Sie entwickelten ein automatisiertes System, das Zähne erkennen, sie korrekt nummerieren und einen vollständigen Satz von Röntgenbildern mit bemerkenswerter Geschwindigkeit und Genauigkeit in die richtige Reihenfolge bringen kann. Ihre Arbeit, die in einer Studie mit über 5.000 Radiographien von 354 Patienten veröffentlicht wurde, zeigt, dass ein Computer nun den gesamten Arbeitsablauf der Organisation von Zahn-Röntgenbildern bewältigen kann – eine Aufgabe, die zuvor erhebliche menschliche Aufmerksamkeit erforderte.

Die Forscher begannen damit, einen massiven Datensatz von Zahn-Röntgenbildern zu sammeln. Sie sammelten 5.431 Bilder von 354 verschiedenen Patienten, die sowohl den Ober- als auch den Unterkiefer abdeckten. Jeder einzelne Zahn in diesen Bildern wurde sorgfältig von Zahnmedizinern markiert, die ein Kästchen um jeden Zahn zeichneten und ihm seine korrekte Nummer zuwiesen. Dies erzeugte eine „Ground Truth“ (Grundwahrheit), eine perfekte Referenz, die der Computer als Lernquelle nutzen konnte. Das Team trainierte daraufhin ihre Modelle der Künstlichen Intelligenz mit diesen Daten und lehrte das System, die Form, Position und Anzahl der Zähne unter verschiedenen Bedingungen zu erkennen.

Das System arbeitet in drei Hauptphasen. Zuerlich nutzt es ein Detektionswerkzeug, um jeden Zahn in einem Röntgenbild zu finden. Im Gegensatz zu älteren Methoden, die einfache quadratische Boxen um Objekte ziehen, verwendet dieses System angewinkelte Boxen, die sich passend zur exakten Position eines Zahns neigen und drehen können. Dies ist entscheidend, da Zähne in einem Röntgenbild oft in seltsamen Winkeln erscheinen, je nachdem, wie der Sensor im Mund platziert wurde. Sob sobald die Zähne lokalisiert sind, identifiziert das System, um welchen Zahn es sich handelt, und weist ihm eine Nummer von eins bis zweiunddreißig gemäß dem standardmäßigen universellen Nummerierungssystem zu, das von Zahnärzten verwendet wird.

Der innovativste Teil der Studie ist die Art und Weise, wie das System die Bilder anordnet. Anstatt nur einen Zahn nach dem anderen zu betrachten, betrachtet der Computer die Beziehung zwischen mehreren Bildern. Die Forscher entwarfen das System so, dass der Computer die Röntgenbilder wie die Teile eines Puzzles betrachtet. Genau wie ein Mensch die Kante eines Puzzleteils und die Kurve eines anderen betrachten könnte, um zu sehen, ob sie zusammenpassen, analysiert der Computer die räumliche Beziehung zwischen verschiedenen Röntgenbildern. Er lernt, dass ein Bild, das die Frontzähne zeigt, neben einem Bild der Seitenzähne liegen muss und dass ein Bild des Oberkiefers an einer anderen Stelle passt als eines des Unterkiefers. Dieser Ansatz ermöglicht es dem System, die Bilder korrekt zu platzieren, selbst wenn einige Zähne fehlen oder die Anatomie unklar ist – eine Situation, in der ältere Methoden oft scheiterten.

Die Ergebnisse dieses automatisierten Prozesses waren beeindruckend. Als die Forscher ihr System testeten, identifizierte und nummerierte es die Zähne in 9-9 Prozent der Fälle korrekt. Noch wichtiger war: Wenn es darum ging, den vollständigen Satz an Röntgenbildern in die richtige Reihenfolge zu bringen, lag das System in 98 Prozent der Fälle richtig. Diese hohe Genauigkeit hielt über verschiedene Arten von Bildern hinweg stand, einschließlich derer des Oberkiefers, des Unterkiefers und der Bissflügelaufnahmen (Bitewings), die die Kronen der Zähne zeigen. Das System arbeitete besonders gut bei den Frontzähnen und den Seitenzähnen auf beiden Seiten, wobei nur geringfügige Verwechslungen zwischen Bildern auftraten, die sich sehr ähnlich waren, wie etwa die beiden Bilder auf der rechten Seite des Unterkiefers.

Eine der bedeutendsten Errungenschaften dieser Studie ist die Fähigkeit des Systems, Bissflügelaufnahmen (Bitewing-Bilder) zu verarbeiten. Diese spezifischen Röntgenbilder, die die Oberseite der Zähne und den Knochen zwischen ihnen zeigen, waren historisch gesehen für Computer schwierig automatisch zu platzieren, da sie weniger von der Zahnwurzel zeigen und oft an klaren Landmarken mangeln. Frühere Versuche, die Anordnung von Zahn-Röntgenbildern zu automatisieren, hatten mit diesen spezifischen Fotos oft Schwierigkeiten. Das neue System hingegen platzierte die Bissflügelaufnahmen mit einer Genauigkeit von 96 Prozent, was beweist, dass es die gesamte Komplexität einer zahnärztlichen Untersuchung bewältigen kann, ohne dass ein Mensch eingreifen muss, um die Reihenfolge zu korrigieren.

Die Forscher testeten ihr System streng, um sicherzustellen, dass die Ergebnisse zuverlässig sind. Sie teilten ihre Daten in fünf separate Gruppen auf, trainierten den Computer mit vier Gruppen und testete ihn an der fünften, wobei sie diesen Prozess fünfmal wiederholten, sodass jedes Bild genau einmal getestet wurde. Diese Methode stellte sicher, dass das System nicht bloß die Antworten auswendig lernte, sondern tatsächlich lernte, Muster zu erkennen, die auf neue, unbekannte Patienten anwendbar sind. Die Konsistenz der Ergebnisse über alle fünf Tests hinweg deutet darauf denn auf, dass das System robust ist und bereit für den realen Einsatz ist, sofern es in einem klinischen Umfeld validiert wird.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie die zahnärztliche Bildgebung in Zukunft gehandhabt werden könnte. Durch die Automatisierung der mühsamen Aufgaben des Zählen von Zähnen und Sortierens von Bildern befreit das System Zeit für Zahnmediziner, damit diese sich auf Diagnose und Behandlung konzentrieren können. Die Studie zeigt, dass Künstliche Intelligenz die subtilen räumlichen Beziehungen in Zahn-Röntgenbildern erlernen kann und über die einfache Detektion hinausgeht, um den Kontext des gesamten Mundes zu verstehen. Obwohl das System derzeit ein Forschungswerkzeug ist, deuten seine hohe Genauigkeit und die Fähigkeit, schwierige Fälle wie Bissflügelaufnahmen zu bewältigen, darauf hin, dass es bald zu einem Standardbestandteil des zahnärztlichen Arbeitsablaufs werden könnte, was den Prozess von dem Moment an optimiert, in dem ein Röntgenbild aufgenommen wird, bis zu dem Moment, in dem es bereit für die Überprüfung durch einen Zahnarzt ist.