Deep learning–based classification of mesial and distal horizontal projection deviations in intraoral radiographs
Deze studie toont aan dat een deep learning-model getraind op fantoomdata nauwkeurig mesiale en distale horizontale projectieafwijkingen in intraorale röntgenfoto's kan classificeren, waarbij het menselijke tandartsen overtreft en potentiële ondersteuning biedt voor directionele correcties tijdens herhaalde beeldvorming.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de stille precisie van een tandartspraktijk bevat één enkele röntgenfoto de sleutel tot het diagnosticeren van verborgen cariës of het plannen van complexe behandelingen. Om een helder beeld te krijgen, moet de tandarts de röntgenstraal onder precies de juiste hoek richten. Als de straal zelfs maar iets te ver naar links of rechts is gekanteld, overlappen de schaduwen van de tanden elkaar, waardoor de contactpunten waar gaatjes vaak zich verschuilen, wazig worden. Deze fout, bekend als een horizontale projectieafwijking, dwingt de patiënt om een nieuwe ronde straling te ondergaan en de tandarts om opnieuw te beginnen. Decennialang vertrouwde de oplossing volledig op het menselijk oog en ervaring om te raden in welke richting de straal het doel had gemist. Maar nu kunstmatige intelligentie de wereld begint te zien door de lens van deep learning, ontstaat er een nieuw soort assistentie—één die naar een wazig beeld kan kijken en de operator precies kan vertellen in welke richting hij de machine moet bewegen om het te herstellen.
Onderzoekers aan de Kanagawa Dental University zetten zich in om een computersysteem te bouwen dat in staat is tot dit specifieke oordeel. Ze wilden een model creëren dat een intraorale röntgenfoto kon bekijken en kon bepalen of de röntgenstraal te ver naar de voorkant van de mond was gericht, een mesiale afwijking genoemd, of te ver naar de achterkant, een distale afwijking genoemd. Om dit systeem te leren, gebruikten ze geen echte patiënten. In plaats daarvan gebruikten ze een realistische replica van een menselijke schedel, compleet met tanden en kaakbeenderen, geplaatst in een gespecialiseerde fantoom. Ze positioneerden de röntgenbuiskop in een perfecte, recht van voren positie om als basislijn te dienen, en bewogen deze vervolgens doelbewust in acht verschillende richtingen, waarbij ze kantelden met hoeken variërend van vijf tot dertig graden. Dit proces genereerde een bibliotheek van afbeeldingen die precies laten zien wat er gebeurt wanneer de straal uit het midden is, waarbij de subtiele verschuivingen in de overlapping van de tandkronen en wortels worden vastgelegd.
De onderzoekers voedden duizenden van deze afbeeldingen aan een deep learning-model, een type computerprogramma dat patronen herkent op een manier die sterk lijkt op het menselijk brein. Ze gebruikten een techniek genaamd data augmentation, wat inhoudt dat de originele afbeeldingen worden genomen en dat er veel licht verschoven en bijgesneden versies van worden gemaakt. Deze truc hielp de computer om de afwijkingen te herkennen, ongeacht de exacte plaatsing van de sensor in de mond. Het systeem werd getraind om naar de vormen van de tanden en de ruimtes tussen hen te kijken, waarbij het leerde om specifieke visuele vervormingen te associëren met de richting van de fout. Zodra de training voltooid was, testte het team het model op een volledig nieuwe set afbeeldingen die waren gemaakt van een tweede, andere schedelmodel die de computer nog nooit eerder had gezien.
De resultaten waren opmerkelijk. Bij het presenteren van veertig nieuwe afbeeldingen identificeerde de computer de richting van de fout in dertig van de gevallen, waarmee een succespercentage van negentig procent werd behaald. Om te zien hoe dit zich verhield tot menselijke expertise, werd vijf ervaren tandartsen gevraagd naar dezelfde afbeeldingen te kijken en de richting van de fout te raden. De menselijke prestaties varieerden sterk; sommige tandartsen waren meestal correct, terwijl anderen slechts een kwart van de tijd gelijk hadden. Gemiddeld hadden de tandartsen zestig twee procent van de antwoorden goed. De computer behield echter een hoog niveau van nauwkeurigheid over de hele linie, presteerde beter dan vier van de vijf tandartsen en versloeg twee van hen aanzienlijk. In de gevallen waarin de computer het goed had en de tandarts fout zat, had de machine de subtiele aanwijzingen opgemerkt die het menselijk oog had gemist.
Om te begrijpen hoe de computer deze beslissingen nam, gebruikten de onderzoekers een visualisatietool die de delen van de afbeelding benadelt waar het systeem zich op concentreerde. De computer gokte niet simpelweg op basis van de randen van de foto of de achtergrond. In plaats daarvan concentreerde het zich op de kronen van de tanden, de oppervlakken tussen de tanden en de gebieden rond de wortels. Dit bevestigde dat het model daadwerkelijk de anatomische structuren analyseerde die veranderen wanneer de straal verkeerd is gericht, in plaats van te vertrouwen op toevallige patronen in de afbeelding. Het onderzoek suggereert dat hoewel de computer nog geen vervanging is voor een tandarts, het kan dienen als een krachtig tweede oordeel. Als een tandarts een foto maakt en het beeld is onduidelijk, zou dit systeem hen direct kunnen vertellen of ze de röntgenbuis iets naar voren of naar achteren moeten bewegen om de opname te corrigeren, wat tijd bespaart en onnodige blootstelling aan straling voor de patiënt vermindert.
De onderzoekers benadrukken er voorzichtig bij dat hun werk een eerste stap is. De studie werd uitgevoerd in een gecontroleerde omgeving met kunstmatige schedels, en de computer kreeg alleen de opdracht om "voor" of "achter" te zeggen, en niet om het exacte aantal graden te berekenen waarmee de straal afweek. Toekomstig werk zal deze systemen moeten testen op echte patiënten en met complexere variaties in beeldkwaliteit. De bevindingen demonstreren echter dat kunstmatige intelligentie kan leren om de specifieke geometrische fouten te zien die optreden tijdens de tandheelkundige beeldvorming. Door een objectieve, consistente beoordeling van deze technische fouten te bieden, kunnen dergelijke hulpmiddelen helpen de kwaliteit van tandheelkundige röntgenfoto's te standaardiseren, zodat elke gemaakte afbeelding scherp genoeg is om de waarheid die tussen de tanden verborgen ligt, te onthullen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.