Artificial Intelligence for Tooth Numbering and Full-Mouth Series Placement

Tandartsen vertrouwen op een specifieke set röntgenfoto's om een volledig beeld van de mond van een patiënt te krijgen. Deze collectie, bekend als een volledige reeks (full-mouth series), bestaat uit tientallen individuele foto's, die elk een klein deel van de tanden en het bot vastleggen. Om deze beelden te begrijpen, moet een tandarts precies weten welke tand in elk frame verschijnt en waar dat frame thuishoort in de uiteindelijke sequentie. Traditioneel gezien is dit een handmatige taak. Een mens moet elke afbeelding bekijken, de tanden identificeren, ze een nummer toekennen op basis van een universeel systeem, en de foto's vervolgens in de juiste volgorde plaatsen. Dit proces is tijdrovend en foutgevoelig, vooral wanneer afbeeldingen wazig zijn, tanden ontbreken of de röntgensensor onder een lichte hoek is gehouden.

In de afgelopen jaren zijn computers krachtig genoeg geworden om te leren hoe ze medische beelden kunnen zien en interpreteren, een veld dat bekend staat als kunstmatige intelligentie. Deze systemen maken gebruik van deep learning, een methode waarbij een computer duizenden voorbeelden analyseert om patronen te leren zonder expliciet geprogrammeerd te worden met regels voor elk scenario. Ho$ewel computers al hebben bewezen dat ze gaatjes of botbreuken kunnen opsporen, is het automatisch ordenen van een volledige set tandröntgenfoto's een moeilijke uitdaging gebleven. De complexiteit ligt niet alleen in het identificeren van een enkele tand, maar in het begrijpen van hoe een groep afbeeldingen samenkomt als de stukjes van een grotere puzzel, zelfs wanneer sommige stukjes ontbreken of gedraaid zijn.

Een team van onderzoekers van de UTHealth Houston School of Dentistry, samen met partners van de National Yang Ming Chiao Tung University, heeft een nieuwe manier ontwikkeld om dit probleem op te lossen. Ze hebben een geautomatiseerd systeem gecreëerd dat tanden kan detecteren, ze correct kan nummeren en een volledige set röntgenfoto's met opmerkelijke snelheid en nauwkeurigheid in de juiste volgorde kan plaatsen. Hun werk, gepubliceerd in een studie met meer dan 5.000 radiografieën van 354 patiënten, laat zien dat een computer nu de volledige workflow van het organiseren van tandheelkundige beelden kan afhandelen, een taak die voorheen aanzienlijke menselijke aandacht vereiste.

De onderzoekers begonnen met het verzamelen van een enorme dataset van tandröntgenfoto's. Ze verzamelden 5.431 afbeeldingen van 354 verschillende patiënten, die zowel de boven- als de onderkaak besloegen. Elke individuele tand in deze afbeeldingen werd zorgvuldig gemarkeerd door tandheelkundige professionals, die een kader rond elke tand tekenden en er een correct nummer aan toekenden. Dit creëerde een "ground truth", een perfecte referentie die de computer kon gebruiken om te leren. Het team trainde vervolgens hun kunstmatige intelligentie-modellen op deze gegevens, waarbij het systeem leerde de vorm, positie en het aantal tanden in diverse omstandigheden te herkennen.

Het systeem werkt in drie hoofdfasen. Eerst gebruikt het een detectietool om elke tand in een röntgenfoto te vinden. In tegen tegenstelling tot oudere methoden die eenvoudige vierkante kaders rond objecten tekenen, gebruikt dit systeem schuine kaders die kunnen kantelen en draaien om exact bij de positie van een tand te passen. Dit is cruciaal omdat tanden op een röntgenfoto vaak onder vreemde hoeken verschijnen, afhankelijk van hoe de sensor in de mond is geplaatst. Zodra de tanden zijn gelokaliseerd, identificeert het systeem welke tand het is en wijst het een nummer toe van één tot tweeëndertig, volgens het standaard universele nummeringssysteem dat tandartsen gebruiken.

Het meest innovatieve deel van de studie is hoe het systeem de afbeeldingen ordent. In plaats van slechts naar één tand te kijken, kij je naar de relatie tussen meerdere afbeeldingen. De onderzoekers hebben het systeem ontworpen om de röntgenfoto's te laten denken als de stukjes van een legpuzzel. Net zoals een persoon naar de rand van één puzzelstukje en de curve van een ander kan kijken om te zien of ze in elkaar passen, analyseert de computer de ruimtelijke relatie tussen verschillende röntgenbeelden. Het leert dat een afbeelding die de voortanden laat zien, naast een afbeelding van de zijtanden hoort, en dat een foto van de bovenkaak op een andere plek thuishoort dan een foto van de onderkaak. Deze aanpak stelt het systeem in staat om de afbeeldingen correct te plaatsen, zelfs als sommige tanden ontbreken of als de anatomie onduidelijk is, situaties waarin oudere methoden vaak faalden.

De resultaten van dit geautomatiseerde proces waren indrukwekkend. Wanneer de onderzoekers hun systeem testten, identificeerde en nummerde het de tanden correct in 99 procent van de gevallen. Belangrijker nog, wat betreft het ordenen van de volledige set röntgenfoto's in de juiste volgorde, zat het systeem er 98 procent van de tijd naast. Deze hoge nauwkeurigheid hield stand bij verschillende soorten afbeeldingen, inclus�യാണ de bovenkaak, de onderkaak en de bitewing-opnamen die de kronen van de tanden tonen. Het systeem presteerde bijzonder goed bij de voortanden en de achterste tanden aan beide zijden, waarbij slechts minimale verwarring optrad tussen afbeeldingen die erg op elkaar leken, zoals de twee afbeeldingen aan de uiterst rechterkant van de onderkaak.

Een van de meest significante prestaties van deze studie is het vermogen van het systeem om bitewing-opnamen te verwerken. Deze specifieke röntgenfoto's, die de bovenkant van de tanden en het bot daartussen laten zien, zijn historisch gezien moeilijk voor computers om automatisch te plaatsen omdat ze minder van de tandwortel laten zien en vaak een gebrek aan duidelijke herkenningspunten hebben. Eerdere pogingen om de ordening van tandheelkundige beelden te automatiseren, hadden vaak moeite met deze specifieke foto's. Het nieuwe systeem plaatste echter de bitewing-opnamen met een nauwkeurigheid van 96 procent, wat bewijst dat het de volledige complexiteit van een tandheelkundig onderzoek kan beheren zonder dat er een mens aan te pas moet komen om de volgorde te corrigeren.

De onderzoekers hebben hun systeem grondig getest om te garanderen dat de resultaten betrouwbaar zijn. Ze verdeelden hun data in vijf aparte groepen en trainden de computer op vier groepen terwijl ze testten op de vijfde, waarbij ze dit proces vijf keer herhaalden zodat elke afbeelding precies één keer werd getest. Deze methode zorgde ervoor dat het systeem niet simpelweg de antwoorden uit het hoofd leerde, maar daadwerkelijk patronen leerde herkennen die van toepassing zijn op nieuwe, onbekende patiënten. De consistentie van de resultaten over alle vijf de tests suggereert dat het systeem robuust is en klaar voor gebruik in de praktijk, mits het in een klinische setting wordt gevalideerd.

Dit werk vertegenwoordigt een verschuiving in de manier waarop tandheelkundige beeldvorming in de toekomst kan worden afgehandeld. Door de tijdrovende taken van het tellen van tanden en het sorteren van afbeeldingen te automatiseren, komt het systeem tijd vrij voor tandheelkundigen om zich te concentreren op diagnose en behandeling. De studie toont aan dat kunstmatige intelligentie de subtiele ruimtelijke relaties in tandröntgenfoto's kan leren, waarbij het verder gaat dan eenvoudige detectie om de context van de gehele mond te begrijpen. Hoewel het systeem momenteel een onderzoeksinstrument is, suggereert de hoge nauwkeurigheid en het vermogen om moeilijke gevallen zoals bitewing-opnamen aan te kunnen, dat het binnenkort een standaard onderdeel van de tandheelkundige workflow zou kunnen worden, waardoor het proces wordt gestroomlijnd vanaf het moment dat een röntgenfoto wordt gemaakt tot het moment dat deze klaar is voor beoordeling door een tandarts.