Automated Dental Calculus Mapping and Burden Estimation Using Deep Learning
Deze studie presenteert een deep learning-model gebaseerd op een ResNet-50 encoder en een U-Net architectuur dat succesvol de segmentatie en de schatting van de belasting van tandsteen uit intraorale foto's automatiseert, waarbij superieure prestaties wordt aangetoond ten opzichte van alternatieve modellen en potentieel wordt geboden voor schaalbare screening op mondgezondheid in onderbediende gemeenschappen.
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
Elke dag dragen miljarden mensen over de hele wereld een stille, onzichtbare last in hun mond: een harde, korstige laag gemineraliseerde bacteriën die aan hun tanden kleeft. Wetenschappers noemen dit tandsteen (dental calculus), maar de meeste mensen kennen het als tartar. Het vormt zich wanneer de zachte film van plaque op de tanden in de loop der tijd verhardt, wat werkt als een ruw steigerwerk dat meer bacteriën vasthoudt en het tandvlees irriteert. Deze irritatie is de primaire oorzaak van tandvleesziekte, een aandoening die kan leiden tot pijn, tandverlies en bredere gezondheidsproblemen. Voor velen is het probleem niet alleen biologisch maar ook sociaal; de mensen die het meest lijden onder ernstige tandvleesziekte zijn vaak degenen met de minste toegang tot professionele tandheelkundige zorg. In landelijke gebieden, gemeenschappen met lage inkomens en delen van de wereld met weinig tandartsen, kan iemand jarenlang geen professional zien, waardoor deze ophoping ernstig en beschadigend wordt voordat iemand het merkt.
De hoop om deze realiteit te veranderen ligt in een eenvoudig hulpmiddel: een camera. In de afgelopen jaren gebruiken tandartsen en medewerkers in de volksgezondheid steeds vaker foto's om orale problemen te screenen, vooral in scholen of afgelegen klinieken waar een volledig tandheelkundig onderzoek onmogelijk is. De uitdaging is geweest dat het handmatig bekijken van duizenden foto's traag is, en menselijke ogen kunnen subtiele tekenen van vroege ziekte missen. Dit is waar computer vision, een tak van kunstmatige intelligentie die machines leert om te "zien" en afbeeldingen te interpreteren, het verhaal binnenkomt. Onderzoekers vragen zich nu af of een computer naar een foto van een mond kan kijken, de harde, korstige afzettingen kan opsporen, en zelfs kan meten hoeveel van het tandoppervlak ze bedekken, zonder dat een mens naar het scherm hoeft te turen. Als een machine dit betrouwbaar zou kunnen doen, zou het kunnen helpen identificeren wie dringende zorg nodig heeft en wie simpelweg betere poetsgewoonten nodig heeft, waardoor potentieel miljoenen mensen worden bereikt die momenteel door de mazen van het zorgsysteem vallen.
Een team van onderzoekers van de North Carolina Agricultural and Technical State University en The Oral Surgery Institute of the Carolinas zette zich af om een dergelijk hulpmiddel te bouwen. Ze creëerden geen nieuwe camera of een nieuw medicijn; in plaats daarvan leerden ze een computer om tandsteen te herkennen in foto's. Hiervoor verzamelden ze een grote collectie bestaande foto's van menselijke monden, die afbeeldingen bevatten van gezonde tanden evenals tanden bedekt met de harde, geelbruine afzettingen van tandsteen. Vervolgens besteedden ze een aanzienlijke hoeveelheid tijd aan het handmatig tekenen van nauwkeurige contouren rond elke zichtbare plek met tandsteen in deze foto's, waardoor ze een set "ground truth"-kaarten creëerden die de computer precies lieten zien waar de afzettingen zich bevonden. Dit proces werd uitgevoerd door een onderzoeker zonder tandheelkundige graad, een noodzakelijke stap gezien het volume aan afbeeldingen, hoewel het team erkende dat een deskundige tandarts in de toekomst nodig zou zijn om deze markeringen te verifiëren.
Met deze zorgvuldig gemarkeerde afbeeldingen in de hand trainden de onderzoekers een geavanceerd computerprogramma, een type deep learning-model bekend als een U-Net, om het verschil te leren tussen een schone tand en een tand bedekt met tandsteen. Ze gebruikten een specifiek ontwerp dat de computer in staat stelde om naar het hele plaatje te kijken terwijl hij ook focuste op kleine details, vergelijkbaar met hoe een mens even afstand kan nemen om de algemene vorm van een object te zien en vervolgens kan inzoomen om een specifie
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.