The application of deep learning in intelligent assessment of horizontal bone loss in mandibular first molars.

چکیده اصلی

OBJECTIVE: This study aims to develop an assessment tool that utilizes deep learning (DL) techniques to automatically detect the extent of horizontal bone loss in mandibular first molars on cone-beam computed tomography (CBCT) images. METHODS: A total of 505 CBCT images of patients with mandibular first molar horizontal bone loss were included in this study. Clinical experts annotated the horizontal bone loss areas, and a 3D-ResNets model was employed to classify the degree of horizontal bone loss. The diagnostic and classification performance of the model was then evaluated. RESULTS: The 3D-ResNets model demonstrated accurate diagnosis and classification of healthy teeth, degree I/II horizontal bone loss teeth, and degree III horizontal bone loss teeth (Precision: 0.814 vs. 0.778 vs. 0.906; Recall: 0.921 vs. 0.737 vs. 0.829; F1-score: 0.864 vs. 0.757 vs. 0.866; Accuracy: 0.901 vs. 0.838 vs. 0.919). The model demonstrated reliable diagnostic performance, achieving an overall accuracy (OA) of 0.829, comparable to the dentist's OA of 0.820 (no significant difference). CONCLUSION: The 3D-ResNets model demonstrates high accuracy, sensitivity, and specificity in detecting the extent of horizontal bone loss in mandibular first molars on CBCT images, showing promising potential for clinical application. CLINICAL SIGNIFICANCE: The current study provides preliminary experimental support for the development of a clinical auxiliary diagnostic system to automatically detect the degree of horizontal bone loss in mandibular first molars.

ترجمه فارسی چکیده

هدف این مطالعه توسعه ابزاری است که از تکنیک‌های یادگیری عمیق (DL) برای تشخیص خودکار میزان از دست رفتن استخوان افقی در مولر اول فک پایین بر روی تصاویر توموگرافی کامپیوتری پرتو-مخروطی (CBCT) استفاده می‌کند. در این مطالعه، ۵۰۵ تصویر CBCT از بیماران دارای از دست رفتن استخوان افقی در مولر اول فک پایین شامل شدند. متخصصان بالینی مناطق از دست رفتن استخوان افقی را برچسب‌گذاری کردند و از یک مدل ۳D-ResNets برای طبقه‌بندی شدت از دست رفتن استخوان افقی استفاده شد. عملکرد تشخیصی و طبقه‌بندی مدل سپس ارزیابی شد. مدل ۳D-ResNets تشخیص و طبقه‌بندی دقیقی از دندان‌های سالم، دندان‌های دارای از دست رفتن استخوان افقی درجه I/II و دندان‌های دارای از دست رفتن استخوان افقی درجه III نشان داد (دقت: ۰.۸۱۴ در برابر ۰.۷۷۸ در برابر ۰.۹۰۶؛ حساسیت: ۰.۹۲۱ در برابر ۰.۷۳۷ در برابر ۰.۸۲۹؛ امتیاز F1: ۰.۸۶۴ در برابر ۰.۷۵۷ در برابر ۰.۸۶۶؛ دقت کلی: ۰.۹۰۱ در برابر ۰.۸۳۸ در برابر ۰.۹۱۹). مدل عملکرد تشخیصی قابل‌اعتمادی نشان داد و دقت کلی (OA) ۰.۸۲۹ را به دست آورد که با دقت کلی دندانپزشک ۰.۸۲۰ قابل مقایسه است (تفاوت معنی‌داری وجود ندارد). مدل ۳D-ResNets دقت، حساسیت و ویژگی‌های تشخیصی بالایی در تشخیص میزان از دست رفتن استخوان افقی در مولر اول فک پایین بر روی تصاویر CBCT نشان داد و پتانسیل promising برای کاربرد بالینی را نشان می‌دهد. مطالعه حاضر پشتیبانی آزمایشی اولیه برای توسعه یک سیستم تشخیصی بالینی کمکی برای تشخیص خودکار شدت از دست رفتن استخوان افقی در مولر اول فک پایین ارائه می‌دهد.

متن کامل اصلی