用于根尖放射影像牙周炎分期的端到端纠缠分割与分类卷积神经网络
计算机视觉与模式识别
2021-09-28 v1 机器学习
摘要
牙周炎是一种与生物膜相关的慢性炎症性疾病,以牙龈炎和牙齿区域骨丢失为特征。美国约有 6100 万 30 岁以上成人患牙周炎 (42.2%),其中 7.8% 为重度牙周炎。放射学骨丢失 (RBL) 的测量对于做出正确牙周诊断是必要的,尤其在缺乏综合和纵向牙周制图时。然而,医生对 X 射线的解读因其经验与知识而异。计算机化诊断支持为医生带来高精度、一致性的诊断以及制定预防或控制牙周炎的适当治疗计划的曙光。我们通过集成分割与分类任务,开发了端到端深度学习网络 HYNETS (Hybrid NETwork for pEriodoNTiTiS STagES from radiograpH),用于从根尖放射影像对牙周炎进行分期分级。HYNETS 采用多任务学习策略,结合一组分割网络与一个分类网络,提供端到端可解释的解决方案及高精度、一致的结果。HYNETS 在骨区域和牙齿分割上分别取得 0.96 和 0.94 的平均 Dice 系数,在牙周炎分期分配上取得 0.97 的平均 AUC。此外,传统图像处理技术提供 RBL 测量,并建立模型预测的可解释性与可信度。HYNETS 有潜力将临床诊断从耗时而易错的手动任务转变为基于根尖放射影像的高效自动化牙周炎分期分配。
引用
@article{arxiv.2109.13120,
title = {An End-to-end Entangled Segmentation and Classification Convolutional Neural Network for Periodontitis Stage Grading from Periapical Radiographic Images},
author = {Tanjida Kabir and Chun-Teh Lee and Jiman Nelson and Sally Sheng and Hsiu-Wan Meng and Luyao Chen and Muhammad F Walji and Xioaqian Jiang and Shayan Shams},
journal= {arXiv preprint arXiv:2109.13120},
year = {2021}
}
备注
8 pages, 8 figures, 5 tables