首页 > 论文范文 > 医药卫生论文 > 口腔科论文 > 口腔疾病论文 > 卷积神经网络在牙体牙髓病影像诊断中的研究和应用

卷积神经网络在牙体牙髓病影像诊断中的研究和应用

2023-11-28 183 上传者：管理员

摘要：随着计算机技术的发展，人工智能在口腔医学影像诊断中的研究和应用发展迅速，牙体牙髓病作为最常见的一类口腔疾病是其中最早开展人工智能相关研究的领域之一。近年来，以卷积神经网络为代表的深度学习技术在牙体牙髓病影像诊断中展现了良好的应用前景，有望在未来为临床医生提供智能化诊疗支持。本文将基于卷积神经网络的工作原理，重点介绍卷积神经网络在牙体牙髓病影像诊断中的研究和应用情况，并简要分析其发展前景。

关键词：
人工智能
卷积神经网络
影像诊断
牙体牙髓病
软硬组织形态
加入收藏

牙体牙髓病是口腔领域最常见的疾病之一，影像学检查在牙体牙髓病的精准诊断和治疗中至关重要。然而，口腔内包含牙齿、牙槽骨、软组织和修复体等多种软硬组织形态，使得牙体牙髓病影像的纹理和灰度变化更加复杂，影像诊断更具挑战。近年来，人工智能(artificial intelligence, AI)技术的进步可能是牙体牙髓病影像诊断发展的新曙光。早在上世纪80年代，伴随机器学习算法的突破和数字化影像技术的出现，医学影像便成为AI在医学领域的重要研究内容。21世纪初，深度学习技术的出现成为AI发展的新浪潮，在高性能图形处理器和医学影像大数据的加持下，推动AI在医学影像分析中取得了进一步突破。深度学习是机器学习的一个重要分支，深度学习模型的设计受人脑神经网络，尤其是视觉皮层的工作原理所启发，通过多层人工神经网络来解析医学影像大数据。近年来，以卷积神经网络(convolutional neutral network, CNN)为代表的深度学习模型已在牙体牙髓常见病的诊断、牙齿结构的分割以及影像质量提升等方面展现了良好的应用前景，一些商业化软件也在临床逐步推广应用。本文将就CNN的组成及工作原理、CNN在牙体牙髓病影像诊断中的研究和应用情况作一综述。

1、卷积神经网络的组成及工作原理

1.1 CNN的基本结构及其优势

1998年，Lecun等[1]针对手写数字识别任务而提出了最早的CNN模型——LeNet-5,它包含了卷积层、池化层和全连接层等基本组成，被广泛应用于计算机视觉任务，也为后来层次更深更复杂的CNN模型奠定了基础。之后发展的一些CNN模型则逐渐引入了ReLU激活函数[2]、Inception模块[3]、跳跃连接[4]等机制，进一步拓宽了CNN对不同图像识别任务的适用性。基于这些特点，CNN与传统机器学习相比在医学影像分析中具有以下优势：(1)自动化提取影像特征，提高了信息处理的效率和全面性；(2)包含复杂神经网络和非线性激活函数，提高了对影像和诊断标签之间非线性关系的学习能力；(3)适合在大规模数据集上开展，有助于提高模型的适应能力。

图1适用于分类任务的CNN的基本结构由卷积层、池化层和全连接层三部分组成

1.2 CNN在影像分析中的主要任务及工作原理

分类、目标检测和分割是计算机图像识别的三类重要任务，分别用于判断目标的类别、存在位置及确切范围[5]。适用于分类任务的CNN具有典型的卷积层(convolutional layer)、池化层(pooling layer)和全连接层(full connected layer)结构，其中卷积层的作用是通过卷积核在输入图像上的滑动和点乘操作生成特征图，完成特征提取。池化层的作用在于减小特征图的尺寸，并保留最显著的特征，提高计算效率并降低过拟合风险。经过卷积和池化操作后，特征图被展平成一维向量，最后通过全连接层进行分类(图1)。适用于目标检测和分割任务的模型分别在此基础上加入了区域建议网络和上采样卷积层，以生成目标位置的边界框和分割结果[6]。对牙体牙髓病的影像诊断而言，在定性评估层面，通常需要将病变从影像中识别出来，基于目标检测任务和分割任务均可实现。在定量评估层面，则需要将病变或牙齿结构从影像背景中精准分离出来，这一目标需基于分割任务实现，并更加强调分割结果的精确性。

2、卷积神经网络与牙体牙髓病影像诊断

牙体牙髓病诊断常用影像手段主要包括根尖片、咬合翼片和CBCT。根尖片和咬合翼片主要用于常见病变的定性评估，但是将三维结构以二维呈现会导致组织影像重叠和颊舌向信息缺失，影响医生对病变程度和空间位置的判断[7]。因此在二维影像上，利用CNN实现龋病、根尖周病和牙根纵裂等疾病的目标检测任务是主要研究方向。

CBCT各向同性的三维成像方式使其更适合精确测量和定量分析。但是由于相关培训的缺乏[8],医生对于解读CBCT的知识、能力和信心普遍不足[9],限制了CBCT的使用效率和准确性。而且CBCT在软件中常以二维断层呈现，缺乏三维可视化视角，因此在三维影像上，目前除了探索CNN在病变目标检测任务中的表现，还致力于实现牙体、牙髓腔的精准分割和三维可视化。此外，一些基于CNN的图像生成任务也已在CBCT上初步开展，目的是进一步提升CBCT的成像质量。

2.1 CNN在牙体牙髓病影像诊断中的研究进展

2.1.1龋病

龋病影像的特征提取是一项具有挑战性的任务，龋损的形态、大小、位置等特征变化较大，且牙髓腔、牙齿邻间隙和背景部分的灰度有时与龋损相似，可能影响CNN对目标区域的判断。在二维层面，一些学者探究了CNN对不同部位、不同深度的龋损的检测能力，发现CNN在灵敏度方面的表现要显著优于医生[10,11],但CNN对不同牙位的龋损的检测效果未见显著性差异[12]。根据一项系统综述，医生在二维影像对各类龋损检测的平均敏感度仅为0.24～0.43(即可能存在76%的病变漏诊),显然CNN对于降低临床医生的龋损漏诊率具有一定潜在价值[13]。Mertens等[14]设计了小规临床随机对照实验，也发现AI辅助组医生ROC曲线下面积和灵敏度显著高于无辅助组。

在三维层面，Ren等[15]还首次探究了CNN在CBCT上的龋损分类效果，并引入注意力机制使模型能够自适应地分配注意力权重，从而更加关注龋齿影像中的重要区域，最终对中深龋分类准确性可达92%。以上研究显示了CNN在龋损检测中巨大潜力，然而目前的报道仍集中于模型的开发和验证，其临床实际应用效果还有待进一步评估。

2.1.2根尖周病

根尖周病在放射影像上通常表现为根尖周围的局限性低密度影，然而其病损的空间形态常不规则，有时与周围骨质分界不清，增加了CNN的诊断难度。在二维层面，Li等[16]基于ResNet18构建的模型检测根尖周病损的准确率显著高于年轻医生，且年轻医生在模型的辅助下诊断准确率和一致性均有显著提高。Pauwels等[17]构建的体外根尖周病损模型也支持了CNN模型的优越性。除了针对性的根尖片检查，一些根尖周病损也常在曲面体层片的检查中被意外发现，CNN模型在曲面体层片上的根尖周病损检测中也取得了较高的准确度[18,19]。

由于二维影像颊舌向维度的缺失，CBCT是评估根尖周病变大小和空间位置的更好选择，在三维层面基于CNN的影像分割有助于医生精准把握病损形态和位置，还可为智能化根尖手术提供支持。然而目前虽然CNN模型在根尖周病损的检测任务中的准确率已达0.9以上，但分割的精度仍有待提高[20,21]。有研究尝试在CBCT影像的训练中融入口腔解剖知识，使根尖周病损分割的Dice相似系数达到0.74[22]。鉴于这类病损空间形态的不规则性，如何提高CNN在CBCT上的根尖周病损分割精度还有待于深入研究。

2.1.3牙根纵裂

牙根纵裂(vertical root fracture, VRF)是一种隐蔽的慢性损伤性牙体疾病，CNN对VRF影像中细小纹理的感知是一项具有挑战性的任务。目前相关研究多在CBCT影像上开展，在早期尝试中，Johari等[23]探索了概率神经网络在体外根尖片和CBCT上检测VRF的效果，最大准确率达到96.6%,但其仅使用了单牙根且影像背景中无其他结构干扰，因此临床参考价值有限。Vicory等[24]尝试了小波变换法与U-Net结合的方式，这种方法更有助于从复杂背景中恢复出微弱信号，该研究显示在显微CT上的VRF检测效果优于高分辨CBCT。最新研究显示ResNet模型可能对CBCT上VRF的检测有较好的适用性[25]。Yang等[26]的研究显示ResNet50在体内和体外CBCT数据集上检测VRF的最大AUC分别为0.929和0.936,这与两位放射科医生在体内和体外CBCT数据集上的表现相当。

2.2 CNN与牙齿结构的分割

牙齿结构的分割通常包含牙体和牙髓腔的分割，重建后可以为临床医师提供三维可视化视角。然而由于CBCT的噪声和伪影问题，以及口腔中相对复杂的软硬组织背景，传统分割方法如阈值法、区域增长、边缘检测等适用性不佳。有证据表明，CNN有能力在CBCT上实现高精度、高效率的牙体分割[27],单独使用CNN的牙体分割精度与专家修正后的结果无显著差异[28]。与牙体分割相比，牙髓腔的形态更加复杂，结构更加细小，其精准分割更具挑战性。针对这一问题，Duan等[29]选择迭代使用U-Net神经网络，即第一次分割将牙体部分提取出来，再进行第二次分割获得牙髓腔的分割数据，以避免外部影像对牙髓腔分割的干扰。Lin等[30]则结合同一颗牙齿的显微CT和CBCT影像，以多模态结合的方法实现了高精度的牙体和牙髓腔分割。这种方法以显微CT金标准代替了以往的手动标注，增加了模型对牙齿和牙髓腔解剖细节的学习。目前基于CNN的牙体和牙髓腔分割已初步实现，受限于当前CBCT的分辨率，对细小根管和根尖部位牙髓腔的精准分割可能是未来的研究方向之一。

2.3 CNN与影像质量提升

CBCT的放射剂量是限制其适用范围和成像精度的主要因素之一，射束硬化效应导致的伪影则会进一步影响成像精度，降低CBCT的诊断效能。因此，如何在有限放射剂量下获得更高的成像质量是一个值得关注的问题。目前常见的方法是将CBCT与其他影像模态进行配准，然后使用CNN学习影像之间的噪声分布差异，以减少伪影和增强影像质量。传统扇形束CT由于扫描时间长、放射剂量大和重建算法方面的优势，其伪影控制要优于CBCT,因此有研究尝试将CBCT与扇形束CT配准，提出基于CNN的校正算法来降低CBCT重建产生的伪影，有效提升了CBCT影像质量[31]。另一方面，显微CT具有微米级的高分辨率和鲜明的对比度，被视为呈现牙齿结构的金标准，Yang等[32]构建的VSnet模型通过对影像模态差异的学习实现了从CBCT生成类似显微CT精度的影像。这些研究显示了CNN在CBCT影像质量提升中应用的可能性，为提升CBCT的临床诊断效能提供了新的思路。

3、商业化牙体牙髓病诊断辅助软件的应用

近年来，在算法研究的同时，一些团队还致力于CNN的临床转化，一系列商业化软件正在逐渐走向临床应用。这类软件主要以根尖片、咬合翼片和曲面体层片作为分析对象，能够实现牙齿的定位与分割和常见病变的诊断。柏林夏洛特医院参与研发的dentalXrai Pro[33]能够在曲面体层片上准确识别牙齿、种植体和多种病变。使用时，拍摄的影像可自动传输至软件中，由医生分析和确认软件的诊断结果，最后与患者讨论治疗计划，从2019年开始已逐步在欧洲开展临床应用。美国Pearl公司推出的Second Opinion声称是第一款AI驱动的实时影像诊断平台，并于2022年获得美国食品与药品管理局许可，该软件致力于为医生提供多种牙齿病变的诊断辅助，提高影像诊断的一致性[34]。总体而言，深度学习技术是这些软件运行的基础，随着相关研究的深入和算法的不断迭代更新，也将带动相关应用软件逐渐走向成熟，在这一过程中其可靠性和临床适用性还需要不断的评估和优化。

4、CNN在口腔临床转化中存在的挑战

尽管CNN在牙体牙髓病的影像诊断中具有巨大潜力，但这一方案在很大程度上尚未进入常规的临床实践中。总体上，与临床医学相比，CNN在口腔领域的发展相对滞后，从2015年起才开始应用于口腔医学影像的研究[35],在近五年技术层面才陆续取得突破，其发展尚未进入以应用为主导的阶段。在模型训练方面，口腔影像数据通常隔离在各个医院的独立数据库中，与其他领域数据集相比，缺乏大规模的数据共享机制，而在独立数据集上训练出的CNN模型难以保证对其他陌生数据集的适应性，为大规模的临床推广带来了一定的挑战。为此有学者提出，未来的人工智能训练方案可能从集中式学习向分布式学习转变，训练将在各个本地数据库进行，模型之间仅共享更新[36]。此外，模型决策的可解释性在医疗领域是至关重要的，因为医生和患者需要理解模型的决策依据，并对其预测结果产生信任。然而，目前大多数研究中模型的决策过程仍然是一个“黑盒子”,缺乏决策过程的可视化呈现。总而言之，CNN在口腔临床转化中尚处于初步阶段，在技术攻关之外需要更多应用层面的探索，在应用中了解临床实践的真实需求并反馈引导技术层面的研发，将有助于加快CNN临床转化的步伐。

5、小结与展望

综上，在研究层面，近年来CNN在常见牙体牙髓病的影像诊断中已取得了显著的进展，CNN能够在复杂影像中自动捕捉关键特征，对种类多样、形态复杂的牙体牙髓病病变展现了良好的适应性。然而，CNN在口腔临床的应用尚处于初步阶段，虽然一些商业化软件已在临床应用中显示出一定的潜力，但其可靠性和广泛适用性仍需进一步验证和优化。未来，还需要更多以应用为导向的研究以评估CNN在口腔临床实践中的适用性，在研究方法和技术日趋成熟的基础上，获取体量更大、质量更高、来源更广的影像数据集可能是提升CNN模型诊断性能，推动CNN临床转化的关键。

文章来源:齐帅,张旗.卷积神经网络在牙体牙髓病影像诊断中的研究和应用[J].口腔医学研究,2023,39(11):960-964.