首页 > 论文范文 > 医药卫生论文 > 口腔科论文 > 口腔科职称论文 > 口腔颌面医学影像中人工智能的应用研究

口腔颌面医学影像中人工智能的应用研究

2020-08-15 1049 上传者：管理员

摘要：近年来,随着人工智能的飞速发展,人工智能在各专业领域应用的同时,也为口腔颌面医学影像学的发展注入了新的活力。本文就人工智能的发展史、人工智能在医学影像及口腔颌面医学影像学领域中的应用及其相关技术等做一综述。

关键词：
人工智能
口腔颌面
图像分割
影像分析
智齿
深度学习
加入收藏

人工智能(AI)是研究使计算机模仿人类某些特有的思维过程和智能行为,如推理、思考、概括或从过去的经验中学习的一门学科[1]。在过去的十年里,AI在应对各种挑战方面取得了巨大的进步,包括先进的竞争性游戏(如国际象棋和围棋)、自动驾驶汽车、语音识别、人脸识别和智能个人助理等[2]。1956年,JohnMcCarthy决定把达特茅斯(Dartmouth)会议的内容用AI来命名[3]。具有真正开创意义的是在2011年,在美国智力竞猜节目《危险边缘》中,沃森击败该节目历史上两位最成功的选手。2016年,谷歌旗下公司DeepMind创建的计算机围棋程序AlphaGo以总比分4∶1击败韩国职业选手李世石后,它象征着计算机技术已进入AI的新信息技术时代,尤其是深度学习(deeplearning,DL)的计算机学习算法,已成为其中的重要技术之一[4]。近些年来,AI在医学影像中得到了较好的研究应用,同时也为口腔颌面医学影像注入新的活力[5]。

1、AI在医学影像分析中的应用进展

目前AI在医学影像中的应用主要涉及眼科学、肺疾病及乳腺疾病等领域,在其他医学影像如脑疾病、骨折诊断等中也得到初步应用。

1.1AI在青光眼中的研究进展

青光眼是一种发生在视神经内部的病变,所造成的视力损害是不可逆的,会导致视力低下甚至完全失明。据调查至2010年,15名盲人中有1人因青光眼而失明[6,7]。目前,青光眼的检测是由视网膜专家手工完成的,视盘区是鉴别青光眼最重要的区域[8]。谷歌公司利用DL的算法来检测眼底图像中是否有青光眼的存在。数据采用了增强算法,用于提取感兴趣区域(ROI),根据眼底图像数据库并对扩展数据库中的图像进行测试。在高分辨率背景数据库中,对所有数据库进行预测,最终准确度可达到较高水平[9,10]。

1.2AI在肺结节检测中的应用进展

肺癌是发病率和死亡率增长最快,对人群健康和生命威胁最大的恶性肿瘤之一。据调查,每年约有180万人被诊断为肺癌,其中160万人死于这种疾病[11]。肺部CT检查时,肺结节的检查主要取决于结节类型和结节大小[12]。研究人员通过设计一个自动预测结节类型的分类模型方法来进行肺部结节的特异性描述训练,这一方法解决了CT扫描中结节类型的自动分类问题。除了由放射科医生进行结节筛查分类外,还对所有结节进行独立评级。通过比较分类模型方法和人类专家之间的一致性来评估其的性能[13]。机器学习(ML)算法能够以较高的准确性、敏感性和特异性来检测肺部结节,并可将其应用于肺部CT扫描以提高肺癌患者的生存率[14]。

1.3AI在乳腺癌中的应用进展

妇科癌症在近些年来受到广泛关注,其中乳腺癌作为常见的妇科癌症且发病率一直呈上升趋势[15]。乳腺钼靶X线摄影、超声、核磁共振等影像学检查已成为医生检查与诊断乳腺癌的重要手段。通过早期发现可进行早期诊断和早期治疗[16]。计算机辅助诊断是一种有效分析数字乳腺X线片的方法,该方法由特征提取、选择和分类3个重要阶段组成,并给出乳腺X线图像的良恶性分类方案以辅助乳腺癌的诊断。

2、AI在口腔颌面医学影像分析中的研究

2.1AI在口腔临床医学中应用

随着AI在医学影像中快速发展,在口腔颌面医学领域的发展也越来越受到关注。在口腔颌面外科中,AI可应用在对接受治疗的唇裂患者和对照组的面部容貌进行评估[17]、预测下颌阻生第三磨牙拔除后的面部肿胀[18]以及预测服用双磷酸盐药物治疗骨质疏松症的患者双磷酸盐颌骨坏死的发生[19];在口腔正畸中,AI可评估正畸治疗对面部形态改善的影响及牙齿移动的预测[20];在口腔修复中,AI可通过分析面下1/3的外观与全口义齿之间的关系及智能排牙技术,提出一种预测全口义齿修复后面部变形的新方法[21]。

2.2AI在口腔颌面医学影像分析中的应用

AI在口腔医学领域发展的同时,在口腔颌面医学影像学也有了最新的研究进展。口腔X线图像主要用于帮助口腔科医生检查牙齿、牙槽骨和颌骨结构的状况,可用于发现隐匿的牙齿结构、龋齿、牙槽骨吸收、颌骨占位等。在对牙体牙髓、牙周、种植、颌面外科、正畸及修复等患者诊治过程中,需要进行口腔影像检查评价,否则很难达到明确的诊断和判断治疗后效果,所以口腔影像检查在临床诊断、治疗过程中发挥着重要的作用。此外,口腔颌面医学影像在法医鉴定领域也得到应用,在口腔中法医鉴定是基于临床及放射学上对观察死者的死前和死后口腔中的标识物进行比较[22]。口腔影像还可基于X线图像中的牙髓与牙齿的面积占比对成年人的年龄进行估计[23]。然而,由于缺乏足够的自动化分析AI工具来帮助口腔科医生分析口腔X线图像,因此现阶段对于口腔的X线片分析主要依赖于口腔科医生的丰富经验[24]。

随着医学影像学的不断发展,医学图像处理技术在成为大多数医学影像研究人员的基本工具的同时,在口腔颌面医学影像领域的应用也逐年增长[25]。在过去的10年里,口腔X线图像中牙齿的影像一直是被研究的对象,研究方向主要是在图像处理和分割方面[26]。有研究应用DL算法并根据根尖周围X线影像数据集可对牙周炎牙齿及龋病进行诊断[27,28]。然而,要分析这种X线图像,需要对图像进行一些处理才能获取相关信息。在医学成像中,图像需要被捕获、数字化和处理,以进行分割和提取重要信息[29]。而牙齿图像分割的质量对系统的性能起着决定性的作用,所以图像分割是分析医学图像和计算机辅助医学诊断系统的最重要的图像处理程序[30]。

图像分割是将数字图像分割成多个片段的过程,通常用于定位对象和边界(直线、曲线等)。图像分割技术可分为基于区域、基于纹理、基于边缘的图像分割技术[31]。Amer等[32]根据研究,提出了一种从全景图像中自动提取智齿的方法,用于分类并提取有用的信息,如牙齿形状和阻生程度。这种分割方法将智齿的分割分为预处理、ROI提取以及后处理3个阶段。预处理阶段的步骤可分为:对比度增强、Otsu方法(阈值化方法)、形态扩张、连通元件标记、删除伪影干扰的图像以及X图像乘法;ROI提取阶段的步骤可分为:读取图像高度、根据高度将图像划分为3个相等的部分并应用;后处理阶段的步骤与预处理类似。这种分为预处理、ROI提取以及后处理3个阶段。分割方法的结果表明:该方法能够成功地提取出智齿,分割后的图像可用于分类系统中,使人们能够客观地认识到图像分割技术的发展。

口腔X线图像中的牙齿分割主要依赖于一种半监督的算法[33]。将半监督的算法应用于牙科图像分割中算法的性能可以得到提高。Otsu方法是一种典型的阈值化方法,是基于像素的图像处理技术中最简单快速的一类。阈值方法是基于全局阈值T将图像分割成两个区域,选择一个阈值,其目的是最小化黑白像素的内部的变化,并标记图像区域中的每个像素,根据其灰度值进行标记。然后,选择模糊聚类算法,去除牙齿结构区域。最后,选择半监督模糊聚类算法在对现有聚类方法优化结果的基础上,进行改进从而得到高质量结果。

3、AI在口腔颌面医学影像学中的研究展望

DL在解决最为多样化的分割问题方面已被证明是非常强大的,因此可以期待在未来几年内的一系列研究和创新,利用DL可以更深入将分割技术应用于口腔X线图像的分析。虽然目前提出了许多方法并进行了测试,但还没有完善的AI自动诊断图像工具[34]。AI全自动的口腔X线图像分析仍是一个具有挑战性和未解决的问题,但尽管存在诸多挑战,AI算法在口腔颌面医学影像中仍然飞速发展。目前,DL在医学影像学的发展还处于比较初级的阶段,主要是这一领域的发展离不开计算机科学家、放射学临床医师、影像设备及软件研发专家的通力合作。DL与医学影像的结合将是大势所趋,应抓住这一历史机遇,立足我国医学发展优势,直面挑战,引领口腔颌面医学影像学的发展进入新阶段。

王蓉,王铁梅.人工智能在口腔颌面医学影像中的研究探讨[J].口腔医学研究,2020,36(07):619-621.

基金:江苏省自然科学基金面上项目(编号:BK20150089);南京市医学科技发展资金(编号:QRX17079)