Deep Learning zur automatisierten Zahnklassifizierung und -segmentierung von Orthopantomogrammen

Zielsetzung Künstliche neuronale Netze bieten ein großes Potenzial für die automatische Klassifizierung und Segmentierung von radiologischen Bildern. Regionsbasierte neuronale Netze (R-CNNs) sind universelle Frameworks für die Segmentierung von Objekten. Ein Mask R-CNN wird bereits in zahlreichen Anwendungen in der Industrie eingesetzt. Ziel dieser Studie war es, eine automatisierte Analyse von Orthopantomogrammen (OPGs) zu realisieren, welche automatisiert Zahnstatus und des Vorhandenseins von Zahnfüllungen und Implantaten analysiert.

Material und Methoden Ein Mask-R-CNN wurde implementiert, um Begrenzungsrahmen, Objektklassen und Segmentierungsmasken für alle Instanzen der Objekte im OPG zu erzeugen. Als Eingabedaten wurden 32 Zähne, Zahnfüllungen und Implantate auf 250 OPGs manuell markiert. Die Zähne wurden segmentiert und nach der Notation der FDI World Dental Federation klassifiziert. Das Netz wurde mit 200 OPGs trainiert und mit 50 OPGs evaluiert.

Ergebnisse Das Netzwerk konnte erfolgreich unbekannte OPGs hinsichtlich des FDI-Zahnschemas annotieren und zuverlässig für die weitergehende Analyse segmentieren. Die Implementierung erreichte eine Genauigkeit von 0,98±0,03, eine Trefferquote von 0,96±0,06 und einen F1-Score von 0,97±0,04 für die Identifizierung der Begrenzungsrahmen. Für die Segmentierung wurde eine mittlere durchschnittliche Genauigkeit von 0,91±0,01 aller Masken mit Schnittmenge über 50% zu den tatsächlichen Masken (mean average precision, mAP@50), sowie für alle Masken eine Genauigkeit von 0,95±0,04, eine Trefferquote von 0,49±0,03 und einen F1-Score von 0,65±0,04 erreicht.

Schlußfolgerungen Mit nur wenigen Bildern kann ein effektives künstliches neuronales Netz auf OPGs zur automatischen Zahnklassifizierung mit FDI-Notation und zur Zahnsegmentierung trainiert werden, welches für weitergehende Ziele wie bspw. die objektive Altersschätzung eingesetzt werden kann. Zudem kann die Methode auch für die Segmentierung weiterer Anwendungsfelder und Modalitäten erweitert werden.

Publication History

Article published online:
29 August 2022