より高速な局所畳み込みニューラルネットワークを用いたデジタルパノラマX線写真からの歯周病変歯の自動検出

Automatic detection of periodontal compromised teeth in digital panoramic radiographs using faster regional convolutional neural networks.

• Bhornsawan Thanathornwong
• Siriwan Suebnukarn

抄録

目的:

歯周病は歯を失う原因となり，心血管疾患，糖尿病，関節リウマチなどと関連している．本研究では、デジタルパノラマX線写真上の歯周病歯を識別するために、ディープラーニングに基づく物体検出法を用いることを提案している。最先端の深層検出ネットワークである高速地域畳み込みニューラルネットワーク(高速R-CNN)を，小さな注釈付き臨床データセットを用いて自然画像領域から適応させた．

Purpose: Periodontal disease causes tooth loss and is associated with cardiovascular diseases, diabetes, and rheumatoid arthritis. The present study proposes using a deep learning-based object detection method to identify periodontally compromised teeth on digital panoramic radiographs. A faster regional convolutional neural network (faster R-CNN) which is a state-of-the-art deep detection network, was adapted from the natural image domain using a small annotated clinical data- set.

材料と方法:

当院の情報システムから歯周病患者のデジタルパノラマX線写真100枚をレトロスペクティブに収集し、画像を拡張した。各画像から発見された歯周病性歯牙は、歯周病学の専門家によって注釈され、地に足のついた真実を得ることができた。モデルのトレーニングとテストには、Pythonで書かれたKerasライブラリをNVidia 1080Ti GPU上で使用しました。より高速なR-CNNモデルには、事前に訓練されたResNetアーキテクチャが使用されました。

Materials and Methods: In total, 100 digital panoramic radiographs of periodontally compromised patients were retrospectively collected from our hospital's information system and augmented. The periodontally compromised teeth found in each image were annotated by experts in periodontology to obtain the ground truth. The Keras library, which is written in Python, was used to train and test the model on a single NVidia 1080Ti GPU. The faster R-CNN model used a pretrained ResNet architecture.

結果:

平均精度は0.81であり、予測された領域と基底真実との間に有意な重複領域があることが示された。また，平均想起率0.80の結果から，検出法によって生成された歯周病歯領域から健康な歯の領域が除外されていることが示された．また，感度0.84，特異度0.88，F値0.81を達成した．

Results: The average precision rate of 0.81 demonstrated that there was a significant region of overlap between the predicted regions and the ground truth. The average recall rate of 0.80 showed that the periodontally compromised teeth regions generated by the detection method excluded healthiest teeth areas. In addition, the model achieved a sensitivity of 0.84, a specificity of 0.88 and an F-measure of 0.81.

結論:

限られた量のラベル付けされた画像データ上で訓練された高速R-CNNは，歯周病に侵された歯の検出において十分な性能を発揮しました．歯周病に侵された歯の検出を支援するために高速R-CNNを適用することで、評価時間を節約し、自動化されたスクリーニングの文書化を可能にすることで、診断の労力を減らすことができるかもしれません。

Conclusion: The faster R-CNN trained on a limited amount of labeled imaging data performed satisfactorily in detecting periodontally compromised teeth. The application of a faster R-CNN to assist in the detection of periodontally compromised teeth may reduce diagnostic effort by saving assessment time and allowing automated screening documentation.

Copyright © 2020 by Korean Academy of Oral and Maxillofacial Radiology.