ディープラーニングを用いたパノラマX線写真のチャートファイリングの自動化

Automated chart filing on panoramic radiographs using deep learning.

抄録

目的:

本研究の目的は、パノラマX線写真（PR（s））上の歯、クラウン、充填物、根管充填物、インプラント、根の残骸を自動的に検出し、セグメント化し、ラベル付けすることである。

OBJECTIVE: The aim of this study is to automatically detect, segment and label teeth, crowns, fillings, root canal fillings, implants and root remnants on panoramic radiographs (PR(s)).

材料と方法:

参考として、2000枚のPR(s)に人手で注釈を付け、ラベルを付けた。ルールベースのヒューリスティックアルゴリズムと組み合わせのResnet-50とマスクR-CNNに基づく深層学習アプローチは、1800 PR（s）上で訓練され、検証された。続いて、学習されたアルゴリズムを200のPR(s)からなるテストセット上に適用した。精度の指標としてF1スコアを計算し、アノテーションされたグランドトゥルースとモデル予測との間の類似性の程度を定量化することができた。F1スコアは、precison（陽性予測値）とrecall（特異度）の調和平均を考慮したものである。

MATERIAL AND METHODS: As a reference, 2000 PR(s) were manually annotated and labeled. A deep-learning approach based on mask R-CNN with Resnet-50 in combination with a rule-based heuristic algorithm and a combinatorial search algorithm was trained and validated on 1800 PR(s). Subsquently, the trained algorithm was applied onto a test set consisting of 200 PR(s). F1 scores, as a measure of accuracy, were calculated to quantify the degree of similarity between the annotated ground-truth and the model predictions. The F1-score considers the harmonic mean of precison (positive predictive value) and recall (specificity).

結果:

提案手法は、検出、セグメンテーション、ラベリングにおいて、それぞれ0.993、0.952、0.97という高いF1スコアを達成した。

RESULTS: The proposes method achieved F1 scores up to 0.993, 0.952 and 0.97 for detection, segmentation and labeling, respectivley.

結論:

提案した方法は、PRを用いた自動カルテファイリングのさらなる発展のための有望な基盤を形成するものである。

CONCLUSION: The proposed method forms a promising foundation for the further development of automatic chart filing on PR(s).

臨床的意義:

ディープラーニングは、パノラマX線写真の放射線学的所見を要約する際に、臨床医を支援する可能性がある。このようなモデルを臨床で使用することの影響について検討する必要がある。

CLINICAL SIGNIFICANCE: Deep learning may assist clinicians in summarizing the radiological findings on panoramic radiographs. The impact of using such models in clinical practice should be explored.