CBCT画像におけるMB2管開口部の検出における機械学習モデル

Machine Learning Models in the Detection of MB2 Canal Orifice in CBCT Images.

抄録

目的:

本研究の目的は、アキシャルコーンビームCT（CBCT）切片における中頬骨（MB2）管の検出における機械学習（ML）モデルの精度を判定することである。

OBJECTIVES: The objective of the present study was to determine the accuracy of machine learning (ML) models in the detection of mesiobuccal (MB2) canals in axial cone-beam computed tomography (CBCT) sections.

方法:

University Dental Hospital, Sharjahの口腔放射線科で撮影された合計2500枚のCBCTスキャンをスクリーニングし、上顎臼歯の高分解能小視野CBCTスキャン277枚を得た。277枚のスキャンのうち、160枚はMB2オリフィスの存在を示し、残り（117枚）は示さなかった。これらのスキャンの二次元アキシャル画像を切り出した。画像は2人の検査者によって分類され、N（MB2がない）とM（MB2がある）にラベル付けされた。画像はGoogleのInception V3を用いて埋め込まれ、ML分類モデルに転送された。6つの異なるMLモデル（ロジスティック回帰[LR]、ナイーブベイズ[NB]、サポートベクターマシン[SVM]、K-最近傍[Kn]、ランダムフォレスト[RF]、ニューラルネットワーク[NN]）が、画像をMとNに分類する能力についてテストされた。

METHODS: A total of 2500 CBCT scans from the oral radiology department of University Dental Hospital, Sharjah were screened to obtain 277 high-resolution, small field-of-view CBCT scans with maxillary molars. Among the 277 scans, 160 of them showed the presence of MB2 orifice and the rest (117) did not. Two-dimensional axial images of these scans were then cropped. The images were classified and labelled as N (absence of MB2) and M (presence of MB2) by 2 examiners. The images were embedded using Google's Inception V3 and transferred to the ML classification model. Six different ML models (logistic regression [LR], naïve Bayes [NB], support vector machine [SVM], K-nearest neighbours [Knn], random forest [RF], neural network [NN]) were then tested on their ability to classify the images into M and N. The classification metrics (area under curve [AUC], accuracy, F1-score, precision) of the models were assessed in 3 steps.

結果:

NN(0.896)、LR(0.893)、SVM(0.886)は、指定されたターゲット変数で最も高いAUC値を示した（ステップ2、3）。最も精度が高かったのは、LR（0.849）とNN（0.848）であった。最も高い精度（86.8%）と再現率（92.5%）は、SVMモデルで観察された。

RESULTS: NN (0.896), LR (0.893), and SVM (0.886) showed the highest values of AUC with specified target variables (steps 2 and 3). The highest accuracy was exhibited by LR (0.849) and NN (0.848) with specified target variables. The highest precision (86.8%) and recall (92.5%) was observed with the SVM model.

結論:

MB2検出におけるMLアルゴリズムの成功率（AUC、precision、recall）は、本研究において顕著であった。また、対象変数を指定した場合には、精度で86.8％、再現率で92.5％と有意な成功率が得られた。本研究は、アキシャルCBCTスライスを用いたMLベースのMB2管検出において有望な結果を示した。

CONCLUSION: The success rates (AUC, precision, recall) of ML algorithms in the detection of MB2 were remarkable in our study. It was also observed that when the target variable was specified, significant success rates such as 86.8% in precision and 92.5% in recall were achieved. The present study showed promising results in the ML-based detection of MB2 canal using axial CBCT slices.