方向感知深度学习用于全景X线片滞留牙根与牙周病损牙自动化检测的多国研究

《International Dental Journal》:A Multinational Study of Orientation-Aware Deep Learning for Automated Detection of Retained Roots and Periodontal Bone Loss

【字体: 大 中 小 】 时间:2026年10月12日 来源:International Dental Journal 5.2

编辑推荐:

  引言与目的:对滞留牙根(retained roots, RR)和牙周病损牙(periodontally compromised teeth, PCT)的准确影像学评估对牙科诊断至关重要。本研究旨在开发并评估用于在全景X线片中自动检测和分类这些病理状态的深度学习

  
引言与目的:对滞留牙根(retained roots, RR)和牙周病损牙(periodontally compromised teeth, PCT)的准确影像学评估对牙科诊断至关重要。本研究旨在开发并评估用于在全景X线片中自动检测和分类这些病理状态的深度学习模型,并具体研究了定向边界框(oriented bounding box, OBB)与轴对齐边界框(axis-aligned bounding box, AABB)标注策略在捕获跨多国多样化数据集中牙科结构解剖角度方面的效能。方法:构建了一个包含来自多国来源的4768张全景X线片的数据集,使用OBB和AABB两种标注方案将其标注为七个临床不同的类别。在相同超参数下训练和评估了两种先进架构:You Only Look Once v11(YOLOv11)和实时检测Transformer(Real-Time Detection Transformer, RT-DETR)。模型性能使用平均精度均值(mean Average Precision, mAP)和损失指标评估。进行定性分析以评估在复杂场景(如牙根重叠或严重拥挤)中的定位保真度。结果:OBB标注模型一致优于AABB对应模型,在分离斜向定向和重叠结构方面表现出更高的精度。在所有架构中,YOLOv11-OBB-Small模型在检测性能和计算效率之间提供了最佳平衡,在验证集上达到85.3%,在测试集上达到83.3%。基于Transformer的RT-DETR模型虽具有竞争力的准确性,但在训练期间产生较高计算成本。定性评估证实,与AABB相比,OBB减少了背景噪声纳入并改善了边界勾勒。结论:与AABB相比,OBB标注改善了RR和PCT的解剖表示,带来检测性能的一致提升。在所评估模型中,YOLOv11-OBB-Small在准确性、计算效率和实时推理能力方面实现了最佳平衡。临床意义:YOLOv11-OBB-Small较高的诊断准确性和低延迟性能可支持实时临床应用。方向敏感算法可能在常规实践中提高自动化牙科诊断的一致性、可靠性和效率。
研究背景与问题

全景X线片(orthopantomogram, OPG)是牙科诊断中广泛使用的影像手段,但人工判读耗时且存在观察者间变异。滞留牙根(retained roots, RR)和牙周病损牙(periodontally compromised teeth, PCT)是常见但易被忽略的病变:RR可为创伤、龋病、牙周病或拔牙不全后的牙根残片,若未及时发现可引起慢性感染、囊肿或修复并发症;PCT以临床附着丧失和牙槽骨吸收为特征,可隐匿进展至牙齿松动脱落。现有深度学习模型多基于单一群体数据集,泛化能力不足;且大多采用轴对齐边界框(axis-aligned bounding box, AABB)标注,难以准确表达牙科影像中常见的倾斜、重叠解剖结构。目前尚无研究以卷积神经网络(convolutional neural network, CNN)模型专门聚焦于全景X线片中滞留牙根的自动检测与分类。为此,本研究提出并评估一种方向感知的深度学习框架,用于多国人群全景X线片中RR和PCT的自动检测与分类。

研究内容与主要结论

研究人员收集了来自巴基斯坦(837张)、泰国(568张)和美国公开数据集(1000张)共2405张全景X线片,经过去标识化和标准化后,由G.N.进行初始标注,Z.K.与M.F.两位资深专家审核,最终以共识确定标注。研究定义了七个临床类别:滞留牙根临床型、滞留牙根软组织型、滞留牙根、滞留牙根骨内型,以及PCT轻度、中度、重度。研究者采用定向边界框(oriented bounding box, OBB)标注,并设计算法将OBB转换为AABB(按面积比例收缩以减轻背景噪声);通过针对性数据扩增将数据集增至4768张,按80:10:10分层划分训练、验证和测试集。在相同超参数下训练了YOLOv11-OBB-nano/small、YOLOv11-nano/small和RT-DETR-large/xlarge共6个模型,以mAP、精确率、召回率等指标评估。结果表明,方向感知标注能更紧密贴合牙体自然方向,减少无关背景,从而稳定提升检测性能。

研究结果

模型总体性能:在验证/测试集上,YOLOv11-OBB-small(M2)表现最优,mAP分别为0.853和0.833;YOLOv11-OBB-nano(M1)为0.835/0.824;AABB管线中的YOLOv11(M3、M4)为0.819–0.831/0.781–0.793;RT-DETR-large(M5)为0.786/0.745,RT-DETR-xlarge(M6)因早期出现过拟合被排除在详细分析之外。

OBB与AABB比较:OBB模型平均比对应的AABB模型在验证集上高1.9%的mAP,在测试集上高4.1%的mAP,说明方向感知标注可减少背景噪声纳入并改善边界定位。

最佳模型与类别分析:M2推理速度为14.2 ms/图,达到实时处理水平,mAP50-95为80.6%。类别层面,PCT类别(尤其轻度和中度骨吸收)检测稳定;RR类别表现变异较大,其中临床暴露的滞留牙根召回率较低,原因是全景片难以可靠区分临床暴露、软组织覆盖和骨内覆盖等情况。

讨论总结与结论

讨论部分指出,OBB优势在于其能贴合牙体自然方向,减少轴对齐框引入的无关背景。研究局限性包括:数据虽来自多国但需进一步扩展;严格匿名化导致无法验证患者级划分独立性;数据扩增在划分前进行,可能带来乐观偏差;OBB标注成本较高;初始标注仅由一人完成,未计算观察者间一致性指标;AABB由OBB转换而非独立标注;因全景片缺乏临床参数,采用影像学严重度分类而非2017年EFP/AAP临床分类;金属修复体伪影的影响未量化;技术指标不等同于临床价值。未来将扩大数据集、探索半监督与主动学习策略、开展口腔修复科医师和口腔放射科医师的比较研究,并进行前瞻性验证与临床工作流评估。结论可概括为:OBB标注比AABB更符合RR和PCT的解剖形态,显著提升检测性能;YOLOv11-OBB-Small在准确性和计算效率间达到最佳平衡,平均14.2 ms/图的推理时间支持实时应用;方向感知策略有望改善全景X线片自动化牙科诊断,但仍需前瞻性验证、外部测试和临床工作流评估后方可临床部署。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号