《Diagnostics》:AI-Based Automated Segmentation of the Mandibular Cortex and Mental Foramen for Radiomorphometric Measurement on Panoramic Radiographs: A Feasibility Study
编辑推荐:
背景/目的:本研究评估基于YOLOv5的模型对上述结构进行自动分割以及自动测量下颌皮质宽度(mandibular cortical width, MCW)和全景下颌指数(panoramic mandibular index, PMI)的可行性。方法:回顾性收集
背景/目的:本研究评估基于YOLOv5的模型对上述结构进行自动分割以及自动测量下颌皮质宽度(mandibular cortical width, MCW)和全景下颌指数(panoramic mandibular index, PMI)的可行性。方法:回顾性收集500张全景放射影像。下颌皮质以及右侧和左侧颏孔以多边形标签作为三个独立类别进行标注,并由一名经验丰富的放射科医师核验;在随机10%子集上评估观察者内和观察者间信度。训练YOLOv5s-seg模型500个epoch,并在独立的患者水平测试集上评估。模型性能以精确率、召回率、F1分数、Dice系数、平均交并比(mean intersection over union, mIoU)以及平均精度均值(mean average precision, mAP@0.5和mAP@0.5:0.95)量化。结果:模型达到精确率0.94、召回率0.82和F1分数0.88(mAP@0.5=0.86;mAP@0.5:0.95=0.52)。下颌皮质的Dice系数为0.93,右侧和左侧颏孔的Dice系数分别为0.80和0.75。在侧别水平配对一致性分析中(44例测试集患者的62个可测量侧别),MCW的ICC为0.89(95% CI:0.84–0.93),平均偏倚为+0.08 mm;PMI的ICC为0.87,平均偏倚为+0.01。结论:YOLOv5在下颌皮质分割方面与专家观察者显示高度一致性,在颏孔方面显示中等一致性,支持自动测量MCW和PMI的技术可行性。由于颏孔漏检会减少可测量位点数量,自动测量应与核验步骤结合。
骨质疏松(osteoporosis)是常见代谢性骨病和重要公共卫生问题,常至脆性骨折才出现临床表现,髋部骨折与死亡及丧失独立性相关,早期识别高危个体是临床优先事项。双能X线吸收测定法(dual-energy X-ray absorptiometry, DXA)是测量骨密度(bone mineral density, BMD)的参考标准,但诊断不足常见。牙科全景放射影像获取频繁、成本低且多已数字化,适于机会性筛查,可显示双颌及下颌下缘皮质,观察骨质疏松相关改变;但二维全景影像存在放大、失真和重叠等固有限制,其合理角色是支持识别应转诊DXA的高危个体,而非替代确定性诊断。放射测量学指数中,下颌皮质宽度(mandibular cortical width, MCW)和全景下颌指数(panoramic mandibular index, PMI)研究最广,并与DXA衍生T值相关。准确测量依赖颏孔和下颌皮质下缘的精确定位,而已发表系统多需手动标记,限制可重复性和临床工作流整合。深度学习分割提供潜在方案,卷积神经网络(convolutional neural network, CNN)已成为医学图像分析主导方法,YOLO(You Only Look Once)家族用于目标检测及其分割变体多边形勾画,二维CNN在牙科影像解剖标注中表现良好,颏孔自动定位需求亦被强调。因此,研究人员开展以专家观察者标注为参考标准的可行性研究,评估YOLOv5自动分割下颌皮质和颏孔并自动测量MCW和PMI的能力;该研究为解剖标注和测量可行性研究,不评估模型对骨质疏松的诊断准确性。
关键技术方法(不超过250字):研究人员从Ankara University Faculty of Dentistry口腔、牙科与颌面放射科回顾性筛选18–80岁患者全景放射影像,最终纳入500张(200张病历记录骨质疏松,300张无已知诊断;无DXA,分组仅描述)。采用Colabeler以多边形标注下颌皮质、右侧颏孔和左侧颏孔三类,由20年经验口腔颌面放射科医师核验;随机10%子集评估观察者内/间信度。以YOLOv5s-seg(Ultralytics v7.0)训练500个epoch,输入640×640 letterbox,数据增强,SGD优化;在患者水平70%/15%/15%划分的独立测试集评估精确率、召回率、F1、Dice、mIoU、mAP@0.5和mAP@0.5:0.95。自动测量基于预测掩膜:局部拟合下颌下缘切线,计算颏孔质心,沿垂线测MCW并计算PMI;用组内相关系数(intraclass correlation coefficient, ICC)和Bland-Altman分析一致性。
3.1 数据集与人口学特征:通过描述性统计得出500例患者平均年龄52.3±14.7岁(18–80岁),女性320例(64.0%)、男性180例(36.0%),女性中绝经后210例(65.6%);200例(40.0%)病历记录骨质疏松,300例(60.0%)无;记录骨质疏松组年龄显著高于无记录组(61.4±9.2岁 vs 46.2±12.8岁,p<0.001)。
3.2 分割性能:通过独立测试集对象级检测与分割评估得出,下颌皮质分割重叠高(Dice=0.93;mIoU=0.87),颏孔中等(右侧Dice=0.80、mIoU=0.67;左侧Dice=0.75、mIoU=0.60)。在75例患者161个标注结构上,模型总体精确率0.94、召回率0.82、F1分数0.88(mAP@0.5=0.86;mAP@0.5:0.95=0.52;真阳性132、假阳性8、假阴性29)。下颌皮质精确率、召回率和Dice高于颏孔;左右颏孔性能相近,左侧召回略低。定性检查显示漏检或分割不足的颏孔多与下颌管或根尖重叠、局部对比低及结构相对全图较小有关;训练与验证损失在前300个epoch稳步下降后趋于平台,未见严重过拟合。
3.3 模型与观察者测量一致性:通过侧别水平配对一致性分析得出,自动MCW和PMI测量需检测到颏孔,故纳入44例测试集患者的62侧(右32侧、左30侧),其中18例有双侧配对测量。观察者MCW右侧3.82±0.74 mm、左侧3.79±0.71 mm,模型右侧3.91±0.78 mm、左侧3.88±0.75 mm;MCW的ICC=0.89(95% CI:0.84–0.93),Bland-Altman平均偏倚+0.08 mm,95%一致性界限?1.12至+1.28 mm;18例双侧平均值二次分析ICC=0.90(95% CI:0.76–0.96)。观察者PMI右侧0.32±0.05、左侧0.32±0.05,模型均为0.33±0.05;PMI的ICC=0.87(95% CI:0.81–0.91),平均偏倚0.01,95%一致性界限?0.08至+0.10。
讨论部分总结:主要发现为模型与专家观察者在下颌皮质分割上高度重叠、在颏孔上中等重叠,对象级精确率0.94、召回率0.82、F1分数0.88,测量一致性ICC分别为MCW 0.89和PMI 0.87,支持全景放射影像自动放射测量学的技术可行性。颏孔一致性较低具有解剖合理性:其位置和形状存在个体变异,二维影像上可与下颌管或根尖部分重叠,边界不如下颌下缘皮质一致;本研究的颏孔Dice(0.75–0.80)与一项UNet研究报道的0.79相近,提示中等性能反映结构固有难度而非特定模型缺陷,且颏孔自动定位是MCW自动测量前的关键未满足需求。与既往工作一致,Taguchi等、Devlin和Horner报告全景影像可辅助识别低BMD;Triantafyllopoulos等发现MCW与DXA T值显著相关并建议皮质厚度低于3 mm时转诊DXA;Abdinian等报告PMI与脊柱和股骨T值相关;Arifin等以计算机辅助测量MCW但需放射科医师手动标记颏孔,并明确呼吁自动标记颏孔;Kavitha等报道支持向量机在绝经后女性中具有较高敏感性和特异性;Sukegawa等以结合全景影像和临床变量的集成模型识别骨质疏松;Gaudin等将深度学习分类器聚焦颏孔区域并显示年龄相关混杂可产生看似高准确率;两项meta分析报告深度学习在平片和全景影像上预测骨质疏松的汇总敏感性约80%、特异性87–92%;Kiswanjaya等确认MCW随年龄显著下降且皮质侵蚀患者更低,强调年龄混杂。与这些研究相比,本研究关注自动化步骤本身——分割和测量——而非疾病分类,且不建立针对BMD参考标准的诊断准确性。临床可接受性方面,MCW的95%一致性界限(?1.12至+1.28 mm)相对常用3 mm转诊阈值不可忽略,真实MCW位于阈值约1.2 mm内时观察者–模型差异可能改变筛查分类;系统宜作为提示专家复核的分诊辅助而非独立决策工具,临界测量应人工核验。PMI一致性界限(?0.08至+0.10)相对均值约0.32对应约25–30%相对差异,但与手动PMI观察者内和观察者间变异同量级,且PMI通常为辅助比率而非独立标准。失败分析提示漏检或分割不足的颏孔主要与下颌管或根尖重叠、低局部对比及颏孔相对较小有关;可能改进包括更高输入分辨率或切片图像块训练、注意力或两阶段检测架构、扩充颏孔标注集与难负样本挖掘、多中心训练数据以覆盖设备和人群变异。因未检测侧别不进入一致性分析,所报道ICC和Bland-Altman值描述成功检测条件下的测量质量;部署工作流中未检测颏孔应标记人工测量,漏检降低自动化流程覆盖而非静默产生错误值。临床现实角色是支持机会性筛查:全景影像在牙科实践中常规获取,自动且可重复的MCW/PMI测量可帮助牙医识别可能受益于DXA转诊者;纵向数据连接骨骼骨丢失与口腔骨改变进一步支持该概念。自动解剖标注不能与骨质疏松诊断混同;准确检测颏孔和下颌皮质是测量前提,并非诊断性能证据。局限性包括回顾性单中心设计、信度仅在10%子集评估、无DXA测量故不能评估骨质疏松诊断准确性、独立测试集有限、颏孔一致性仅中等且漏检(右侧和左侧召回率0.78和0.67)减少可自动测量侧别并可能引入选择效应、每幅图像应用单一像素–毫米校准而全景放大随图像和患者位置变化且拟合切线仅为弯曲下颌基的局部线性近似、组间年龄差异大且年龄强烈影响MCW,需外部多中心验证及连接模型测量与DXA衍生BMD/T值的研究。
研究结论翻译:YOLOv5模型在全景放射影像下颌皮质分割方面与专家观察者显示高度一致性,在颏孔方面显示中等一致性,支持自动MCW和PMI测量的技术可行性。由于自动测量以成功检测颏孔为条件,建议对漏检或临界检测进行核验。这些结果应严格解释为解剖标注的可行性研究。模型对骨质疏松筛查的贡献只能通过独立外部验证以及以DXA衍生骨密度为参考标准的正式评估来确定。