编辑推荐：
在口腔医学领域，全景 X 光片对疾病诊断意义重大，但医生解读易出错，现有分割方法也存在局限。研究人员开展全景 X 光片中牙齿和牙槽骨分割研究，提出新方法，分割精度高，在龋齿、牙周炎诊断上效果好，为 AI 辅助口腔疾病诊断奠基。
随着人们对口腔健康关注度的不断提升，越来越多的人开始重视口腔相关问题。然而，现实中口腔疾病的发病率居高不下，且种类繁杂多样。与此同时，专业牙医的数量却相对短缺，这使得牙医在面对各类口腔疾病时，想要做出精准诊断变得困难重重。在诊断过程中，手动解读医学图像这一方式依赖医生多年积累的丰富经验和专业知识，不仅耗费大量时间和精力，还容易受到主观因素的影响，导致误诊或漏诊情况的发生。
全景 X 光片（Panoramic radiographs）作为牙科领域常用的检测手段，能够帮助医生检测龋齿、根尖周病、牙周病、颞下颌关节紊乱、骨折、肿瘤等多种病症。它具有获取便捷、辐射剂量低、成本效益高等优点，是牙科成像的基础数据。但问题在于，全景 X 光片的解读存在一定难度，不同患者的病情表现各异，缺乏经验的医生很难准确从中解读出关于牙齿、颌骨和上颌窦的信息。此外，当前全景 X 光片的分割方法也不尽如人意，多数仅关注牙齿区域的语义分割，忽视了牙槽骨的完整分割，而且在牙齿分割的区分和标记精度上也有所欠缺，已有的一些技术，如 Mask R-CNN，在该领域的表现也不够理想。
为了解决这些问题，来自未知研究机构的研究人员开展了一项关于全景 X 光片中牙齿和牙槽骨分割的研究。研究人员提出了一种基于深度学习的框架，旨在实现从全景 X 光片中精准分割牙齿和牙槽骨，并展示了其在疾病诊断中的应用实例。该研究成果发表在《Displays》上。这一研究意义非凡，它提高了全景 X 光片中疾病诊断的准确性，为后续基于物联网（IoT）技术的人工智能辅助口腔疾病诊断奠定了坚实基础，有望减少误诊和漏诊情况，为牙医提供更高效、精确的诊断工具 。
研究人员在此次研究中运用了多种关键技术方法。他们以 nnU-Net 为基础框架，结合图形优化算法和医学优化算法，对牙齿和牙槽骨进行分割。在实验中，使用了包含 1020 张全景 X 光片的数据集，其中 816 张作为训练集，102 张作为验证集，102 张作为测试集。在训练 Swin-U-Net 时，考虑到预训练权重的适配性，将输入分辨率设置为 224×224 。
实验结果
通过一系列实验，研究人员得到了如下结果：
- 分割精度高：该方法在牙齿实例分割和牙槽骨语义分割方面表现出色，牙齿实例分割的平均 Dice 系数达到 0.92，牙槽骨语义分割的平均 Dice 系数为 0.94，展现出较高的分割准确性。
- 疾病诊断效果好：在龋齿和牙周炎的诊断实验中，该分割方法的准确性分别达到了 94.9% 和 95.6%，接近甚至优于牙医的标注，充分验证了该方法在疾病诊断方面的有效性。
研究结论与讨论
本研究提出的从全景 X 光片中分割牙齿和牙槽骨的方法，以 nnU-Net 为骨干网络，结合图形和医学优化算法，实验结果显示其具有令人满意的准确性，在与其他深度学习方法的对比中更具优势。同时，该方法在牙周炎和龋齿的诊断中也表现出良好的效果。这一研究成果为口腔疾病的诊断提供了新的思路和方法，极大地提高了诊断的准确性和效率，为后续基于物联网技术的人工智能自动全景 X 光片诊断系统的发展提供了有力支持。不过，未来研究仍可在进一步提高分割精度、拓展该方法在更多口腔疾病诊断中的应用等方面深入探索，以更好地服务于口腔医学领域，为患者带来更优质的医疗服务。
