利用深度学习技术对根尖X光片上边缘嵴差异进行辅助评估（在牙周疾病中的应用）

《Machine Learning with Applications》：Auxiliary Evaluation of Marginal Ridge Discrepancy in Periodontal Disease Using Deep Learning on Periapical Radiographs

本研究提出一种基于深度学习的辅助诊断系统，通过Mask R-CNN模型结合图像预处理技术实现牙体、牙冠和牙槽骨的精准分割，并创新性地利用角度测量方法量化Marginal Ridge Discrepancy（MRD）严重程度，分为四个等级，临床验证显示平均准确率达93.41%，角度误差仅0.85°，有效提升牙周病早期诊断效率和客观性。

　　### 深度学习辅助诊断边缘嵴差异（MRD）的探索

随着医学领域的不断发展，精准医疗已成为当前研究的重要方向。近年来，人工智能（AI）技术的快速进步为医疗数据处理和诊断提供了新的解决方案。在牙科领域，AI的应用逐步提升了临床诊断的效率和准确性。本文提出了一种基于深度学习的系统，该系统结合图像分割与角度评估，旨在帮助牙医更客观地分类边缘嵴差异（MRD）的严重程度，并提升诊断的效率。边缘嵴差异是牙周病的早期重要指标，通常由牙齿倾斜或牙槽骨吸收引起，导致相邻牙齿间的边缘嵴高度不一致。然而，传统的牙周疾病诊断方法在实际操作中存在诸多挑战，尤其是牙科全景影像（PA）因二维图像的局限性，容易受到拍摄角度变化的影响，导致边缘嵴高度差异的评估不够准确。因此，开发一种能够自动识别和评估边缘嵴差异的深度学习系统具有重要的临床价值。

#### 研究背景与目标

牙周病是一种常见的口腔疾病，其早期识别对于治疗效果和患者生活质量具有重要意义。边缘嵴差异是牙周病的早期指标之一，它指的是相邻牙齿之间的边缘嵴高度不一致，这可能会影响牙齿之间的接触点，进而导致食物嵌塞、牙龈炎症甚至牙周袋的形成。然而，由于牙科影像的局限性，传统方法在评估边缘嵴差异时往往存在误差。本文的研究目标是通过深度学习技术，结合图像分割和角度评估，提供一种客观、准确的边缘嵴差异评估系统，以提高牙周病的早期诊断能力。

#### 方法与技术

本研究采用深度学习模型Mask R-CNN，其以ResNet-101作为主干网络，并引入了预热（warm-up）和学习率调度（learning rate scheduling）策略，以确保模型在训练过程中的稳定性和收敛性。Mask R-CNN模型可以对牙齿、牙冠和牙槽骨进行分割，同时通过定位牙釉质牙本质交界（CEJ）和牙槽骨顶点（ALC）来评估边缘嵴差异。为了进一步提升模型的性能，我们引入了一种新的角度测量方法，用于量化相邻牙齿之间的边缘嵴差异，并根据三个固定角度（10°、20°、30°）对牙周病的严重程度进行分类。这些角度阈值是基于临床经验和牙科治疗标准设定的，以确保系统的实用性。

为了提高图像质量，我们对牙科影像进行了预处理，包括双边滤波（Bilateral Filtering）、对比度受限自适应直方图均衡化（CLAHE）和双三次插值（Bicubic Interpolation）。这些预处理步骤可以有效减少图像噪声，提升图像的对比度，从而改善模型的分割效果。通过实验发现，结合多种预处理技术的模型在分割性能上表现最佳，其在牙齿、牙冠和牙槽骨上的分割准确率分别达到98.11%、97.24%和97.53%。此外，模型在MRD分类任务中表现出色，达到了93.41%的准确率，并且平均角度误差仅为0.85°，这表明该系统在临床应用中具有较高的可靠性。

#### 研究结果

在本研究中，我们使用了来自台湾彰化纪念医院的500张牙科影像数据，其中300张用于训练，100张用于验证，剩余100张作为独立测试集，以评估模型的泛化能力。实验结果显示，ResNet-101作为主干网络的Mask R-CNN模型在分割任务中表现最佳，其像素级准确率达到98.11%。在牙齿、牙冠和牙槽骨的分割任务中，模型的召回率分别达到97.60%、97.24%和97.53%，表明该模型在不同牙齿结构的识别上具有良好的稳定性。

在MRD分类任务中，模型在三个固定角度（10°、20°、30°）下达到了93.41%的准确率，并且平均角度误差仅为0.85°。这表明模型能够准确地量化边缘嵴差异的严重程度，并为牙医提供可靠的参考依据。此外，模型在跨机构数据集上的表现也显示出较强的泛化能力，能够在不同的牙科影像数据中保持较高的分割和分类准确率。

#### 研究意义与展望

本研究提出的系统在牙科影像分析中具有重要的应用价值。通过深度学习技术，该系统能够自动识别边缘嵴差异，减少人工干预，提高诊断效率。此外，系统还能够提供客观的评估结果，帮助牙医做出更准确的诊断决策。在临床实践中，牙医需要结合多种信息进行诊断，而本系统可以作为辅助工具，提供更可靠的边缘嵴差异评估。

尽管本研究取得了一定的成果，但仍存在一些局限性。首先，当前的分类仅针对角度小于30°的边缘嵴差异，而角度大于30°的情况在临床上被视为严重病变，未来的研究可以进一步探讨如何对这些情况进行更精细的分类。其次，某些接近角度阈值的边缘嵴差异可能会因人为判断误差而导致误分类，影响手术方案的选择。因此，未来可以考虑在系统中引入警告机制，提醒牙医在接近阈值的情况下进行额外的评估。最后，由于牙科影像数据的获取较为有限，未来可以进一步扩大数据集的规模，以提高模型的泛化能力和减少过拟合的风险。

#### 结论

本文提出了一种基于深度学习的边缘嵴差异评估系统，该系统能够自动识别和评估边缘嵴差异，提高牙周病的早期诊断能力。实验结果表明，该系统在牙齿、牙冠和牙槽骨的分割任务中表现优异，且在MRD分类任务中具有较高的准确率。通过结合图像分割和角度评估，该系统能够为牙医提供更可靠和客观的诊断依据，从而减少主观判断误差，提升诊断效率。未来，该系统可以进一步优化，以应对更多复杂的临床情况，为牙周病的诊断和治疗提供更全面的支持。