智能诊断:基于声发射信号分层深度学习实现氧化锆牙科结构早期裂纹检测

《Sensors》:Smart Diagnostics: Hierarchical Deep Learning of Acoustic Emission Signals for Early Crack Detection in Zirconia Dental Structures Kuson Tuntiwong, Rangsinee Wangman, Kanchana Kanchanatawewat, Boonjira Anucul, Hiranya Sritart, Pattarapong Phasukkit and Supan Tungjitkusolmun

【字体: 大 中 小 】 时间:2026年04月28日 来源:Sensors 3.5

编辑推荐:

  为应对氧化锆牙科修复体中亚临界裂纹难以被传统影像学方法发现的临床挑战,研究人员开展了一项结合声发射(AE)技术与分层深度学习框架的研究。该研究通过AE信号监测、卡尔曼滤波和连续小波变换(CWT)构建时频尺度图,并利用混合CNN-BiGRU网络与集成双向LSTM及多头注意力的ResNet-18架构,成功实现了对裂纹的组件级分类和跨五个牙冠解剖区域的精确定位,F1分数高达99.00%,AUC为0.994。该研究展示了一种有前景的、基于AE的早期非侵入性损伤定位实验室框架,有助于推动牙科迈向可靠的预测性维护模式。

  
在牙科修复领域,氧化锆陶瓷因其卓越的机械强度、生物相容性和美学性能,已成为牙冠、种植体等复杂修复体的首选材料。然而,这种材料在口腔的苛刻环境中长期服役时,面临着“低温退化”和亚临界裂纹扩展的风险。这些微裂纹在初期尺寸极小,传统诊断手段如X射线、锥形束CT(CBCT)甚至超声波检查,都难以在灾难性断裂发生前将其捕捉。这就像一场“静默的危机”,在肉眼和常规检查无法触及的微观世界里悄然酝酿,最终可能导致修复体突然失效,给患者带来不便和额外的医疗负担。因此,开发一种高灵敏度、非侵入性的早期微损伤检测方法,对于实现牙科的预测性维护、提升临床可靠性至关重要。近期发表在《Sensors》期刊上的一项研究,为我们带来了破局的新思路。
为了破解这一难题,研究团队巧妙地将常用于航空航天、土木工程等领域结构健康监测(SHM)的声发射(AE)技术,与前沿的分层深度学习架构相结合,构建了一套智能诊断框架。该研究的核心是采集和处理在氧化锆样本受载过程中产生的AE信号。研究人员首先利用铅笔芯断裂(PLB)测试模拟裂纹信号以构建数据集,并在伺服液压万能试验机(UTM)对氧化锆牙冠进行准静态和循环载荷实验时,同步采集真实的AE数据。关键的信号处理步骤包括:使用卡尔曼滤波器对原始AE波形进行去噪,以保留与裂纹相关的高频突发成分;随后进行Z-score归一化以标准化信号幅度;最后,通过连续小波变换(CWT)将一维时域信号转换为高保真的二维时频尺度图( scalogram)。这些尺度图清晰地展示了不同样本组件(如牙根和牙冠)及牙冠不同解剖区域(切缘、唇侧、左侧、腭侧、右侧)独特的时频能量模式,为后续的深度学习模型提供了高度可区分的输入特征。
研究团队设计了一个两阶段的分层深度学习框架来“解读”这些蕴含丰富信息的尺度图。第一阶段专注于组件级分类,即判断信号是来自牙根组件还是牙冠组件。该阶段采用了一个混合卷积神经网络(CNN)与双向门控循环单元(BiGRU)的网络,并集成了时间注意力机制。CNN负责从尺度图中提取空间特征,BiGRU则分析完整的时序依赖关系,注意力机制能动态聚焦于与裂纹最相关的关键时间片段。如果模型判定信号来自牙冠,则将其路由至第二阶段进行更精细的空间裂纹定位。第二阶段的目标是在牙冠的五个解剖区域中精确定位裂纹,采用了以ResNet-18为骨干网络,并集成双向长短期记忆网络(BiLSTM)和多头注意力(MHA)机制的架构。ResNet-18用于深度提取层次化的空间-频率特征,BiLSTM处理序列特征以捕捉前后文信息,而多头注意力机制则能突出显示与裂纹相关的信息区域,从而实现对裂纹起源和扩展事件的精确空间定位。
诊断性能与时空分析部分详细报告了该框架卓越的性能表现。
  • •
    组件分类准确性与鲁棒性:在第一阶段组件分类任务中,CNN2D-BiGRU模型在测试集上达到了99.67%的整体准确率,宏平均F1分数为0.9967,受试者工作特征曲线下面积(AUC)接近1.000,显示出近乎完美的根-冠区分能力。混淆矩阵和ROC曲线分析均证实了模型出色的判别性能和泛化能力。
  • •
    空间缺陷定位精度:在第二阶段牙冠位置五分类任务中,集成了BiLSTM和多头注意力的ResNet-18模型实现了99.00%的整体准确率,所有类别的F1分数均高于0.97。混淆矩阵显示模型能有效区分不同解剖区域,仅在与切缘相邻的右侧区域有轻微混淆。对应的ROC曲线及AUC值(微平均0.991,宏平均0.994)进一步验证了模型稳定的多分类性能。
  • •
    与常规架构的对比及消融研究:基准测试表明,所提出的ResNet-18+BiLSTM+MHA架构在准确率上显著优于纯粹的CNN、CNN+BiLSTM以及CNN+Transformer编码器等基线模型。消融研究则逐步证实了BiGRU、双向处理以及时间/多头注意力机制各自对提升模型性能的独立且可量化的贡献。
  • •
    现场动态加载场景的泛化:为了评估框架在更接近真实受力场景下的有效性,研究团队利用UTM对氧化锆牙冠进行机械加载,收集了现场AE数据并进行测试。结果表明,在样本量分别为30和60的现场数据集上,第一阶段组件分类和第二阶段裂纹定位的准确率均稳定在96.6%以上,证明了该框架从受控的PLB信号到真实机械诱发裂纹事件的良好特征迁移能力。
  • •
    通过扫描电镜(SEM)分析的微观结构佐证:力学测试后,通过扫描电子显微镜对样本表面进行观察,确认了在腭侧加载区域出现了典型的碎裂和裂纹扩展形貌,这从微观结构上证实了AE信号所检测到的损伤事件。
  • •
    AE与UTM失效检测模式的对比分析:研究中最具启示性的发现之一,是AE技术在早期预警方面的显著时间优势。在力学加载过程中,AE系统最早在约33秒时就探测到了材料内部应力释放的迹象(表现为高幅度能量突发),而UTM依靠载荷下降来判断宏观失效则要延迟到约84秒。这超过50秒的“领先时间”突显了AE作为材料“微观听诊器”,在灾难性破坏发生前进行早期预警的潜力。
在讨论部分,作者深入阐释了研究发现的意义与局限。该分层深度学习框架在实验室条件下展现出的高精度(组件分类99.67%,空间定位99.00%)和低推理延迟(12.3 ms/样本),为实现氧化锆牙科修复体的实时、智能化结构健康监测奠定了技术基础。其核心优势在于能够实现传统无损评估(NDE)方法难以企及的早期、微尺度、非侵入性损伤检测和空间定位。从临床角度看,准确的组件级判别有助于区分是需要修复体干预(牙冠级)还是可能涉及手术的处理(牙根/种植体级);而精确的空间定位(如检测到腭侧裂纹)可以与特定的咬合问题(如深覆合、紧咬牙习惯)关联,为早期的咬合调整或防护性牙合垫制作提供预警信息,从而实现从“事后补救”到“预测性维护”的范式转变。
然而,研究也存在明确的局限性,为未来工作指明了方向。当前框架主要在受控实验室环境下,基于PLB生成的替代信号进行训练和验证。口腔内真实的生理和环境因素,如唾液、软组织耦合、生物膜、热循环及长期疲劳载荷等,均可能影响AE信号特征,其临床普适性有待进一步验证。此外,单传感器布置会受路径长度衰减影响,未来需探索多传感器阵列以提高定位精度。样本几何形态单一、加载场景有限也制约了结果的泛化能力。最终实现临床转化,还需攻克传感器微型化、无线传输、在嘈杂临床环境中的鲁棒信号处理,以及建立连接AE活动与临床可操作风险阈值的患者特异性诊断标准等一系列挑战。
综上所述,这项由Kuson Tuntiwong, Rangsinee Wangman, Kanchana Kanchanatawewat, Boonjira Anucul, Hiranya Sritart, Pattarapong Phasukkit 和 Supan Tungjitkusolmun完成的研究,成功开发并验证了一种结合声发射传感与物理信息启发的分层深度学习的智能裂纹监测框架。该框架在实验室条件下,实现了对氧化锆牙科结构内部微裂纹的极高精度早期检测和空间定位,其性能显著优于传统方法和基线深度学习模型。尽管迈向临床实用化仍有关键步骤需要跨越,但本研究无疑为发展数字化牙科的智能诊断工具和预测性维护策略提供了一个坚实且有前景的原型,预示着未来通过集成微型化传感器和人工智能,实现对高价值牙科修复体长期健康状况的实时、智能化监护成为可能。
相关新闻
生物通微信公众号
微信
新浪微博

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