Karieserkennung mit Nahinfrarot-Transillumination unter Verwendung von Deep Learning

Zahnkaries ist die weltweit verbreitetste chronische Erkrankung. Eine frühzeitige Erkennung kann die Behandlungsergebnisse erheblich verbessern und die Notwendigkeit invasiver Verfahren reduzieren. Kürzlich wurde gezeigt, dass die Nahinfrarot-Transillumination (TI) Bildgebung effektiv zur Erkennung von Läsionen im Frühstadium ist. In dieser Arbeit präsentieren wir ein Deep-Learning-Modell zur automatisierten Erkennung und Lokalisierung von Zahnlesionen in TI-Bildern. Unsere Methode basiert auf einem konvolutionalen neuronalen Netzwerk (CNN), das auf einer semantischen Segmentierungsaufgabe trainiert wurde. Wir verwenden verschiedene Strategien, um Probleme im Zusammenhang mit der Knappheit von Trainingsdaten, Klassenungleichgewicht und Überanpassung zu mildern. Mit nur 185 Trainingsproben erreichte unser Modell einen durchschnittlichen Intersection-over-Union (IOU) Wert von 72,7 % bei einer 5-Klassen-Segmentierungsaufgabe und spezifisch einen IOU-Wert von 49,5 % bzw. 49,0 % für approximale und okklusale kariöse Läsionen. Darüber hinaus haben wir eine vereinfachte Aufgabe konstruiert, bei der Regionen von Interesse auf das binäre Vorhandensein oder Fehlen von kariösen Läsionen bewertet wurden. Für diese Aufgabe erreichte unser Modell eine Fläche unter der Receiver Operating Characteristic-Kurve von 83,6 % bzw. 85,6 % für okklusale und approximale Läsionen. Unsere Arbeit zeigt, dass ein Deep-Learning-Ansatz zur Analyse zahnmedizinischer Bilder vielversprechend ist, um die Geschwindigkeit und Genauigkeit der Karieserkennung zu erhöhen, die Diagnosen von Zahnmedizinern zu unterstützen und die Patientenergebnisse zu verbessern.