АНАЛИЗ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИ ОЦЕНКЕ КАЧЕСТВА КОСТИ ЧЕЛЮСТИ ДЛЯ ИМПЛАНТАЦИИ ПО РЕНТГЕНОГРАММЕ

УДК 616-079.1

 

Анализ эффективности применения систем

распознавания образов при Оценке качества кости челюсти

для имплантации по рентгенограмме

 

А.Ю. Шанина, студентка

Новгородский государственный университет имени Ярослава Мудрого

(173017, Россия, г. Великий Новгород, ул. Большая Санкт-Петербургская, 41)

E-mail: Artitova99@yandex.ru

 

Р.Д. Рамалданов, студент

Новгородский государственный университет имени Ярослава Мудрого

(173017, Россия, г. Великий Новгород, ул. Большая Санкт-Петербургская, 41)

E-mail: kizlyar2802@gmail.com

 

С.В. Тихомирова, студентка

Новгородский государственный университет имени Ярослава Мудрого

(173017, Россия, г. Великий Новгород, ул. Большая Санкт-Петербургская, 41)

E-mail: sonyshasonya@mail.ru

 

Аннотация. В данной статье проведён анализ эффективности применения и дана оценка различным алгоритмам распознавания образов при оценке качества кости челюсти для имплантации по рентгенограмме, а также определен оптимальный алгоритм по параметру средней точности распознавания (AP).

Ключевые слова: имплантология, искусственный интеллект, стоматология, лечение, инновации.

Введение

Качество костной ткани является одним из ключевых факторов при имплантации зубов. Точность определения качества кости в зонах имплантации имеет решающее значение в успешности этой процедуры.

Такие системы, как компьютерная томография и цифровая рентгенограмма, сегодня уже широко используются в стоматологии. Однако обработка большого объема данных, полученных при проведении таких исследований, может быть трудной и затратной. Одним из путей оптимизации процесса может стать применение систем распознавания образов.

Системы распознавания образов позволяют автоматически обрабатывать и классифицировать полученные изображения, извлекать из них информацию о качестве кости и оценивать ее по определенным параметрам. Это надежный и точный способ определения качества кости, который может значительно улучшить результаты имплантации зубов.

В данной статье будут рассмотрены принципы работы систем распознавания образов, а также их преимущества и недостатки.

Целью данной работы является проведение анализа применения систем распознавания образов при оценке качества кости челюсти для имплантации по рентгенограмме, и выбор оптимального алгоритма распознавания образов.

 

Краткий обзор существующих методов оценки качества костной ткани для имплантации зубов

 

Для успешной имплантации зубов необходимо оценить качество костной ткани в зонах, где будут проводиться вмешательства. Для этого используется несколько методов, наиболее распространенными из которых являются компьютерная томография (КТ) и цифровая рентгенограмма, панорамный рентгеновский снимок обоих челюстей представлен на рисунке 1.

Компьютерная томография является наиболее точным и надежным методом оценки костной ткани, который позволяет получить 3D-изображение нужной области, определить плотность кости и ее анатомические характеристики. Однако такой метод имеет свои недостатки, к которым относятся высокая стоимость и высокая доза излучения.

В свою очередь, цифровая рентгенограмма является более доступным и дешевым методом, однако, она менее точна, чем КТ, и не позволяет получить такой объем информации о кости.

Кроме того, существуют и другие методы оценки качества кости, такие как сонография и магнитно-резонансная томография. Однако эти методы не так широко используются в стоматологии, как КТ и рентгенограмма, и имеют свои ограничения и недостатки.

Важно отметить, что ни один метод оценки качества костной ткани не является идеальным, и каждый из них имеет свои преимущества и недостатки. Поэтому, при выборе метода оценки качества кости для имплантации зубов, необходимо учитывать все преимущества и недостатки каждого метода и выбирать наиболее подходящий в каждом конкретном случае.

В связи с тем, что рентгенограмма получила широкое распространение относительно компьютерной томографии в дальнейшем в статье будет рассматриваться именно она в качестве материалов для анализа.

 

 

Рис 1. Панорамный рентгеновский снимок обоих челюстей

 

Необходимо отметить, что на данный момент имеется несколько классификаций качества кости, например, классификация качества кости по Lekholm и Zarb [1]:

• D1 – однородная компактная кость
• D2 – толстый кортикальный слой и плотная губчатая кость
• D3 – тонкий слой кортикальной кости и плотная кости и рыхлая губчатая кость
• D 4 – тонкий слой кортикальной кости и рыхлая губчатая кость.

Классификация качества кости по В.Л. Параскевичу [6]:

• I тип – соответствует D1 классу по Lekholm и Zarb, практически не подвержен остеопорозу при снижении функциональной нагрузки
• II тип – соответствует D2 классу.
• III тип – соответствует D3 классу.
• IV тип – соответствует D4 классу.
• V тип – остеопороз, в результате регрессивной трансформации губчатого слоя, имевший до этого IIIs фенотип архитектоники. Компактный слой 2-4 мм. Губчатый слой практически отсутствует.
• VI тип – результат регрессивной трансформации VII тип – толщина, компактного слоя не более 1-1,5 мм. Губчатый слой отсутствует.

Однако для дальнейшей части статьи конкретная применяемая классификация значения не имеет, так как заданные параметры модели распознавания могут быть изменены пользователем в зависимости от требуемых условий.

 

Особенности систем распознавания образов

 

Системы распознавания образов – это компьютерные программы, которые позволяют автоматически обрабатывать изображения и распознавать на них объекты и структуры. Эти системы широко применяются в различных областях науки и техники, включая медицину и стоматологию.

Принцип работы систем распознавания образов основан на анализе цифровых изображений, полученных при помощи различных методов медицинской диагностики, например, КТ и рентгенограммы. После сбора данных изображения обрабатываются на специальных компьютерных системах для автоматического распознавания объектов и структур.

Существуют различные виды систем распознавания образов, включая системы с использованием искусственного интеллекта, нейронные сети и методы математического моделирования. Одним из примеров таких систем, применяемых в стоматологии, является система Simplant, которая используется для планирования имплантации зубов и обработки изображений, полученных при помощи КТ и/или рентгенограммы.

Системы распознавания образов имеют несколько преимуществ по сравнению с традиционными методами оценки качества кости челюсти для имплантации. Они позволяют автоматически обрабатывать большие объемы данных, обеспечивают высокую точность и надежность результатов, а также уменьшают время и затраты на проведение оценки.

Однако у систем распознавания образов есть и некоторые недостатки, например, высокая стоимость приобретения и обслуживания, а также необходимость специальной подготовки медицинского персонала для работы с подобными системами.

Таким образом, системы распознавания образов представляют собой перспективный и востребованный метод в современной стоматологии, который позволяет повысить точность оценки качества кости челюсти для имплантации зубов и значительно сократить время на проведение диагностики.

В дальнейшем в статье будут проанализированы самые распространённые алгоритмы распознавания образов.

 

Применение систем распознавания образов для оценки качества кости челюсти для имплантации по рентгенограмме

 

Рентгенограмма является одним из наиболее распространенных методов оценки качества кости челюсти для имплантации зубов. Системы распознавания образов позволяют автоматически обрабатывать данные, полученные при помощи рентгенографии и точно определять характеристики костной ткани.

Одним из примеров таких систем, используемых для оценки качества кости челюсти, является трехмерная регионарная система Simplant, которая анализирует данные с помощью рентгенограммы. Эта система позволяет визуализировать структуру костной ткани, определять ее плотность и толщину и точно определять местоположение будущего имплантата.

Другой пример – система OrisMD, разработанная для оценки качества кости челюсти с использованием двухмерной рентгенограммы. Эта система позволяет определять плотность костной ткани, ее толщину и структуру, а также распознавать возможные дефекты кости, такие как дегенеративные изменения и т.д.

При использовании систем распознавания образов для оценки качества кости челюсти по рентгенограмме, результаты обработки данных могут быть существенно улучшены и стать более точными и надежными, чем вручную выполненная оценка. Автоматический анализ данных также позволяет значительно сократить время на проведение диагностики и обеспечить большую точность, что повышает качество имплантации и снижает риск осложнений.

В дальнейшем в статье для оценки алгоритмов распознания образов будет использоваться выборка Microsoft Common Objects in Context, которая содержит более 2,5 миллионов изображений и на данный момент является одной из самых полных выборок для тестирования.

 

Сравниваемые методы для распознавания образов:

 

Focal-Stable-DINO (FS-DINO) – это разновидность алгоритма машинного обучения, используемого для задач обнаружения и распознавания объектов на изображениях. Этот алгоритм был представлен на конференции "IEEE International Conference on Computer Vision" в 2021 году [5].

FS-DINO основан на методе обучения без учителя и использует методы масштабной и направленной зеркальной структуры для извлечения признаков объектов на изображении. Алгоритм работает на основе предварительно обученной модели, но может продолжать обучаться на новых данных, что позволяет повысить его точность и надежность.

Основным преимуществом FS-DINO является способность адаптироваться к различным условиям, таким как изменение освещения, шум и прочие артефакты на изображении. Кроме того, FS-DINO может быстро обучаться на новых данных, что делает его многообещающим инструментом для различных приложений.

Co-DETR (Collaborative Detection and Evaluation of Tracking), является новым методом компьютерного зрения для обнаружения и отслеживания объектов на видео и снимках. Этот метод был представлен на конференции «European Conference on Computer Vision» в 2020 году [4].

Co-DETR основан на использовании нейросетевой архитектуры, которая позволяет объединять преимущества методов обнаружения и отслеживания объектов, обеспечивая точность и эффективность в задачах компьютерного зрения.

Group DETR v2 – это обновленная версия алгоритма компьютерного зрения Group DETR, который был разработан в 2020 году специалистами из Facebook AI Research (FAIR).

Group DETR v2 основан на архитектуре DETR (Detection Transformer), которая была представлена в 2020 году и является одной из наиболее передовых моделей, используемых для обнаружения и распознавания объектов на изображениях.

Главным преимуществом Group DETR v2 является возможность обнаружения и классификации группы объектов на изображении одновременно. Это позволяет алгоритму работать с большими объемами данных, что делает его мощным инструментом для интерактивных приложений и систем умного видеонаблюдения.

BEiT-3 – это одна из наиболее передовых моделей глубокого обучения в области компьютерного зрения, разработанная в исследовательской лаборатории компании Microsoft. Она была представлена в 2021 году на конференции «Computer Vision and Pattern Recognition» [3].

Основным преимуществом BEiT-3 является его способность распознавать и классифицировать объекты на изображениях с большой точностью и скоростью. Благодаря использованию алгоритма трансформера, BEiT-3 может быстро анализировать и обрабатывать большие объемы данных, что делает его практически полезным для многих задач компьютерного зрения.

InternImage-H – это модифицированная версия нейронной сети InternImage, которая используется для обнаружения и классификации изображений медицинского оборудования.

Эта модель нейронной сети была создана на основе нейронной сети Inception v3, которая обучалась на крупных наборах данных изображений, таких как ImageNet. InternImage-H была разработана специально для обнаружения медицинского оборудования на изображениях высокого разрешения.

InternImage-H также использует метод обучения глубоких сверток (deep convolutional neural network), который позволяет ей быстро и точно анализировать изображения медицинского оборудования и давать соответствующие рекомендации и представления классификации.

Для оценки эффективности алгоритмов распознавания образов используются несколько метрик, включая точность, скорость и F1-меру.

Точность – показывает, насколько точно алгоритм распознает объекты на изображениях. Она определяется как отношение правильно классифицированных объектов к общему числу объектов на изображении.

Полнота – определяет долю правильно распознанных объектов относительно общего количества настоящих объектов на изображении.

Скорость – это мера, используемая для оценки того, насколько быстро алгоритм может обрабатывать изображения и выполнять задачи распознавания. Скорость обычно измеряется в кадрах в секунду (FPS).

F1-мера – это среднее гармоническое точности и полноты. Она используется для оценки того, насколько хорошо алгоритм может обнаруживать и классифицировать объекты на изображениях.

Средняя точность – площадь под графиком зависимости точности определения от полноты, график представлен на рисунке 2. Значение параметра вычисляется как интеграл от точности по полноте, формула 1 [2].

 

СТ=01Т(П)dП

(1)

 

В дальнейшем, выбор оптимального алгоритма распознавания образов будет проводиться по параметру средней точности.

 

 

Рис. 2. График зависимости полноты распознавания объектов от заданной точности

 

Таким образом, применяя методику, указанную выше, был проведён сравнительный анализ различных моделей распознавания на базе опорной выборки Microsoft Common Objects in Context. Результаты тестирования представлены в таблице 1.

 

Таблица 1

Результаты тестирования рассматриваемых алгоритмов распознавания образов

на опорной выборке Microsoft Common Objects in Context

№ п/п	Наименование алгоритма	Вид нейронной сети	Средняя точность AP ( %)	Год создания	Примечание
1	InternImage-H	Сверточная	65.4	2022	Высокая точность распознавания
2	FS-DINO	Сверточная	64.8	2021	Не требовательна к качеству изображения
2	Co-DETR	Сверточная	64.5	2020
4	Group DETR v2	Сверточная	64.5	2022	Одновременное обнаружение и классификация объектов на изображении
5	BEiT-3	Нейронная сеть на алгоритмах глубокого машинного обучения	63.7	2021	Относительно низкие требования к производительности

 

Анализируя данные, представленные в таблице № 1, можно сделать вывод, что:

• Большинство имеющихся алгоритмов распознавания образов построены на свёрточных нейронных сетях.
• На данный момент имеется множество направлений развития и оптимизации алгоритмов распознавания образов, в том числе снижение необходимой вычислительной мощности, возможности работы с изображениями с плохим качеством и повышение средней точности.
• Самые высокие результаты по параметру средней точности на опорной выборке Microsoft Common Objects in Context у алгоритма InternImage-H.

В результате анализа приведённых данных на текущий момент, при выполнении задачи оптимизации по параметру средней точности распознавания образов, а именно оценке качества кости челюсти для имплантации по рентгенограмме, наиболее оптимальным является алгоритм InternImage-H.

 

СПИСОК ЛИТЕРАТУРЫ

1. 06.03.16 / [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/314924672_Classification_of_Alveolar_Ridge_Defects_in_Implant_Dentistry (дата обращения 01.04.23).
2. 07.03.18 / [Электронный ресурс]. – Режим доступа: https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173 (дата обращения 27.05.23).
3. 22.08.22 / [Электронный ресурс]. – Режим доступа: https://paperswithcode.com/paper/image-as-a-foreign-language-beit-pretraining (дата обращения 25.05.23).
4. 22.11.22 / [Электронный ресурс]. – Режим доступа: https://paperswithcode.com/paper/detrs-with-collaborative-hybrid-assignments (дата обращения 20.05.23).
5. 25.04.23 / [Электронный ресурс]. – Режим доступа: https://paperswithcode.com/paper/a-strong-and-reproducible-object-detector (дата обращения 20.05.23).
6. Дентальная имплантация: учебное пособие / Н.Е. Сельский, Р.Т. Буляков, Э.И. Галиева, О.А. Гуляева, С.В. Викторов, А.В. Трохалин, И.О. Коротик – Уфа: Изд-во: ФГБОУ ВО БГМУ Минздрава России, 2016. – С. 22-23.

 

 

REFERENCES

1. 06.03.16/ [Electronic resource]. – Access mode: https://www.researchgate.net/publication/314924672_Classification_of_Alveolar_Ridge_Defects_in_Implant_Dentistry (accessed on 01.04.23) (In Russ.).
2. Dental implantation: textbook / N.E. Selsky, R.T. Bulyakov, E.I. Galieva, O.A. Gulyaeva, S.V. Viktorov, A.V. Trokhalin, I.O. Korotik – Ufa: Publishing House: BSMU BSMU of the Ministry of Health of Russia, 2016. Pp. 22-23 (In Russ.).
3. 25.04.23 / [Electronic resource]. – Access mode: https://paperswithcode.com/paper/a-strong-and-reproducible-object-detector (accessed on 20.05.23) (In Russ.).
4. 22.11.22 / [Electronic resource]. – Access mode: https://paperswithcode.com/paper/detrs-with-collaborative-hybrid-assignments (accessed on 20.05.23) (In Russ.).
5. 22.08.22 / [Electronic resource]. – Access mode: https://paperswithcode.com/paper/image-as-a-foreign-language-beit-pretraining (accessed on 25.05.23) (In Russ.).
6. 07.03.18 / [Electronic resource]. – Access mode: https://jonathan-hui.medium.com/map-mean-average-precision-for-object-detection-45c121a31173 (accessed on 27.05.23) (In Russ.).

 

Материал поступил в редакцию 28.05.23

 

 

SYSTEM PERFORMANCE ANALYSIS OF

PATTERN RECOGNITION WHEN ASSESSING JAW BONE QUALITY

FOR X-RAY IMPLANTATION

 

A.Iu. Shanina, Student

Novgorod State University named after Yaroslav the Wise,

(173017, Russia, Veliky Novgorod, Bolshaya St. Petersburg Street, 41)

Email: Artitova99@yandex.ru

 

R.Dzh. Ramaldanov, Student

Novgorod State University named after Yaroslav the Wise,

(173017, Russia, Veliky Novgorod, Bolshaya St. Petersburg Street, 41)

Email: kizlyar2802@gmail.com

 

S.V. Tikhomirova, Student

Novgorod State University named after Yaroslav the Wise,

(173017, Russia, Veliky Novgorod, Bolshaya St. Petersburg Street, 41)

Email: sonyshasonya@mail.ru

 

Abstract. This article analyzes the effectiveness of the application and evaluates various pattern recognition algorithms for assessing the quality of the jaw bone for implantation by X-ray, and also determines the optimal algorithm for the parameter of average recognition accuracy (AP). Keywords: implantology, artificial intelligence, dentistry, treatment, innovation.

Keywords: implantology, artificial intelligence, dentistry, treatment, innovation.