Клиническая стоматология. Ежеквартальный журнал для стоматологов-практиков

Включен в перечень ВАК, в Russian Science Citation Index на платформе Web of Science, входит в ядро РИНЦ

Все выпуски журнала смотрите на сайте Национальной электронной библиотеки


10.37988/1811-153X

ISSN 1811-153X


Хирургия
№ 3 (95)/2020
< Предыдущая13 из 22 Следующая >

Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы)

Для цитирования:

Мураев А.А., Гусейнов  Н.А., Цай  П.А., Кибардин  И.А., Буренчев  Д.В., Иванов  С.С., Оборотистов  Н.Ю., Матюта  М.А., Грачев  Н.С., Ларин  С.С. Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы). — Клиническая стоматология. — 2020; 3 95: 72—80  DOI: 10.37988/1811-153X_2020_3_72

Скачать статью (3 522 Кб)  

Литература:

  1. Ненашева Е.А., Ненашев С.С. Искусственный интеллект — прогнозы на 2019 год. — Информационные технологии. Проблемы и решения. — 2019; 1 (6): 71—4.
  2. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. — Врач и информационные технологии. — 2017; 3: 92—105.
  3. Leite A.F., de Faria Vasconcelos K., Willems H., Jacobs R. Radiomics and machine learning in oral healthcare. — Proteomics Clin Appl. — 2020; 14 (3): e1900040.
  4. LeCun Y., Boser B., Denker J.S., Henderson D., Howard R.E., Hubbard R.E., Jackel L.D. Backpropagation applied to handwritten zip code recognition. — Neural Computation. — 1989; 1 (4): 541—51.
  5. He K., Zhang X., Ren S., Sun J. Delving deep into rectifiers: Surpassing human-level performance on imagenet classification. — Proceedings of the 015 IEEE International Conference on Computer Vision (ICCV). — Santiago, 2015. — Pp. 1026—1034.
  6. Ardila D., Kiraly A.P., Bharadwaj S., Choi B., Reicher J.J., Peng L., Tse D., Etemadi M., Ye W., Corrado G., Naidich D.P., Shetty S. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. — Nat Med. — 2019; 25 (6): 954—61.
  7. Семенов М.Г., Кудрявцева О.А., Стеценко А., Филиппова А. Современные методики цефалометрического анализа при планировании костно-реконструктивных операций на лицевом отделе черепа в растущем организме. — Институт стоматологии. — 2015; 1 (66): 48—51.
  8. Banar N., Bertels J., Laurent F., Boedi R.M., De Tobel J., Thevissen P., Vandermeulen D. Towards fully automated third molar development staging in panoramic radiographs. — Int J Legal Med. — 2020; 134 (5): 1831—1841.
  9. De Tobel J., Radesh P., Vandermeulen D., Thevissen P.W. An automated technique to stage lower third molar development on panoramic radiographs for age estimation: a pilot study. — J Forensic Odontostomatol. — 2017; 35 (2): 42—54.
  10. Lee J.-H., Han S.-S., Kim Y.H., Lee C., Kim I. Application of a fully deep convolutional neural network to the automation of tooth segmentation on panoramic radiographs. — Oral Surg Oral Med Oral Pathol Oral Radiol. — 2020; 129 (6): 635—42.
  11. Miki Y., Muramatsu C., Hayashi T., Zhou X., Hara T., Katsumata A., Fujita H. Classification of teeth in cone-beam CT using deep convolutional neural network. — Comput Biol Med. — 2017; 80: 24—9.
  12. Hiraiwa T., Ariji Y., Fukuda M., Kise Y., Nakata K., Katsumata A., Fujita H., Ariji E. A deep-learning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography. — Dentomaxillofac Radiol. — 2019; 48 (3): 20180218.
  13. Kwak G.H., Kwak E.-J., Song J.M., Park H.R., Jung Y.-H., Cho B.-H., Hui P., Hwang J.J. Automatic mandibular canal detection using a deep convolutional neural network. — Sci Rep. — 2020; 10 (1): 5711.
  14. Orhan K., Bayrakdar I.S., Ezhov M., Kravtsov A., Özyürek T. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. — Int Endod J. — 2020; 53 (5): 680—9.
  15. Lee J.-H., Kim D.-H., Jeong S.-N. Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network. — Oral Dis. — 2020; 26 (1): 152—8.
  16. Abdolali F., Zoroofi R.A., Otake Y., Sato Y. Automated classification of maxillofacial cysts in cone beam CT images using contourlet transformation and Spherical Harmonics. — Comput Methods Programs Biomed. — 2017; 139: 197—207.
  17. Ariji Y., Yanashita Y., Kutsuna S., Muramatsu C., Fukuda M., Kise Y., Nozawa M., Kuwada C., Fujita H., Katsumata A., Ariji E. Automatic detection and classification of radiolucent lesions in the mandible on panoramic radiographs using a deep learning object detection technique. — Oral Surg Oral Med Oral Pathol Oral Radiol. — 2019; 128 (4): 424—430.
  18. Krois J., Ekert T., Meinhold L., Golla T., Kharbot B., Wittemeier A., Dörfer C., Schwendicke F. Deep Learning for the Radiographic Detection of Periodontal Bone Loss. — Sci Rep. — 2019; 9 (1): 8495.
  19. Kositbowornchai S., Plermkamon S., Tangkosol T. Performance of an artificial neural network for vertical root fracture detection: an ex vivo study. — Dent Traumatol. — 2013; 29 (2): 151—5.
  20. Lee K.-S., Jung S.-K., Ryu J.-J., Shin S.-W., Choi J. Evaluation of transfer learning with deep convolutional neural networks for screening osteoporosis in dental panoramic radiographs. — J Clin Med. — 2020; 9 (2): 392.
  21. Chu P., Bo C., Liang X., Yang J., Megalooikonomou V., Yang F., Huang B., Li X., Ling H. Using Octuplet Siamese Network For Osteoporosis Analysis On Dental Panoramic Radiographs. — Conf Proc IEEE Eng Med Biol Soc. — 2018; 2018: 2579—82.
  22. Murata M., Ariji Y., Ohashi Y., Kawai T., Fukuda M., Funakoshi T., Kise Y., Nozawa M., Katsumata A., Fujita H., Ariji E. Deep-learning classification using convolutional neural network for evaluation of maxillary sinusitis on panoramic radiography. — Oral Radiol. — 2019; 35 (3): 301—7.
  23. Kise Y., Shimizu M., Ikeda H., Fujii T., Kuwada C., Nishiyama M., Funakoshi T., Ariji Y., Fujita H., Katsumata A., Yoshiura K., Ariji E. Usefulness of a deep learning system for diagnosing Sjögren‘s syndrome using ultrasonography images. — Dentomaxillofac Radiol. — 2020; 49 (3): 20190348.
  24. Sumida I., Magome T., Kitamori H., Das I.J., Yamaguchi H., Kizaki H., Aboshi K., Yamashita K., Yamada Y., Seo Y., Isohashi F., Ogawa K. Deep convolutional neural network for reduction of contrast-enhanced region on CT images. — J Radiat Res. — 2019; 60 (5): 586—594.
  25. Hu Z., Jiang C., Sun F., Zhang Q., Ge Y., Yang Y., Liu X., Zheng H., Liang D. Artifact correction in low-dose dental CT imaging using Wasserstein generative adversarial networks. — Med Phys. — 2019; 46 (4): 1686—1696.
  26. Dot G., Rafflenbeul F., Arbotto M., Gajny L., Rouch P., Schouman T. Accuracy and reliability of automatic three-dimensional cephalometric landmarking. — Int J Oral Maxillofac Surg. — 2020; S0901—5027 (20)30083—7.
  27. Yun H.S., Jang T.J., Lee S.M., Lee S.-H., Seo J.K. Learning-based local-to-global landmark annotation for automatic 3D cephalometry. — hys Med Biol. — 2020; 65 (8): 085018.
  28. Kunz F., Stellzig-Eisenhauer A., Zeman F., Boldt J. Artificial intelligence in orthodontics : Evaluation of a fully automated cephalometric analysis using a customized convolutional neural network. — J Orofac Orthop. — 2020; 81 (1): 52—68.
  29. Codari M., Caffini M., Tartaglia G.M., Sforza C., Baselli G. Computer-aided cephalometric landmark annotation for CBCT data. — Int J Comput Assist Radiol Surg. — 2017; 12 (1): 113—121.
  30. Leonardi R., Giordano D., Maiorana F., Spampinato C. Automatic cephalometric analysis. — Angle Orthod. — 2008; 78 (1): 145—51.
  31. Lindner C., Wang C.-W., Huang C.-T., Li C.-H., Chang S.-W., Cootes T.F. Fully automatic system for accurate localisation and analysis of cephalometric landmarks in lateral cephalograms. — Sci Rep. — 2016; 6: 33581.
  32. Leonardi R., Giordano D., Maiorana F. An evaluation of cellular neural networks for the automatic identification of cephalometric landmarks on digital images. — J Biomed Biotechnol. — 2009; 2009: 717102.
  33. Sommer T., Ciesielski R., Erbersdobler J., Orthuber W., Fischer-Brandies H. Precision of cephalometric analysis via fully and semiautomatic evaluation of digital lateral cephalographs. — Dentomaxillofac Radiol. — 2009; 38 (6): 401—6.
  34. Hung K., Montalvao C., Tanaka R., Kawai T., Bornstein M.M. The use and performance of artificial intelligence applications in dental and maxillofacial radiology: A systematic review. — Dentomaxillofac Radiol. — 2020; 49 (1): 20190107.
  35. Chen Y.-W., Stanley K., Att W. Artificial intelligence in dentistry: current applications and future perspectives. — Quintessence Int. — 2020; 51 (3): 248—57.
  36. Жулев Е.Н., Богатова Е.А. Методика изучения пространственной ориентации шарнирной оси при ортогнатическом прикусе на основе компьютерной томографии височно-нижнечелюстного сустава. — Клиническая стоматология. — 2013; 1 (65): 70—3.
  37. Иванов С.Ю., Короткова Н.Л., Польма Л.В., Ямуркова Н.Ф., Мураев А.А., Фомин М.Ю., Дымников А.Б. Комплексный подход — залог успеха в лечении пациентов с врожденными деформациями челюстей. — Анналы пластической, реконструктивной и эстетической хирургии. — 2013; 1: 21—7.
  38. Шадлинская Р.В., Гасымова З.В., Гасымов О.Ф. Сравнительная характеристика челюстно-лицевых параметров пациентов с большой β-талассемией и дистальной окклюзией. — Клиническая стоматология. — 2019; 1 (89): 46—50.
  39. Иванов С.Ю., Короткова Н.Л., Мураев А.А., Сафьянова Е.В., Быковская Т.В. Оценка эффективности лечения врожденных скелетных аномалий зубочелюстной системы. — Современные проблемы науки и образования. — 2017; 5: 208.
  40. Neelapu B.C., Kharbanda O.P., Sardana V., Gupta A., Vasamsetti S., Balachandran R., Sardana H.K. Automatic localization of three-dimensional cephalometric landmarks on CBCT images by extracting symmetry features of the skull. — Dentomaxillofac Radiol. — 2018; 47 (2): 20170054.
  41. Grau V., Alcañiz M., Juan M.C., Monserrat C., Knoll C. Automatic localization of cephalometric Landmarks. — J Biomed Inform. — 2001; 34 (3): 146—56.
  42. Hutton T.J., Cunningham S., Hammond P. An evaluation of active shape models for the automatic identification of cephalometric landmarks. — Eur J Orthod. — 2000; 22 (5): 499—508.
  43. Rudolph D.J., Sinclair P.M., Coggins J.M. Automatic computerized radiographic identification of cephalometric landmarks. — Am J Orthod Dentofacial Orthop. — 1998; 113 (2): 173—9.
  44. Vucinić P., Trpovski Z., Sćepan I. Automatic landmarking of cephalograms using active appearance models. — Eur J Orthod. — 2010; 32 (3): 233—41.
  45. Gupta A., Kharbanda O.P., Sardana V., Balachandran R., Sardana H.K. Accuracy of 3D cephalometric measurements based on an automatic knowledge-based landmark detection algorithm. — Int J Comput Assist Radiol Surg. — 2016; 11 (7): 1297—309.
  46. Gupta A., Kharbanda O.P., Sardana V., Balachandran R., Sardana H.K. A knowledge-based algorithm for automatic detection of cephalometric landmarks on CBCT images. — Int J Comput Assist Radiol Surg. — 2015; 10 (11): 1737—52.
  47. Makram M., Kamel H. Reeb graph for automatic 3D cephalometry . — International Journal of Image Processing. — 2014; 8 (2): 17—29.
  48. Montúfar J., Romero M., Scougall-Vilchis R.J. Hybrid approach for automatic cephalometric landmark annotation on cone-beam computed tomography volumes. — Am J Orthod Dentofacial Orthop. — 2018; 154 (1): 140—50.
  49. Rueda S., Alcañiz M. An approach for the automatic cephalometric landmark detection using mathematical morphology and active appearance models. — Med Image Comput Comput Assist Interv. — 2006; 9 (Pt 1): 159—66.
  50. Arık S.Ö., Ibragimov B., Xing L. Fully automated quantitative cephalometry using convolutional neural networks. — J Med Imaging (Bellingham). — 2017; 4 (1): 014501.
  51. Мураев А.А., Кибардин И.А., Оборотистов Н.Ю., Иванов С.С., Иванов С.Ю., Персин Л.С. Использование нейросетевых алгоритмов для автоматизированной расстановки цефалометрических точек на телерентгенограммах головы в боковой проекции. — Российский электронный журнал лучевой диагностики. — 2018; 4: 16—22.
  52. Lin H.-H., Chuang Y.-F., Weng J.-L., Lo L.-J. Comparative validity and reproducibility study of various landmark-oriented reference planes in 3-dimensional computed tomographic analysis for patients receiving orthognathic surgery. — PLoS One. — 2015; 10 (2): e0117604.
  53. Vlijmen O.J.C., Maal T.J.J., Bergé S.J., Bronkhorst E.M., Katsaros C., Kuijpers-Jagtman A.M. A comparison between two-dimensional and three-dimensional cephalometry on frontal radiographs and on cone beam computed tomography scans of human skulls. — Eur J Oral Sci. — 2009; 117 (3): 300—5.
  54. Farronato G., Garagiola U., Dominici A., Periti G., de Nardi S., Carletti V., Farronato D. “Ten-point” 3D cephalometric analysis using low-dosage cone beam computed tomography. — Prog Orthod. — 2010; 11 (1): 2—12.
  55. Codari M., Caffini M., Tartaglia G.M., Sforza C., Baselli G. Computer-aided cephalometric landmark annotation for CBCT data. — Int J Comput Assist Radiol Surg. — 2017; 12 (1): 113—121.
  56. Shahidi S., Bahrampour E., Soltanimehr E., Zamani A., Oshagh M., Moattari M., Mehdizadeh A. The accuracy of a designed software for automated localization of craniofacial landmarks on CBCT images. — BMC Med Imaging. — 2014; 14: 32.
  57. Gawande A. Why Doctors Hate Their Computers. — The New Yorker. — 2018; Nov, 12.
  58. Network C.G.A.R. Comprehensive molecular characterization of urothelial bladder carcinoma. — Nature. — 2014; 507 (7492): 315—22.
  59. Штарберг А.И., Кулеша Н.В., Бокин А.Н., Смирнова Е.А., Поляков Д.С. Анализ ошибок при лучевой диагностике в судебно медицинской практике. — В сб. матер. конф. «Судебная медицина: вопросы, проблемы, экспертная практика». — Новосибирск, 2018. — С. 12—16.
< Предыдущая13 из 22 Следующая >
ООО «Клиническая стоматология», 2012—2020.