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

Авторы

  • А.А. Мураев 1, д.м.н., профессор кафедры челюстно-лицевой хирургии и хирургической стоматологии
  • Н.А. Гусейнов 1, ординатор кафедры челюстно-лицевой хирургии и хирургической стоматологии
  • П.А. Цай 2, студент
  • И.А. Кибардин 2, студент
  • Д.В. Буренчев 3, д.м.н., главный научный сотрудник
  • С.С. Иванов 1, ординатор кафедры челюстно-лицевой хирургии и хирургической стоматологии
  • Н.Ю. Оборотистов 4, к.м.н., ассистент кафедры ортодонтии
  • М.А. Матюта 5, аспирант кафедры стоматологии общей практики и детской стоматологии
  • Н.С. Грачев 6, д.м.н., зав. отделением онкологии и детской хирургии, руководитель группы хирургии головы и шеи и реконструктивно-пластической хирургии, зам. директора Института онкологии, радиологии и ядерной медицины
  • С.С. Ларин 6, к.б.н., зам. директора института молекулярной и экспериментальной медицины
  • 1 РУДН, 117198, Москва, Россия
  • 2 МФТИ, 141701, Долгопрудный, Россия
  • 3 Научно-практический клинический центр диагностики и телемедицинских технологий ДЗМ, 109029, Москва, Россия
  • 4 МГМСУ им. А.И. Евдокимова, 127473, Москва, Россия
  • 5 СтГМУ, 355017, Ставрополь, Россия
  • 6 Национальный медицинский исследовательский центр детской гематологии, онкологии и иммунологии им. Дмитрия Рогачева, 117997, Москва, Россия

DOI:

10.37988/1811-153X_2020_3_72

Аннотация

Рентгенология — это огромная и наиболее интеллектуально емкая область медицины. Применение искусственного интеллекта (ИИ) пока далеко от полноценного анализа снимков, успешно решаются только базовые, рутинные задачи. В данной обзорной статье представлены современные возможности машинного зрения, основанного на искусственных нейронных сетях (ИНС), в лучевой диагностике, в частности в стоматологии и в челюстно-лицевой хирургии. Результат поиска статей по ключевым словам (от 12.04.2020) демонстрирует увеличение количества публикаций на порядок: с 58 статей в среднем в год в 2000—2015 гг. до 945 в 2019 г. Основное применение нейросети нашли в распознавании анатомических объектов на рентгеновских снимках: кортикального и губчатого слоя челюстных костей, канала нижней челюсти, верхнечелюстного синуса, зубов, корневых каналов; патологических образований и процессов: периапикальных воспалительных изменений, в том числе кист, опухолей, костной резорбции при пародонтите, переломов корней зубов и др. Современные нейросети обучаются и работают как с двухмерными снимками: ортопантомограмма, телерентгенограммы в прямой и боковой проекциях, изображения ультразвукового исследования, так и с трехмерными данными компьютерной и магниторезонансной томографии. Отдельное внимание уделено цефалометрическому анализу. В статье, кроме анализа теоретических изысканий, рассматриваются механизмы интеграции нейросети в лечебный процесс и оценка их реальной пользы для практикующих врачей, а также перспективы развития нейросетевых подходов. Заключение. Внедрение технологий машинного зрения на основе глубоких сверточных нейронных сетей для рентгенологической диагностики в стоматологии (и в медицине в целом) является перспективным направлением, позволяющим автоматизировать и ускорить обработку и распознавание исходных данных, и, возможно, уменьшить количество ошибок, связанных с человеческим фактором. Тем не менее сейчас ИНС не могут и не должны заменять узкоспециализированных врачей при постановке диагноза и составлении плана лечения, рекомендуется использовать их в качестве независимых экспертных систем.

Ключевые слова:

искусственный интеллект, искусственная нейронная сеть, глубокое машинное обучение, рентгенология, конусно-лучевая компьютерная томография, цефалометрический анализ, ортодонтия, челюстно-лицевая хирургия, боковая телерентгенограмма, фронтальная телерентгенограмма

Для цитирования

[1]
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

Список литературы

  1. Ненашева Е.А., Ненашев С.С. Искусственный интеллект — прогнозы на 2019 год. — Информационные технологии. Проблемы и решения. — 2019; 1 (6): 71—4. eLIBRARY ID: 38952535
  2. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. — Врач и информационные технологии. — 2017; 3: 92—105. eLIBRARY ID: 30021267
  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. PMID: 31950592
  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. DOI: 10.1162/neco.1989.1.4.541
  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. DOI: 10.1109/ICCV.2015.123.
  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. PMID: 31110349
  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. eLIBRARY ID: 23236729
  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. PMID: 32239317
  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. PMID: 29384736
  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. PMID: 31992524
  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. PMID: 27889430
  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. PMID: 30379570
  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. PMID: 32235882
  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. PMID: 31922612
  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. PMID: 31677205
  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. PMID: 28187891
  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. PMID: 31320299
  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. PMID: 31186466
  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. PMID: 22613067
  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. PMID: 32024114
  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. PMID: 30440935
  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. PMID: 30539342
  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. PMID: 31804146
  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. PMID: 31125068
  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. PMID: 30697765
  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. PMID: 32169306
  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. PMID: 32101805
  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. PMID: 31853586
  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. PMID: 27358080
  30. Leonardi R., Giordano D., Maiorana F., Spampinato C. Automatic cephalometric analysis. — Angle Orthod. — 2008; 78 (1): 145—51. PMID: 18193970
  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. PMID: 27645567
  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. PMID: 19753320
  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. PMID: 19700534
  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. PMID: 31386555
  35. Chen Y.-W., Stanley K., Att W. Artificial intelligence in dentistry: current applications and future perspectives. — Quintessence Int. — 2020; 51 (3): 248—57. PMID: 32020135
  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. eLIBRARY ID: 22473211
  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. eLIBRARY ID: 37128728
  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. eLIBRARY ID: 30458011
  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. PMID: 28845693
  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. PMID: 11723697
  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. PMID: 11105406
  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. PMID: 9484208
  44. Vucinić P., Trpovski Z., Sćepan I. Automatic landmarking of cephalograms using active appearance models. — Eur J Orthod. — 2010; 32 (3): 233—41. PMID: 20203126
  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. PMID: 26704370
  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. PMID: 25847662
  47. Makram M., Kamel H. Reeb graph for automatic 3D cephalometry . — International Journal of Image Processing. — 2014; 8 (2): 17—29. https://www.researchgate.net
  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. PMID: 29957312
  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. PMID: 17354886
  50. Arık S.Ö., Ibragimov B., Xing L. Fully automated quantitative cephalometry using convolutional neural networks. — J Med Imaging (Bellingham). — 2017; 4 (1): 014501. PMID: 28097213
  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. eLIBRARY ID: 36766125
  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. PMID: 25668209
  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. PMID: 19583759
  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. PMID: 20529623
  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. PMID: 27358080
  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. PMID: 25223399
  57. Gawande A. Why Doctors Hate Their Computers. — The New Yorker. — 2018; Nov, 12. https://www.newyorker.com
  58. Network C.G.A.R. Comprehensive molecular characterization of urothelial bladder carcinoma. — Nature. — 2014; 507 (7492): 315—22. PMID: 24476821
  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. eLIBRARY ID: 35075147

Загрузки

Опубликовано

15.09.2020