Periodontal Bone Loss Analysis via Keypoint Detection With Heuristic Post-Processing
Ryan Banks, Vishal Thengane, María Eugenia Guerrero, Nelly Maria García-Madueño, Yunpeng Li, Hongying Tang, Akhilanand Chaurasia
这项研究提出了深度学习框架和注释方法,用于自动检测牙周骨丢失地标,相关条件和分期。 收集了192张腹腔放射线图,并用阶段不可知论方法注释,无论疾病存在或程度如何,都会标记临床相关地标。 我们提出了一个后周处理后处理模块,该模块使用辅助实例分割模型将预测的关键点与牙齿边界对齐。 评估指标,相对正确关键点的百分比(PRCK),旨在捕获牙科成像领域的关键点性能。 对我们的关键点问题进行了调整,对四个捐助方的姿势估计模型进行了调整。 后处理改善了细粒度的本地化,将PRCK^0.05的平均PRCK^0.05提高了+0.028,但PRCK^0.25的粗性能降低了-0.0523,PRCK^0.5降低了-0.0345。 定向估计显示,当使用任一阶段 1 对象检测模型进行过滤时,辅助分割的出色性能。 月牙阶段被检测到,最好的中和远端骰子得分为0.508和0.489,而由于阳性样本稀少,疮疱参与和扩大牙周韧带空间任务仍然具有挑战性。 可扩展性隐含着类似的验证和外部设置性能。 注释方法使阶段不可知论者培训能够在一些检测任务中平衡地跨疾病严重性进行平衡。 PRCK指标为通用pose指标提供了一个特定领域的替代方案,而后周论后处理模块则一致地纠正了难以置信的预测,偶尔会出现灾难性的失败。 拟议的框架展示了临床可解释的牙周骨损失评估的可行性,有可能减少诊断变异性和临床医生的工作量。
This study proposes a deep learning framework and annotation methodology for the automatic detection of periodontal bone loss landmarks, associated conditions, and staging. 192 periapical radiographs were collected and annotated with a stage agnostic methodology, labelling clinically relevant landmarks regardless of disease presence or extent. We propose a heuristic post-processing module that aligns predicted keypoints to tooth boundaries using an auxiliary instance segmentation model. An evalu...
