輕量型單步深度學習網絡自動識別下頜智齒牙根與下頜管位置關系的研究

王芷凡,戴修斌,周炎锜,冒添逸,黃 虹,宋洪丞,王東苗

下牙槽神經損傷是下頜阻生智齒拔除相關的嚴重并發癥之一,其發生率為0.26%～8.40%[1],主要表現為患側下唇感覺異常或麻痹,嚴重影響患者的生活質量[2]。目前臨床治療手段局限,主要為對癥處理,營養神經,促進其功能恢復[3]。下牙槽神經損傷與患者的年齡、性別、手術方法、手術者的技術水平、智齒阻生類型以及智齒牙根與下頜管接觸與否密切相關[4]。

曲面斷層片是下頜阻生智齒最為常用的術前影像學評估手段[5],其特征性影像是術前判斷智齒牙根與下頜管是否接觸的重要方式[6]。由于二維影像的固有缺陷,曲面斷層片存在局部放大率不均等、影像結構重疊、易產生偽影等不足,特別是無法準確判斷智齒牙根與下頜管的頰舌向關系,造成其診斷正確率不高[7]。錐形束CT(cone beam computed tomography,CBCT)因其能提供高精度的影像,逐步應用于下頜阻生智齒的術前評估[8]。然而,CBCT拍攝時間相對較長,放射劑量相對大,價格相對貴,特別是現有的研究表明,術前使用CBCT檢查,不能預防或減少術后下牙槽神經損傷的發生[9]。因此,提高曲面斷層片的診斷準確性具有重要的臨床應用價值。

既往學者利用深度學習算法提升了曲面斷層片在上頜竇炎[10]、牙根縱裂[11]、頜骨囊性病損[12]、下頜第一磨牙遠中舌根[13]等診斷正確性。Vinayahalingam等[14]利用U-net模型嘗試了分割智齒牙根與下頜管,但準確性欠佳,Fukuda等[15]首次利用AlexNet、GoogLeNet及VGG-16等網絡模型進行了下頜智齒牙根與下頜管相關關系的判別取得了相對較好的效果,但其將專家的診斷作為參考,缺乏客觀可靠的診斷金標準。

本研究擬以曲面斷層片作為輸入端,以配對CBCT診斷作為金標準,構建基于YOLO(You only look once)模型改良的輕量型單步深度學習網絡算法模型(IAC-MTMnet),提升曲面斷層片診斷下頜智齒牙根與下頜管位置關系的準確性,以減少非必要的CBCT拍攝。

1 資料與方法

1.1 納入樣本

選擇2019年1月—12月在南京醫科大學附屬口腔醫院就診同時拍攝曲面斷層片和CBCT的成年患者(年齡≥18歲),具體納入標準如下:至少存在一顆下頜智齒,牙根發育完整,且無明顯齲壞;兩次影像拍攝時間間隔不超過6個月;兩次攝片期間,下頜智齒位置無明顯變化;下頜智齒區域無病變或者手術累及;影像清晰,不影響評估。最終納入1 570例患者,共計2 543顆下頜智齒。曲面斷層片尺寸為2 976×1 536像素,分辨率為0.07 mm×0.07 mm。本研究經南京醫科大學附屬口腔醫院倫理委員會審查批準(PJ2020-125-001)。

1.2 影像數據人工評估

曲面斷層片評估指標及方法如下。下頜智齒牙根與下頜管垂直向關系分為:未接觸(牙根與下頜管間存在距離),接觸(牙根與下頜管骨白線上緣接觸或重疊),詳見圖1;對接觸病例進一步評估其是否存在特征性影像(包括根尖暗影、根尖彎曲、根尖狹窄、根尖分叉、下頜管骨白線連續性中斷、下頜管方向改變和下頜管狹窄)[6]。將兩者接觸且存在特征性影像的病例,定義為智齒牙根與下頜管的直接接觸(人工評價標準)。CBCT評估指標和方法:將Dicom格式數據導入NNT軟件(NewTom,5.6版本),從冠狀位、軸位和矢狀位等多個平面進行評估,智齒牙根直接接觸或突破下頜管骨白線者定義為兩者直接接觸(金標準),詳見圖1。所有影像學指標,均由兩名研究者獨立評價,診斷不一致時,協商后達成共識。

A:曲面斷層片提示:38牙根與下頜管接觸,48牙根未與下頜管接觸;B: CBCT圖像上48牙根未與IAC接觸,B1軸位,B2冠狀位;C:CBCT提示38牙根突破下頜管骨白線,與其直接接觸,此為診斷金標準,C1冠狀位,C2軸位

1.3 樣本分組及數據預處理

在曲面斷層片標注矩形感興趣區域(region of interest,ROI),包括下頜智齒及下頜管,范圍如下:前緣到下頜第一磨牙牙冠近中,上緣為下頜第一、二及智齒牙冠的最上緣,后緣為下頜升支后,下緣為下頜骨體部,詳見圖2。需要說明的是,帶有ROI標記的曲面斷層片僅用于網絡模型訓練階段。

在數據預處理階段,首先將采集到的曲面斷層片數據按照80%、10%、10%的比例分為訓練集、驗證集和測試集。再采用Mosaic數據增強方式擴充其中的訓練數據集[16],即將訓練集中的曲面斷層片進行隨機縮放、隨機裁剪、隨機排布后拼接在一起作為新的訓練數據。

圖2 感興趣區域標注的示意圖Fig.2 Region of interest (ROI) labeling

研究所用工作站硬件配置為Intel Xeon E5-2678 v3 2.50 GHz的雙核CPU、內存32 GB、GeForce GTX 1080Ti GPU顯卡1塊。涉及主要參數設置如下:設訓練迭代次數為1 200,batch size為6,學習率等于0.003 2;使用LeakyRelu作為激活函數;初始錨框的長寬設為[126,151],[122,169],[140,153],[135,168],[130,180],[144,176],[157,166],[139,194],[155,191]。為了適應網絡模型對輸入圖像尺寸要求,曲面斷層片大小將被以在圖像邊緣填充固定值的方式縮放至608×608像素。

1.4 輕量型單步深度學習網絡的結構及算法實現

本研究以YOLOv5深度檢測模型為框架,構建了輕量型單步深度學習網絡[17],并對YOLOv5模型的Backbone分支網絡進行了改進,使其在大幅降低計算復雜度的同時保持提取出特征的表達效率。本研究構建的基于輕量型單步深度學習網絡的下頜智齒牙根與下頜管關系自動檢測方法分為訓練階段和測試階段兩部分,如圖3所示。在訓練階段,首先從訓練用曲面斷層片對應的CBCT圖像中獲取下頜智齒牙根與下頜管位置關系標簽值,并將此蘊含三維空間信息的標簽值作為分類金標準。再協同擴充后訓練集中的曲面斷層片用于訓練輕量型單步深度學習網絡,使之同時學習圖像特征與存在下頜智齒牙根與下頜管接觸情況區域位置的非線性關系,以及圖像特征與下頜智齒牙根與下頜管接觸類別的非線性關系。當經過不斷迭代訓練后,模型預測值與金標準之間誤差收斂時,即完成該網絡模型的訓練。

圖3 IAC-MTMnet檢測下頜智齒牙根與下頜管位置關系的流程圖Fig.3 The protocol of detecting the proximity of mandibular third molar root and inferior alveolar canal with IAC-MTMnet

在測試階段,將采集到新的曲面斷層片劃分成S×S個網格并作為已訓練輕量型單步深度學習網絡的輸入,該網絡模型將輸出多個候選邊界框的位置信息,這些候選邊界框所在區域可能會存在下頜智齒牙根與下頜管發生接觸的情況。在使用非極大值抑制方法從候選邊界框中篩選出最終結果后,即可完成下頜智齒牙根與下頜管發生接觸區域的回歸預測任務。另外,該網絡還將同時給出候選邊界框對應的目標置信度和每個網格的類別置信度。將篩選出的最終邊界框的目標置信度乘以所屬網格的類別置信度即為該邊界框包含區域存在下頜智齒牙根與下頜管接觸情況的概率值。此時,下頜智齒牙根與下頜管是否接觸的分類預測任務亦已完成。

1.5 統計學分析

定性資料采用率或者構成比描述。診斷性試驗采用正確率、靈敏度、特異度、陽性預測值以及受試者工作特征(receiver operating characteristic,ROC)曲線及曲線下面積(area under the curve,AUC)進行評估。其中,TP(true positive)為真陽性,TN(true negative)為真陰性,FP(false positive)為假陽性,FN(false negative)為假陰性。同時比較YOLOv5以及人工診斷與IAC-MTMnet的差異:

2 結 果

2.1 納入樣本的基本信息

如表1所示,共計納入1 570例病例,含2 543顆下頜智齒,其中男667例(42.48%),女903例(57.52%),平均年齡為34.85歲(18～51歲)。597例患者為單側納入(右321例,左276例),其余患者為雙側納入。

表1 1 570例下頜智齒患者的基本信息Tab.1 Descriptive epidemiological data of 1570 patients with mandibular third molars

經曲面斷層片評估,1 095顆(43.06%)下頜智齒牙根與下牙槽神經管成接觸或重疊狀,其中779(30.63%)顆存在一個或多個特征性影像,經人工診斷為與下牙槽神經管接觸。經CBCT評估,798(31.38%)顆下頜智齒牙根與下牙槽神經管直接接觸。人工診斷的正確率為84.5%。

2.2 IAC-MTMnet、YOLOv5和人工的診斷性能

經過訓練、驗證和測試,IAC-MTMnet、YOLOv5以及人工診斷的相關參數詳見表2。IAC-MTMnet的診斷正確率為0.885,靈敏度為0.747,特異度為0.956,陽性預測值為0.899,測試運行時間為0.059 s,表現出了優良的診斷性能,其正確率高于人工診斷和YOLOv5網絡模型,且其耗時明顯減少。圖4比較了YOLOv5和IAC-MTMnet預測結果的ROC曲線,其中右下角顯示了它們的AUC值。結果表明,IAC-MTMnet的AUC值(0.95)比YOLOv5的AUC值(0.94)更高,說明IAC-MTMnet利用曲面斷層片檢測下頜智齒與下頜管位置關系的診斷性能更強。

表2 YOLOv5模型、IAC-MTMnet以及人工評估的診斷性能及檢測時間比較Tab.2 Diagnostic performance and time for testing among YOLOv5, IAC-MTMnet and manual diagnosis in detecting the proximity of the mandibular third molar and the inferior alveolar canal on panoramic radiographs

圖4 YOLOv5網絡和IAC-MTMnet對應ROC曲線及ROC曲線下面積Fig.4 Receiver operating characteristic (ROC) curves and area under the receiver operating characteristic curve (AUC) values of YOLOv5 and IAC-MTMnet

3 討 論

準確評估下頜智齒與下頜管空間位置關系,是下頜智齒術前影像學評估的重要內容,是下頜智齒手術制定的重要參考,是預防術后下牙槽神經損傷的重要手段[18]。既往學者通過曲面斷層片,定義其特征性影像以預測兩者關系[6],然而即使是經驗豐富的口腔頜面外科/影像科醫生也常因影像結構扭曲、重疊等干擾而無法準確判斷。Su等[7]的Meta分析也提示曲面斷層片特征性影像不足以預測術后下牙槽神經損傷。以深度學習算法為代表的機器學習為提升曲面斷層片的診斷性能提供了新的可能性。

近年來,深度學習網絡算法已逐步應用口腔頜面影像診斷領域[19]。眾多學者致力于利用深度學習網絡模型算法改進或提升曲面斷層片的診斷性能[12,20-24],且取得了較好的效果。本研究構建并評估了輕量型單步深度學習網絡模型IAC-MTMnet在檢測曲面斷層片中下頜智齒與下頜管空間位置關系的性能。與YOLOv5網絡模型相比,IAC-MTMnet模型運行速度快、診斷正確率、特異度、陽性預測值以及AUC相對高,但敏感度相對低,表明改進算法后診斷性能得到了提高。與Zhu等[25]的研究相比,IAC-MTMnet模型的陽性預測值略高,而敏感度相對低,究其原因可能與病例的納入標準、樣本含量的大小以及樣本中接觸/未接觸病例分布的不均衡有關。與Fukuda等[15]報道的AlexNet、GoogLeNet以及VGG-16網絡模型相比,IAC-MTMnet模型的診斷正確率、敏感度、特異度接近或略低,但AUC較高,運行耗時明顯減少,值得一提的是,與上述網絡模型不同,IAC-MTMnet模型在測試階段不需要對測試圖片進行標記和裁剪。此外,YOLOv5 和 IAC-MTMnet模型的診斷性能均高于人工診斷,這與既往報道相一致,即深度學習網絡的診斷性能與經驗豐富的放射科醫生相當或更好,這也表明了深度學習網絡系統的潛在應用價值。

目前,CBCT已應用于高風險下頜阻生智齒的術前評估中[26]。牙根與下頜管的直接接觸、下頜管皮質骨的局部缺損、下頜管位于牙根舌側等特征性影像與術后下牙槽神經損傷的相關性已引起學者關注[27-28],近期Liu等[29]利用U-Net、ResNet-34網絡模型對CBCT影像中下頜智齒牙根與下頜管的自動分割和位置檢測,取得了較好的效果。因此,本研究的目的是提升曲面斷層片的診斷性能,以減少非必要的CBCT拍攝。對于復雜疑難高風險病例,建議首選CBCT檢查,以更好地進行手術方案的制定,以減少術后并發癥的發生。

本研究同樣存在一些局限性。第一,樣本含量仍不夠大,并且影像數據是單一中心來源;其次,受發生率影響,樣本中牙根與下頜管接觸/不接觸病例的比例分布不均衡,從而可能干擾診斷性能的相關指標。后續計劃采集多中心不同設備的影像數據,重點關注高風險病例,通過算法改進樣本分布不均衡的問題,以提高診斷性能和臨床應用價值。

綜上所述,本研究通過算法改進構建了輕量型單步深度學習網絡模型IAC-MTMnet,提升了曲面斷層片診斷下頜智齒與下頜管位置關系的性能。