深度學習在基于曲面體層片的成釉細胞瘤及牙源性角化囊腫鑒別診斷中的應用

李敏　慕創(chuàng)創(chuàng)　張建運　李剛

摘要：目的 通過應用不同卷積神經(jīng)網(wǎng)絡模型對成釉細胞瘤及牙源性角化囊腫進行鑒別診斷。方法 回顧性收集1000張成釉細胞瘤和牙源性角化囊腫患者的數(shù)字曲面體層片，選用ResNet（18、50、101）、VGG（16、19）、EfficientNet（b1、b3、b5）深度學習模型，對訓練集中的800張曲面體層片經(jīng)五折交叉驗證的方法訓練后對測試集中的200張曲面體層片進行鑒別診斷。同時，7名口腔放射專業(yè)醫(yī)生對這200張曲面體層片進行診斷，并將二者的診斷結(jié)果進行比較。結(jié)果 卷積神經(jīng)網(wǎng)絡模型的診斷準確率為82.50%～87.50%，其中EfficientNet b1準確率最高，為87.50%，各卷積神經(jīng)網(wǎng)絡模型訓練集和測試集本身之間比較，準確率差異無統(tǒng)計學意義（P訓練集=0.998，P測試集=0.905）。7名口腔放射專業(yè)醫(yī)生（2名高年資醫(yī)生、5名低年資醫(yī)生）平均診斷準確率為（70.30±5.48）%，且不同年資醫(yī)生之間平均診斷準確率差異無統(tǒng)計學意義（P=0.883）。深度學習卷積神經(jīng)網(wǎng)絡模型的診斷準確率顯著高于口腔放射專業(yè)醫(yī)生的診斷準確率（P＜0.001）。結(jié)論 基于曲面體層片的深度學習卷積神經(jīng)網(wǎng)絡能夠?qū)Τ捎约毎龊脱涝葱越腔夷[做出較為準確的鑒別診斷。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡；深度學習；曲面體層片；成釉細胞瘤；牙源性角化囊腫

中圖分類號： R739.82文獻標志碼： A文章編號：1000-503X（2023）02-0273-07

DOI：10.3881/j.issn.1000-503X.15139

Application of Deep Learning in Differential Diagnosis of Ameloblastoma and Odontogenic Keratocyst Based on Panoramic Radiographs

LI Min1，2，MU Chuangchuang1，2，ZHANG Jianyun2，3，LI Gang1，2

ABSTRACT：Objective To evaluate the accuracy of different convolutional neural networks （CNN），representative deep learning models，in the differential diagnosis of ameloblastoma and odontogenic keratocyst，and subsequently compare the diagnosis results between models and oral radiologists.Methods A total of 1000 digital panoramic radiographs were retrospectively collected from the patients with ameloblastoma （500 radiographs） or odontogenic keratocyst （500 radiographs） in the Department of Oral and Maxillofacial Radiology，Peking University School of Stomatology.Eight CNN including ResNet （18，50，101），VGG （16，19），and EfficientNet （b1，b3，b5） were selected to distinguish ameloblastoma from odontogenic keratocyst.Transfer learning was employed to train 800 panoramic radiographs in the training set through 5-fold cross validation，and 200 panoramic radiographs in the test set were used for differential diagnosis.Chi square test was performed for comparing the performance among different CNN.Furthermore，7 oral radiologists （including 2 seniors and 5 juniors） made a diagnosis on the 200 panoramic radiographs in the test set，and the diagnosis results were compared between CNN and oral radiologists.Results The eight neural network models showed the diagnostic accuracy ranging from 82.50% to 87.50%，of which EfficientNet b1 had the highest accuracy of 87.50%.There was no significant difference in the diagnostic accuracy among the CNN models （P=0.998，P=0.905）.The average diagnostic accuracy of oral radiologists was （70.30±5.48）%，and there was no statistical difference in the accuracy between senior and junior oral radiologists （P=0.883）.The diagnostic accuracy of CNN models was higher than that of oral radiologists （P<0.001）.Conclusion Deep learning CNN can realize accurate differential diagnosis between ameloblastoma and odontogenic keratocyst with panoramic radiographs，with higher diagnostic accuracy than oral radiologists.

Key words：convolutional neural network；deep learning；panoramic radiograph；ameloblastoma；odontogenic keratocyst

Acta Acad Med Sin，2023，45（2）：273-279

成釉細胞瘤及牙源性角化囊腫是頜骨常見的良性占位性病變，二者雖然影像學表現(xiàn)相似，但生物學行為不同，治療原則也不同。成釉細胞瘤有腫瘤的特性，伴有侵襲性，臨床一般采用手術(shù)治療，常在病變周圍骨質(zhì)0.5 cm行截骨術(shù)。對于較小的單囊成釉細胞瘤，也可行刮治，同時磨除周圍部分骨質(zhì)。牙源性角化囊腫是一種發(fā)育性囊腫，治療原則同其他囊腫，主要行囊腫刮治術(shù)。角化囊腫容易復發(fā)，甚至可能發(fā)生惡變，因此，要求刮治的更加徹底；在刮出囊壁后用苯酚或硝酸銀等腐蝕劑涂抹骨創(chuàng)，或者用冷凍療法消滅子囊。對于大型的角化囊腫也可行成形性囊腫切開術(shù)。因為兩者的治療原則不同，準確鑒別出成釉細胞瘤與牙源性角化囊腫有著重要的臨床意義［1］ 。關(guān)于成釉細胞瘤和牙源性角化囊腫的鑒別診斷口腔放射專業(yè)醫(yī)生做了大量的工作，但是鑒別診斷準確率僅在58.5%～65.7%［2-3］。

深度學習卷積神經(jīng)網(wǎng)絡是人工智能的一個分支，近年發(fā)展迅速，并獲得廣泛關(guān)注。在深度學習模型中，卷積神經(jīng)網(wǎng)絡架構(gòu)研究最為廣泛。由于學習算法的發(fā)展和計算機計算能力的提高，卷積神經(jīng)網(wǎng)絡在圖像數(shù)據(jù)的檢測、分類、量化及分割上表現(xiàn)出卓越的性能，已應用于腫瘤的早期識別、病理解讀等方面［4-7］。在口腔醫(yī)學領(lǐng)域，深度學習被用來評估正畸標志點、齲齒、牙周及骨質(zhì)疏松等［8-12］。本研究通過比較不同卷積神經(jīng)網(wǎng)絡模型對曲面體層片中成釉細胞瘤和牙源性角化囊腫鑒別診斷的準確性，并將其與口腔放射專業(yè)醫(yī)生鑒別診斷結(jié)果相比較，以期獲得良好的鑒別診斷方法。

資料和方法

資料來源 回顧性收集2012年1月至2021年4月北京大學口腔醫(yī)院收治的病理證實為下頜骨成釉細胞瘤或牙源性角化囊腫患者的曲面體層片1000張（成釉細胞瘤和牙源性角化囊腫各500張）。所有曲面體層片均來源于北京大學口腔醫(yī)院影像檔案與通信系統(tǒng)。納入標準：（1）完整的臨床病歷記錄；（2）術(shù)后組織學病理證實為骨內(nèi)型成釉細胞瘤或牙源性角化囊腫；（3）影像清晰，無運動偽影。排除標準：（1）成釉細胞瘤和牙源性角化囊腫復發(fā)的病例；（2）骨外/外周型成釉細胞瘤、轉(zhuǎn)移性成釉細胞瘤；（3）基底細胞痣綜合征。所有符合條件的患者病理切片由1名經(jīng)驗豐富的病理學家復診，再次確認診斷，防止誤診偏差。本研究已獲得北京大學口腔醫(yī)院醫(yī)學倫理委員會審查批準（倫理審查批號：PKUSSIRB-202171202）。

本研究選用的深度學習卷積神經(jīng)網(wǎng)絡模型均已經(jīng)過ImageNet訓練，包括ResNet、VGG、EfficientNet，他們對圖像識別、分類有明顯優(yōu)勢。同時使用類激活映射圖像顯示深度學習卷積神經(jīng)網(wǎng)絡對曲面體層片中的識別區(qū)域以期獲得學習過程中的可視化。

圖像預處理 數(shù)據(jù)集由1000張曲面體層片組成，包括500張成釉細胞瘤及500張牙源性角化囊腫。隨機分層分割數(shù)據(jù)集的80%（400張成釉細胞瘤和400張牙源性角化囊腫曲面體層片）為訓練集，用于訓練模型；剩余20%作為測試集。

對圖片進行歸一化處理，使所有像素值均在［0，1］區(qū)間內(nèi)。然后將圖像隨機切割為不同大小的截圖，縮放為224×224像素大小的圖片，每一張圖像均代表其本身。以0.5的概率對這些圖片進行隨機水平翻轉(zhuǎn)，進行數(shù)據(jù)增廣，擴大訓練集中的數(shù)據(jù)總量。

卷積神經(jīng)網(wǎng)絡模型訓練 機器學習卷積神經(jīng)網(wǎng)絡需要大量的數(shù)據(jù)進行訓練以獲得較優(yōu)的網(wǎng)絡模型。但是臨床影像數(shù)據(jù)有限，無法獲得足夠的滿足卷積神經(jīng)網(wǎng)絡訓練的圖像。為了解決這個問題，選擇遷移學習的方法，即從ImageNet上選擇已經(jīng)訓練好的模型來解決相似問題。本研究將卷積層、全連接層的參數(shù)進行保留固定，對輸出層參數(shù)進行修改，使其輸出類別為2。選擇如下卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)ResNet（18、50、101）、VGG（16、19）及EfficientNet（b1、b3、b5）進行訓練。通過五折交叉驗證的方法訓練訓練集，通過隨機梯度下降法獲得更好的超參數(shù)（學習率全連接層=0.1，迭代次數(shù)=50，批次大小=32，權(quán)值衰減=0.001），然后用確定好的參數(shù)訓練整個訓練集得到最終模型（圖1、2）。K折交叉驗證通常是將訓練集隨機平均分為k個子集，每個子集輪流作為驗證集。本研究選用五折交叉驗證的方法，測試集中的200個樣本（100張成釉細胞瘤及100張牙源性角化囊腫曲面體層片）用于對模型進行測試，輸出平均最小損失、訓練集準確率及測試集準確率。

模型解釋 為了解釋卷積神經(jīng)網(wǎng)絡模型預測，使用類激活映射生成每個曲面體層片中不同區(qū)域的熱圖達到模型預測可視化的目的。

口腔放射專業(yè)醫(yī)生的鑒別診斷 7名口腔放射專業(yè)醫(yī)生（5名低年資醫(yī)生及2名高年資醫(yī)生）在昏暗的環(huán)境下，使用Nio Color 5.8MP高亮度彩色顯示器，在500 cd/m2亮度下進行讀片。為了方便記錄，以“0”和“1”分別代表成釉細胞瘤和牙源性角化囊腫。醫(yī)生讀取全部曲面體層片的時間均在15～25 min內(nèi)。

設定成釉細胞瘤為陽性，牙源性角化囊腫為陰性進行準確率、靈敏度、特異度計算，公式如下：準確率=（N00+N11）/N總×100%；靈敏度=N00/（N01+N00）×100%；特異度=N11/（N10+N11）×100%（N00：實際為成釉細胞瘤，判定為成釉細胞瘤的個數(shù)；N01：實際為成釉細胞瘤，判定為牙源性角化囊腫的個數(shù)；N11：實際為牙源性角化囊腫，判定為牙源性角化囊腫的個數(shù)；N10：實際為牙源性角化囊腫，判定為成釉細胞瘤的個數(shù)；N總：成釉細胞瘤和牙源性角化囊腫的總個數(shù)）。

統(tǒng)計學處理 比較8個模型間的測試準確率的結(jié)果，根據(jù)8個卷積神經(jīng)網(wǎng)絡模型的輸出結(jié)果，得出各自的受試者工作特征（receiver operating characteristic，ROC）曲線及曲線下面積（area under curve，AUC），比較8個卷積神經(jīng)網(wǎng)絡模型和口腔放射專業(yè)醫(yī)生對曲面體層片中成釉細胞瘤和牙源性角化囊腫的診斷準確率。使用SPSS 20.0統(tǒng)計軟件進行卡方檢驗、近似t檢驗分析。P＜0.05為差異有統(tǒng)計學意義。

結(jié)果

卷積神經(jīng)網(wǎng)絡模型間的結(jié)果比較 卷積神經(jīng)網(wǎng)絡對每張曲面體層片進行二分類輸出，得到不同卷積神經(jīng)網(wǎng)絡模型的平均最小損失、訓練集準確率及測試集準確率，不同卷積神經(jīng)網(wǎng)絡模型的訓練集及測試集準確率分別在97.66%～98.19%和82.50%～87.50%，其中EfficientNet b1的測試集準確率最高，為87.50%（表1）。各卷積神經(jīng)網(wǎng)絡模型訓練集和測試集本身之間比較，準確率差異無統(tǒng)計學意義（χ2訓練集=0.945，P訓練集=0.998；χ2測試集=2.776，P測試集=0.905）。訓練集的準確率與測試集的準確率之間差異有統(tǒng)計學意義（P＜0.001）。

8個卷積神經(jīng)網(wǎng)絡模型的ROC曲線均靠近左上角，AUC值為0.866～0.927，模型的分類有較高的準確性，EfficientNet模型的AUC值較其他模型稍高，8個卷積神經(jīng)網(wǎng)絡模型的AUC值95%CI均存在重合區(qū)域，8個卷積神經(jīng)網(wǎng)絡模型間差異無統(tǒng)計學意義（圖3、表2）。

口腔放射專業(yè)醫(yī)生與卷積神經(jīng)網(wǎng)絡模型的結(jié)果比較 7名口腔放射專業(yè)醫(yī)生對曲面體層片中成釉細胞瘤和牙源性角化囊腫的鑒別診斷平均準確率、靈敏度及特異度分別為（70.30±5.48）%、（70.90±5.15）%、（71.40±6.60）%。7名口腔放射專業(yè)醫(yī)生包括2名高年資醫(yī)生（高級職稱，執(zhí)業(yè)15年以上）、5名低年資醫(yī)生（執(zhí)業(yè)3年以上）。高年資口腔放射專業(yè)醫(yī)生的診斷準確率、靈敏度及特異度為70.50%、72.00%、69.00%，而低年資口腔放射專業(yè)醫(yī)生的診斷準確率、靈敏度及特異度分別為70.20%、70.40%、72.40%。不同年資醫(yī)生對基于曲面體層片的牙源性角化囊腫和成釉細胞瘤的鑒別診斷結(jié)果差異無統(tǒng)計學意義（P=0.883）。將深度學習卷積神經(jīng)網(wǎng)絡的測試準確率與中腔放射專業(yè)醫(yī)生的診斷準確率進行比較，采用對自由度進行校正后的近似t檢驗，結(jié)果顯示深度學習卷積神經(jīng)網(wǎng)絡模型的診斷準確率顯著高于口腔放射專業(yè)醫(yī)生（P＜0.001）。

模型解釋可視化 通過類激活映射生成的熱圖觀察不同區(qū)域?qū)τ趫D像診斷的貢獻，紅色區(qū)域貢獻最大。在曲面體層片上，卷積神經(jīng)網(wǎng)絡模型提取特征信息主要集中在病變區(qū)域（圖4）。

討論

成釉細胞瘤主要表現(xiàn)為單房或多房的囊性低密度影，分房大小不等，互相重疊，邊界清晰，房間隔呈半月形切跡，常伴有鄰牙移位及牙根吸收。骨皮質(zhì)膨隆、穿孔是成釉細胞瘤典型的影像學特征［1，13］。根據(jù)2017年WHO的牙源性和頜面部腫瘤分類，成釉細胞瘤分為以下4型：普通型、單囊型、骨外/外周型和轉(zhuǎn)移性成釉細胞瘤。骨外/外周型成釉細胞瘤是一種位于牙齦組織或無齒牙槽區(qū)的成釉細胞瘤，發(fā)病率較低。本研究主要集中在頜骨內(nèi)的病變，此類型可排除。轉(zhuǎn)移性成釉細胞瘤罕見，且在復發(fā)病例中出現(xiàn)轉(zhuǎn)移灶時才能確診，故本研究未納入。X線上成釉細胞瘤有單囊與多囊之分，多囊者，囊腔大小可相差懸殊。大多數(shù)頜骨成釉細胞瘤呈多囊或單囊低密度X線透射表現(xiàn)［14］。

牙源性角化囊腫多為單囊，也可為多囊和多發(fā)。單囊者常顯示為圓形或橢圓形的低密度影，邊界清晰，周圍常見明顯的白色骨質(zhì)反應線，有時邊緣可不整齊。多發(fā)者可在頜骨多個象限內(nèi)存在［1，13］。基底細胞痣綜合征的患者常伴有頜面部多發(fā)牙源性角化囊腫，結(jié)合其他系統(tǒng)檢查，很容易與成釉細胞瘤相鑒別，故本研究將其排除在外。

本研究的主要目的是通過應用不同卷積神經(jīng)網(wǎng)絡模型對曲面體層片中的成釉細胞瘤及牙源性角化囊腫進行鑒別診斷，并將其診斷準確性與口腔放射專業(yè)醫(yī)生鑒別診斷結(jié)果相比較。成釉細胞瘤的特征性影像表現(xiàn)為頰舌向膨隆，骨皮質(zhì)穿孔。曲面體層片是一個二維重疊圖像，通常無法清晰地顯示這些特征。牙源性角化囊腫也是頜骨常見的囊樣病變，也可表現(xiàn)為多囊和單囊，因而在曲面體層片上，兩者的鑒別存在一定難度。本研究深度學習卷積神經(jīng)網(wǎng)絡模型的結(jié)果在82.50%～87.50%，鑒別診斷準確率較高，且明顯高于口腔放射專業(yè)醫(yī)生的診斷準確率。

關(guān)于成釉細胞瘤和牙源性角化囊腫的鑒別診斷口腔放射專業(yè)醫(yī)生做了大量的工作，積累了豐富的經(jīng)驗。Minami等［15］通過MRI的T2弛豫時間對牙源性角化囊腫和成釉細胞瘤進行鑒別，結(jié)果顯示牙源性角化囊腫、成釉細胞瘤的平均T2弛豫時間及其變異系數(shù)差異有統(tǒng)計學意義。Han等［16］通過MRI的彌散加權(quán)成像對40例囊性病變進行鑒別，結(jié)果顯示單囊型成釉細胞瘤的表觀擴散系數(shù)值明顯高于牙源性角化囊腫和含牙囊腫，而牙源性角化囊腫和含牙囊腫的平均表觀擴散系數(shù)值差異無統(tǒng)計學意義。日本學者Ariji等［2］利用圖像特征如病變位置、大小、子房數(shù)目等選擇60名觀察員（39名口腔頜面放射學專家和21名非專科醫(yī)生）對10例成釉細胞瘤、10例牙源性角化囊腫應用曲面體層片與CT檢查進行鑒別診斷，其準確率為（61.3±17.2）%。此結(jié)果與本研究結(jié)果相近，表明本研究口腔放射專業(yè)醫(yī)生診斷的可靠性。為了提高醫(yī)師鑒別診斷的準確率，以往研究通常采用螺旋CT與MRI等費用較高的影像學檢查［2，15-18］，但是這些設備相對昂貴，部分基層醫(yī)院配備不足，加上口腔放射專業(yè)醫(yī)生診斷水平的局限，并未從根本上解決成釉細胞瘤和牙源性角化囊腫鑒別診斷準確率較低的問題。本研究通過深度學習對曲面體層片中的成釉細胞瘤和牙源性角化囊腫進行鑒別診斷，取得了較高的診斷準確率。同時，曲面體層片檢查方便，經(jīng)濟實惠，輻射相對螺旋CT小，無論從醫(yī)生還是患者角度，其性價比最高。

卷積神經(jīng)網(wǎng)絡模型需要大量數(shù)據(jù)進行訓練，但是實際臨床中缺乏足夠的數(shù)據(jù)進行訓練。遷移學習可以很好地解決這方面的問題。遷移學習是一種很有優(yōu)勢的算法學習技術(shù)，可以將大型數(shù)據(jù)集訓練出的模型應用到相似的問題中，模型的初始性能更高，模型的參數(shù)更優(yōu)，能夠減少過擬合的問題［19］。本研究選用在ImageNet上評價較好的卷積神經(jīng)網(wǎng)絡學習模型，使用遷移學習的方法，同時使用5折交叉驗證對模型進行進一步調(diào)整，對曲面體層片中的成釉細胞瘤及牙源性角化囊腫進行鑒別診斷，獲得了較好的診斷準確率。Poedjiastoeti等［20］使用卷積神經(jīng)網(wǎng)絡VGG16對250張牙源性角化囊腫和250張成釉細胞瘤曲面體層片進行鑒別診斷，其診斷結(jié)果與口腔放射專業(yè)醫(yī)生相似，分別為83.0%和82.9%。這一研究結(jié)果雖然深度學習模型鑒別診斷成釉細胞瘤和牙源性角化囊腫的準確率與本研究相近，但是醫(yī)師的診斷準確率明顯高于本研究。

本研究除了常用的ResNet、VGG等卷積神經(jīng)網(wǎng)絡模型，還引入了EfficientNet。EfficientNet 模型是Google公司通過機器搜索得到的快速高精度模型。一直以來，模型的優(yōu)化是通過模型擴展得到的，即通過對基線網(wǎng)絡的寬度、深度及輸入圖像的分辨率中的一個方面進行縮放，例如ResNet的卷積層和全連接層的層數(shù)從18層（ResNet18）擴展到101層（ResNet101）。EfficientNet 的優(yōu)點在于實現(xiàn)了深度、寬度及輸入圖片大小的共同調(diào)節(jié)，實現(xiàn)效率和準確率的優(yōu)化。對于ImageNet中的各種網(wǎng)絡模型，EfficientNet在效率和準確率上實現(xiàn)了碾壓［21］。但是本研究應用EfficientNet模型獲得的診斷準確率與其他卷積神經(jīng)網(wǎng)絡模型ResNet和VGG比較差異無統(tǒng)計學意義，可能原因是樣本數(shù)據(jù)量小，對于EfficientNet這種網(wǎng)絡結(jié)構(gòu)比較復雜的卷積神經(jīng)網(wǎng)絡模型，更容易出現(xiàn)過擬合的問題，未能體現(xiàn)出EfficientNet模型的優(yōu)勢。

本研究的8個卷積神經(jīng)網(wǎng)絡模型的平均準確率遠高于口腔放射專業(yè)醫(yī)生的平均診斷準確率。診斷時間較人工鑒別診斷時間縮短，每張曲面體層片的診斷時間從人工鑒別診斷的6.2 s減少到深度學習診斷的0.3 s，這與其他研究結(jié)果［10，22］相近。此外，人工鑒別的主觀性很強，重復性差，處理大量數(shù)據(jù)困難。深度學習卷積神經(jīng)網(wǎng)絡可以很好地解決這些問題，讀片準確性高，重復性高，對于大量數(shù)據(jù)的處理更快速。

本研究也存在不足。首先，本研究只比較了深度學習與口腔放射專業(yè)醫(yī)生對于曲面體層片中成釉細胞瘤和牙源性角化囊腫的鑒別診斷，并未包括其他檢查方法，如CT等。其次，臨床中影像診斷除了依據(jù)影像表現(xiàn)，還需要結(jié)合病史、臨床檢查等信息才能得出更準確的診斷，本研究并未考慮此因素。第三，本研究僅局限于獨立的神經(jīng)網(wǎng)絡結(jié)構(gòu)與集中數(shù)據(jù)集的結(jié)合處理，在臨床中應用還存在一定的距離。

綜上，基于曲面體層片的深度學習卷積神經(jīng)網(wǎng)絡能夠?qū)Τ捎约毎龊脱涝葱越腔夷[做出較為準確的鑒別診斷。

參 考 文 獻

［1］郭傳瑸，張益.口腔頜面外科學[M].3版.北京：北京大學醫(yī)學出版社，2021.

［2］Ariji Y，Morita M，Katsumata A，et al.Imaging features contributing to the diagnosis of ameloblastomas and keratocystic odontogenic tumours：logistic regression analysis[J].Dentomaxillofac Radiol，2011，40（3）：133-140.DOI：10.1259/d m fr/247 26112.

［3］Chai ZK，Mao L，Chen H，et al.Improved diagnostic accuracy of ameloblastoma and odontogenic keratocyst on cone-beam CT by artificial intelligence[J].Front Oncol，2022，11：793417.DOI：10.3389/fonc.2021.793417.

［4］Feng Y，Zhang L，Yi Z.Breast cancer cell nuclei classification in histopathology images using deep neural networks[J].Int J Comput Assist Radiol Surg，2018，13（2）：179-191.DOI：10.1007/s11548-017-1663-9.

［5］van Ginneken B.Fifty years of computer analysis in chest imaging：rule-based，machine learning，deep learning[J].Radiol Phys Technol，2017，10（1）：23-32.DOI：10.1007/s12194-017-0394-5.

［6］Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Trans Pattern Anal Mach Intell，2017，39（6）：1137-1149.DOI：10.1109/TPAMI.2016.2577031.

［7］Shichijo S，Nomura S，Aoyama K，et al.Application of convolutional neural networks in the diagnosis of helicobacter pylori infection based on endoscopic images[J].EBioMedicine，2017，25：106-111.DOI：10.1016/j.ebiom.2017.10.014.

［8］Du X，Chen Y，Zhao J，et al.A convolutional neural network based auto-positioning method for dental arch in rotational panoramic radiography[J].Conf Proc IEEE Eng Med Biol Soc，2018，2018：2615-2618.DOI：10.1109/EMBC.2018.8512732.

［9］Lee JH，Kim DH，Jeong SN，et al.Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm[J].J Dent，2018，77：106-111.DOI：10.1016/j.jdent.2018.07.015.

［10］Ekert T，Krois J，Meinhold L，et al.Deep learning for the radiographic detection of apical lesions[J].J Endod，2019，45（7）：917-922.e5.DOI：10.1016/j.jo en.2019.03.016.

［11］Farhadian M，Salemi F，Saati S，et al.Dental age estimation using the pulp-to-tooth ratio in canines by neural networks[J].Imaging Sci Dent，2019，49（1）：19-26.DOI：10.5624/isd.2019.49.1.19.

［12］Vila-Blanco N，Carreira MJ，Varas-Quintana P，et al.Deep neural networks for chronological age estimation from OPG images[J].IEEE Trans Med Imaging，2020，39（7）：2374-2384.DOI：10.1109/TMI.2020.2968765.

［13］馬緒臣.口腔頜面影像學[M].2版.北京：北京大學醫(yī)學出版社，2014.

［14］張祖燕，王虎.口腔頜面醫(yī)學影像診斷學[M].7版.北京：人民衛(wèi)生出版社.2020.

［15］Minami M，Kaneda T，Ozawa K，et al.Cystic lesions of the maxillomandibular region：MR imaging distinction of odontogenic keratocysts and ameloblastomas from other cysts[J].AJR Am J Roentgenol，1996，166（4）：943-949.DOI：10.2214/ajr.166.4.8610578.

［16］Han Y，F(xiàn)an X，Su L，et al.Diffusion-weighted MR imaging of unicystic odontogenic tumors for differentiation of unicystic ameloblastomas from keratocystic odontogenic tumors［J］，Korean J Radiol，2018，19（1）：79-84.DOI：10.3348/kjr.2018.19.1.79.

［17］Fujita M，Matsuzaki H，Yangi Y，et al.Diagnostic value of MRI for odontogenic tumours[J].Dentomaxillofac Radiol，2013，42（5）：20120265.DOI：10.1259/dm fr.20120265.

［18］Sugianto I，Konouchi H，Takeshita Y，et al.Diagnostic value of fluid attenuated inversion recovery magnetic resonance imaging for multilocular ameloblastoma[J].J Hard Tissue Biol，2018，27（4）：275-280.DOI：10.2485/jhtb.27.275.

［19］Greenspan H，Van Ginneken B，Summers RM.Guest editorial deep learning in medical imaging：overview and future promise of an exciting new technique[J].IEEE Trans Med Imaging，2016，35（5）：1153-1159.DOI：10.1109/TMI.2016.2553401.

［20］Poedjiastoeti W，Suebnukarn S.Application of convolutional neural network in the diagnosis of jaw tumors[J].Healthc Inform Res，2018，24（3）：236-241.DOI：10.4258/hir.2018.24.3.236.

［21］Tan M，Quoc V.EfficientNet：rethinking model scaling for convolutional neural networks，June 9-15，2019[C].Boston：MIT Press，2019.

［22］Kwon O，Yong TH，Kang SR，et al.Automatic diagnosis for cysts and tumors of both jaws on panoramic radiographs using a deep convolution neural network[J].Dentomaxillofac Radiol，2020，49（8）：20200185.DOI：10.1259/dmfr.20200185.

（收稿日期：2022-06-01）

基金項目：北京大學百度基金（2020037）