Detekce zubních kazů z rentgenových snímků

Abstract

Zubní kaz je jedním z nejrozšířenějších onemocnění na světě postihující více než 3.5 miliard lidí. Léčba je náročná jak finančně, tak časově a zatěžuje zdra-votnický systém ve všech zemích světa. Včasná detekce zubního kazu umožňuje tuto zátěž snížit a zlepšit pacientovu prognózu. Po detekci pohledem spojené s pou-žitím zubařské sondy jsou bitewingové rentgenové snímky druhou nejvíce vyu-žívanou metodou pro diagnostiku zub-ního kazu. Časné a aproximální kari-ézní léze nejsou prvně zmíněnou me-todou vždy spolehlivě diagnostikovány, což dává bitewingovým RTG snímkům značnou výhodu a šanci pro dřívější di-agnostiku spojenou s možností zhojení léze bez nutnosti dalšího lékařského zá-sahu. Tato diplomová práce se zabývá pro-blémem detekce zubního kazu z bitewin-gových RTG snímků za použití konvoluč-ních neuronových sítí. Pro účely této práce byl nejprve vytvořen dataset sklá-dající se z 3889 bitewingových RTG snímků se 7257 anotovanými zubními kazy. Za jeho použití jsme natrénovali několik architektur pro detekci objektů a porovnali jejich výsledky. Nakonec jsme využili spojení modelů pro získání modelu s nejlepšími výsledky. Vytvořili jsme řešení, které umožňuje detekci kazů s přesností 0.751 a citli-vostí 0.7. Navíc byl vytvořen i druhý model pro segmentaci zubních výplní, který dosáhl IOU 0.676.

Dental caries is the most prevalent disease globally, with more than 3.5 billion people affected. The treatment of dental caries imposes a burden on health care in every country financially and timewise. Detection of the disease in its early stages can mitigate the impact on the cost of treatment and improve the patient’s prognosis. Bitewing X-ray imaging is the second most used method for dental caries detection after the visual-tactile method. Aproximal and an-early stage carious lesion can be easily overlooked by the visual-tactile exam, making the bitewing X-ray imaging very beneficial for early detection and a chance for recovery without the need for further dental treatment. This Master’s thesis addresses the problem of dental caries detection from bitewing images using convolutional neural networks. First, a dataset of 3889 bitewing images with 7257 annotated dental caries was created for the purpose of this thesis. We trained multiple architectures for object detection and compared their performance using it. In the end, we used an ensemble of models to obtain the best-performing model. We have created a solution that can detect dental caries with a precision of 0.751 and a recall of 0.7. Furthermore, a second model for segmentation of dental restoration was created, achieving an IOU score of 0.676.