Detekce osteonekrózy čelistí na panoramatických rentgenových snímcích (ortopantomogramech)

Abstract

Osteonekróza čelistí (ONJ) je závažné onemocnění, které často vzniká jako vedlejší účinek antiresorpční nebo radiační terapie. Včasná detekce je klíčová pro umožnění méně invazivní léčby a zlepšení výsledků pro pacienty. Tato práce se zabývá využitím metod hlubokého učení pro automatickou detekci ONJ z panoramatických rentgenových snímků (ortopantomogramů, OPG). Byla využita databáze anotovaných klinických OPG snímků, na které byly trénovány a vyhodnocovány různé architektury konvolučních neuronových sítí (ResNet18, ResNet34, MobileNetV2, EfficientNet-B0). Modely byly trénovány na oříznutých oblastech obrázků, které byly vygenerovány z anotovaných lézí ONJ, a testovány na třech úrovních vyhodnocení: podle výřezu, podle léze a podle celého snímku. Nejlepší výkon dosáhl model EfficientNet-B0 s hodnotou ROC-AUC 0,98 na úrovni výřezů, a proto byl dále analyzován a použit pro klasifikaci celých OPG pomocí posuvného okna. Pro posouzení interpretovatelnosti modelu byly využity vizualizace Grad-CAM, které ukázaly, že se model často soustředí na klinicky relevantní oblasti. Přestože při vyhodnocení celých snímků došlo k určitému poklesu výkonu, výsledky naznačují, že klasifikační modely založené na neuronových sítích mohou sloužit jako užitečný podpůrný nástroj při radiologickém screeningu ONJ.Osteonecrosis of the jaw (ONJ) is a severe condition that often arises as a side effect of antiresorptive or radiotherapeutic treatments. Early detection is crucial to enable less invasive interventions and improve patient outcomes. This thesis explores the use of deep learning methods for automated ONJ detection from panoramic radiographs (orthopantomograms, OPGs). A dataset consisting of annotated clinical OPGs was used to train and evaluate several convolutional neural network architectures (ResNet18, ResNet34, MobileNetV2, EfficientNet-B0). The models were trained on cropped image regions generated from annotated ONJ lesions and tested at three evaluation levels: per crop, per lesion, and per radiograph. EfficientNet-B0 achieved the highest performance, with a crop-level ROC-AUC of 0.98, and was selected for further analysis and application to entire OPGs using a sliding window approach. Grad-CAM visualizations were used to assess model interpretability, revealing that the model often focused on clinically relevant areas. Despite some performance drop when evaluating whole images, the results suggest that CNN-based classification models could serve as a useful assistive tool in the radiographic screening of ONJ.