錢軍 馬芮 曲妍 鄧少純 段瑤 左飛飛 王亞杰 毋育偉

1.北京大學(xué)口腔醫(yī)學(xué)院·口腔醫(yī)院第二門診部國(guó)家口腔疾病臨床醫(yī)學(xué)研究中心口腔數(shù)字化醫(yī)療技術(shù)和材料國(guó)家工程實(shí)驗(yàn)室，北京 100020；2.首都醫(yī)科大學(xué)附屬北京康復(fù)醫(yī)院口腔科，北京 100144；3.北京朗視儀器股份有限公司，北京 100084

口腔臨床工作中常見(jiàn)的慢性根尖周炎在組織學(xué)上主要表現(xiàn)為炎癥細(xì)胞浸潤(rùn)及牙槽骨破壞，在影像學(xué)上主要表現(xiàn)為根尖周出現(xiàn)透射影像。完善的臨床檢查及高分辨率的影像學(xué)檢查是其治療計(jì)劃的重要診斷工具，在根尖片、曲面體層全景片和錐形束計(jì)算機(jī)斷層掃描（cone-beam computed tomography，CBCT）上可檢測(cè)到慢性根尖周炎。由于根尖片的成本低及輻射劑量小的特點(diǎn)，目前在臨床中應(yīng)用最廣泛。但與傳統(tǒng)的根尖片和全景片相比，CBCT不受拍攝區(qū)域牙槽骨及牙齒結(jié)構(gòu)影像失真和疊加的影響，顯著增加了根管間、根尖病變及周圍解剖結(jié)構(gòu)的三維可視化[1]。

Meta 分析指出，根尖片的靈敏度和特異性（0.70、0.78）明顯低于CBCT成像的靈敏度和特異性（0.95、0.88）[2]。近年來(lái)深度學(xué)習(xí)（deep learning）作為人工智能（artificial intelligence）的一個(gè)分支，在臨床許多醫(yī)學(xué)領(lǐng)域已經(jīng)達(dá)到甚至超過(guò)臨床專家的水平[3]。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network）是其代表算法之一，它主要從圖像中抽象出高度復(fù)雜的特征，進(jìn)而構(gòu)建一個(gè)自動(dòng)識(shí)別模式的神經(jīng)網(wǎng)絡(luò)以進(jìn)行自動(dòng)判斷和分類[4]。在口腔醫(yī)學(xué)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)X 線片主要應(yīng)用于檢測(cè)齲齒病損部位、評(píng)估牙根形態(tài)及牙周骨質(zhì)缺損等研究，但目前仍處于初級(jí)的階段[2]。本文旨在探討基于卷積神經(jīng)網(wǎng)絡(luò)算法的計(jì)算機(jī)輔助診斷系統(tǒng)在CBCT 影像中檢測(cè)慢性根尖周炎的診斷應(yīng)用。

1 材料和方法

1.1 樣本選擇

收集北京大學(xué)口腔醫(yī)院第二門診部2017 年1月—2021 年12 月罹患單根牙慢性根尖周炎的CBCT影像，總計(jì)49例患者55個(gè)樣本。

納入標(biāo)準(zhǔn)：1）均采用HiRes3D 型CBCT 儀器（北京朗視儀器股份有限公司）拍攝；2）技師的拍攝操作經(jīng)過(guò)統(tǒng)一培訓(xùn)；3）設(shè)置相同的CBCT 拍攝參數(shù)：坐姿拍攝，100 kV，4 mA，360°旋轉(zhuǎn)，拍攝持續(xù)時(shí)間12 s。CBCT 設(shè)備可以提供多個(gè)視野，像素間距0.125 mm×0.125 mm×0.125 mm，分辨率為640 px×640 px×640 px；像素間距0.2 mm×0.2 mm×0.2 mm，分辨率為800 px×800 px×250 px；像素間距0.25 mm×0.25 mm×0.25 mm，分辨率為640 px×640 px×400 px，醫(yī)生可以根據(jù)具體情況選擇最佳掃描方式；4）單根單病變（含單根牙及多根牙的單根病變）。

排除標(biāo)準(zhǔn)：1）病變同時(shí)累及多根（單顆牙或多顆牙）；2）病變累及周邊結(jié)構(gòu)且無(wú)法區(qū)別病變界限，如：根分叉區(qū)、牙槽嵴頂、大面積骨皮質(zhì)破壞、其他鄰近解剖結(jié)構(gòu)（上頜竇、下頜神經(jīng)管、鼻腭管、頦孔）；3）圖像質(zhì)量不佳或偽影過(guò)大（含金屬偽影運(yùn)動(dòng)偽影或軟組織對(duì)比度差）。

1.2 數(shù)據(jù)處理

1.2.1 學(xué)習(xí)樣本的手動(dòng)逐層分割 從49 例CBCT 原始數(shù)據(jù)中隨機(jī)抽取6個(gè)根尖病變，慢性根尖周炎的CBCT 數(shù)據(jù)以DICOM 格式導(dǎo)出，圖像由4 名主治醫(yī)生先后2 次（間隔2 周）記錄頜骨病變的位置并對(duì)于慢性根尖周炎病變區(qū)域進(jìn)行識(shí)別同時(shí)使用Ma‐terialize Mimics Medical 軟件進(jìn)行手動(dòng)逐層分割（圖1）。在Statistical Package for Social Science 軟件（SPSS V16，SPSS 公司，美國(guó)）用組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficiets，ICC）評(píng)估重復(fù)測(cè)量和測(cè)量者之間的一致性。

1.2.2 數(shù)據(jù)預(yù)處理 1）為了提高網(wǎng)絡(luò)性能，加快訓(xùn)練速度，原始DICOM 數(shù)據(jù)需要進(jìn)行預(yù)處理后再用于訓(xùn)練。使用的預(yù)處理包括數(shù)據(jù)歸一化，數(shù)據(jù)增強(qiáng)（旋轉(zhuǎn)、平移、添加噪聲） 等。2） 按照80%、10%、10%將數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，49 例患者CBCT 數(shù)據(jù)作為訓(xùn)練集，測(cè)試集和驗(yàn)證集各5例CBCT數(shù)據(jù)。

1.2.3 使用3D U-Net網(wǎng)絡(luò)識(shí)別根尖病變 網(wǎng)絡(luò)的總體結(jié)構(gòu)如圖2 所示，似U 型的網(wǎng)絡(luò)由編碼器（en‐coder）和解碼器（decoder）組成。U 型左側(cè)為編碼器，編碼器由3 個(gè)模塊組成，每個(gè)模塊經(jīng)由2 個(gè)卷積層和1個(gè)池化層組成；每次卷積使用1個(gè)3×3×3 的卷積核，并且每次卷積之后經(jīng)過(guò)1 個(gè)ReLU 激活函數(shù)。U 型右側(cè)為解碼器，同樣是由3 個(gè)模塊組成；每個(gè)模塊先做1 次反向卷積，得到1 個(gè)高分辨率的特征圖，再將高分辨率的特征圖與左側(cè)編碼器部分對(duì)應(yīng)的低分辨率的特征圖結(jié)合；之后使用3×3×3 的卷積核做2 次卷積；最后一層的卷積是用1 個(gè)1×1×1 的卷積核實(shí)現(xiàn)的。除此之外，為了更好地訓(xùn)練網(wǎng)絡(luò)并提升網(wǎng)絡(luò)性能，使用深監(jiān)督（deep supervision）的技術(shù)在網(wǎng)絡(luò)右側(cè)的隱藏層中增加了一個(gè)輔助分類器，這些輔助分類器作為網(wǎng)絡(luò)的分支對(duì)主網(wǎng)絡(luò)進(jìn)行監(jiān)督。使用Dice Loss+Cross Entro‐py Loss 作為損失函數(shù)，結(jié)合EarlyStop 和可調(diào)節(jié)學(xué)習(xí)率對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

1.3 手工分割和人工智能方法計(jì)算的比較

1.3.1 觀察者一致性檢驗(yàn) ICC 用于評(píng)估檢查者之間的一致性和可靠性，隨機(jī)選取6例樣本以確定觀察者的一致性，觀察者內(nèi)部一致性由同一研究者在第一輪觀察后2周進(jìn)行重復(fù)分割計(jì)算。

1.3.2 人工智能分割效果的評(píng)估 使用交聯(lián)比（in‐tersection over union，IOU）、Dice 系數(shù)（Dice）和像素精確度（pixel accuracy，PA）3 個(gè)指標(biāo)對(duì)網(wǎng)絡(luò)進(jìn)行評(píng)估。

其中：Ground 是臨床專家標(biāo)注的病變金標(biāo)準(zhǔn)區(qū)域；Predict為人工智能預(yù)測(cè)病變區(qū)域。IOU即為真實(shí)病變區(qū)域與預(yù)測(cè)病變區(qū)域之間的重合程度，IOU值越高代表重合程度越高；IOU值越低代表重合程度越低。

其中：Ground 是臨床專家標(biāo)注的病變金標(biāo)準(zhǔn)區(qū)域；Predict為病變?nèi)斯ぶ悄茴A(yù)測(cè)病變區(qū)域。Dice的取值范圍為[0，1]，Dice 越接近1，病變?nèi)斯ぶ悄茴A(yù)測(cè)病變區(qū)域的結(jié)果與臨床專家標(biāo)注的病變金標(biāo)準(zhǔn)區(qū)域就愈加重合。

其中：TP（true positive）代表預(yù)測(cè)值為1，真實(shí)值為1 的部分；TN（true negative）代表預(yù)測(cè)值為0，真實(shí)值為0的部分；FP（false positive）代表預(yù)測(cè)值為1，真實(shí)值為0 的部分；FN（false nega‐tive）表預(yù)測(cè)值為0，真實(shí)值為1 的部分。PA 指的是人工智能預(yù)測(cè)病變正確的像素占圖像總像素的比例，該比值越接近1，說(shuō)明網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性越高。

2 結(jié)果

2.1 一致性檢驗(yàn)結(jié)果

測(cè)量者之間一致性的ICC 值為0.994（95%CI：0.986～0.998），測(cè)量者1 的自身重復(fù)測(cè)量的ICC 值為0.999（95%CI：0.990～1.000），測(cè)量者2 的重復(fù)測(cè)量ICC 值為0.995（95%CI：0.968～0.999），測(cè)量者3的重復(fù)測(cè)量ICC值為1（95%CI：1.000～1.000），測(cè)量者4的重復(fù)測(cè)量ICC值為0.999（95%CI：0.995～1.000）。

本研究中測(cè)量者的一致性檢驗(yàn)ICC 相關(guān)系數(shù)值均＞0.9，這些數(shù)值提示4 名醫(yī)生的重復(fù)測(cè)量結(jié)果的差異無(wú)統(tǒng)計(jì)學(xué)意義。

2.2 深度學(xué)習(xí)測(cè)試集與驗(yàn)證集的參數(shù)結(jié)果比較

神經(jīng)網(wǎng)絡(luò)在測(cè)試集的結(jié)果如下：IOU為92.18%，PA為99.27%，Dice為95.93%。

神經(jīng)網(wǎng)絡(luò)在236輪迭代后停止，網(wǎng)絡(luò)訓(xùn)練集和驗(yàn)證集的各指標(biāo)都高于90%；并且訓(xùn)練集和驗(yàn)證集各指標(biāo)提升趨勢(shì)相似，均在前100 輪快速提升，之后趨于平穩(wěn)（圖3～6）。

3 討論

隨著深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的應(yīng)用，人工智能在醫(yī)學(xué)領(lǐng)域中的應(yīng)用正加速發(fā)展，而在口腔醫(yī)學(xué)中的多個(gè)領(lǐng)域都有一定的研究應(yīng)用，例如使用人工智能自動(dòng)分類影像數(shù)據(jù)中的牙齒類型[5]，分類計(jì)數(shù)下頜第一磨牙遠(yuǎn)中的根數(shù)目[6]，利用深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別影像中的鄰面齲壞[7]，檢測(cè)曲面體層片中的牙周骨質(zhì)的缺損[8]，利用人工智能檢測(cè)CBCT中的根折[9]等。利用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)成釉細(xì)胞瘤和牙源性角化囊腫，其一大特點(diǎn)是較臨床醫(yī)師的人工鑒別來(lái)說(shuō)能節(jié)省更多時(shí)間[10]。對(duì)于那些系統(tǒng)病在口腔中的表現(xiàn)，也可用人工智能進(jìn)行檢測(cè)，包括骨質(zhì)疏松癥[11]和上頜竇炎[12]等。Ekert 等[13]使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)了曲面體層中的根尖周病損，其系統(tǒng)具有檢測(cè)出根尖周病損的能力，但其敏感性仍有待提高。

一般深度學(xué)習(xí)網(wǎng)絡(luò)需要大量數(shù)以千計(jì)的標(biāo)記數(shù)據(jù)用于訓(xùn)練，而U-NET 可更高效地利用已有的標(biāo)記數(shù)據(jù)進(jìn)行自動(dòng)分割和學(xué)習(xí)[14]，這與本研究結(jié)果相一致。本研究選取了49 例患者的55 個(gè)數(shù)據(jù)，人工智能深度學(xué)習(xí)算法的U-NET 可以較好地檢測(cè)出慢性根尖周炎根尖區(qū)病變，網(wǎng)絡(luò)在測(cè)試集的IOU為92.18%，Dice為95.93%，PA為99.27%，這些指標(biāo)表示網(wǎng)絡(luò)在測(cè)試集性能較優(yōu)，明顯優(yōu)于利用深度學(xué)習(xí)算法監(jiān)測(cè)CBCT中根尖周低密度影的研究[15]，其Dice為52%（其靈敏度為0.93，特異性為0.88）。人工智能在影像診斷中的誤差較小，與其深度學(xué)習(xí)算法關(guān)系密切。深度學(xué)習(xí)算法的病變識(shí)別能力強(qiáng)于一般算法[16-17]，其可以識(shí)別更加豐富的圖像特征，包括人眼可識(shí)別的密度、形狀、紋理等特征以及肉眼無(wú)法感知的一些圖像特征[16-17]，因此深度學(xué)習(xí)對(duì)CBCT 影像的解讀具有一定的可靠性，基于本研究深度學(xué)習(xí)方法的人工智能系統(tǒng)，為下一步檢測(cè)CBCT圖像中的慢性根尖周炎奠定了基礎(chǔ)。本文在收集數(shù)據(jù)集時(shí)納入了不同視野及層厚的CBCT影像，更加符合數(shù)據(jù)在樣本空間的分布情況，有利于增強(qiáng)算法的泛化能力，為今后算法應(yīng)用于實(shí)際環(huán)境中提供依據(jù)，但同時(shí)不同視野及層厚的CBCT影像也增加了網(wǎng)絡(luò)的學(xué)習(xí)難度，降低了分割的精度，為進(jìn)一步提高人工智能算法學(xué)習(xí)效果，將在后續(xù)的研究中增大樣本量。

CBCT影像可以在三維方向上觀測(cè)慢性根尖周炎的病損大小，對(duì)病損實(shí)際范圍及毗鄰結(jié)構(gòu)的識(shí)別更加清晰準(zhǔn)確，這較根尖片以及曲面體層全景片具有明顯優(yōu)勢(shì)，目前的CBCT成像技術(shù)尚存在一些局限性，比如：1）影像中高密度結(jié)構(gòu)會(huì)因射線散射產(chǎn)生偽影（如根充物，高密度充填物，修復(fù)體或鄰牙種植體）；2）軟組織顯像對(duì)比度差，因而對(duì)部分病例來(lái)說(shuō)，尤其是慢性根尖周炎累及骨皮質(zhì)，存在無(wú)法區(qū)別病變界限的情況時(shí)，圖像分割可能存在誤差。由于以上原因，CBCT對(duì)于部分病例的應(yīng)用尚存在局限性。

同時(shí)在本研究的過(guò)程中發(fā)現(xiàn)，人工智能在識(shí)別根尖周低密度影時(shí)，受到一些因素的影響，譬如慢性根尖周炎病變累及骨皮質(zhì)骨缺損范圍較大而無(wú)法區(qū)別病變界限時(shí)，頰舌側(cè)骨板不完整會(huì)影響人工智能識(shí)別軟組織與骨的邊界，牙周牙髓聯(lián)合病變表現(xiàn)的牙槽骨吸收與慢性根尖周炎形成的低密度影，鄰近根尖病變的正常低密度影像結(jié)構(gòu)（如切牙管、頦孔、下頜管、上頜竇等），累及多顆牙的大范圍病變，有根充物的牙根，牙中牙、未閉合的根尖孔等。同時(shí)，為了增加人工智能的準(zhǔn)確性，本研究還需增加樣本量、合并解剖知識(shí)于人工智能的深度學(xué)習(xí)設(shè)計(jì)中。

利益沖突聲明：作者聲明本文無(wú)利益沖突。