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(jīng)損傷是下頜阻生智齒拔除相關(guān)的嚴重并發(fā)癥之一,其發(fā)生率為0.26%～8.40%[1],主要表現(xiàn)為患側(cè)下唇感覺異?；蚵楸?嚴重影響患者的生活質(zhì)量[2]。目前臨床治療手段局限,主要為對癥處理,營養(yǎng)神經(jīng),促進其功能恢復(fù)[3]。下牙槽神經(jīng)損傷與患者的年齡、性別、手術(shù)方法、手術(shù)者的技術(shù)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(guān)[4]。

曲面斷層片是下頜阻生智齒最為常用的術(shù)前影像學(xué)評估手段[5],其特征性影像是術(shù)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(jié)構(gòu)重疊、易產(chǎn)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(guān)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(yīng)用于下頜阻生智齒的術(shù)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(xiàn)有的研究表明,術(shù)前使用CBCT檢查,不能預(yù)防或減少術(shù)后下牙槽神經(jīng)損傷的發(fā)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(yīng)用價值。

既往學(xué)者利用深度學(xué)習(xí)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(wǎng)絡(luò)模型進行了下頜智齒牙根與下頜管相關(guān)關(guān)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(gòu)建基于YOLO(You only look once)模型改良的輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)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(guān)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(yī)科大學(xué)附屬口腔醫(yī)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(fā)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(qū)域無病變或者手術(shù)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(jīng)南京醫(yī)科大學(xué)附屬口腔醫(yī)院倫理委員會審查批準(PJ2020-125-001)。

1.2 影像數(shù)據(jù)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(guān)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(xù)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(shù)據(jù)導(dǎo)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(xué)指標,均由兩名研究者獨立評價,診斷不一致時,協(xié)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(shù)據(jù)預(yù)處理

在曲面斷層片標注矩形感興趣區(qū)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(wǎng)絡(luò)模型訓(xùn)練階段。

在數(shù)據(jù)預(yù)處理階段,首先將采集到的曲面斷層片數(shù)據(jù)按照80%、10%、10%的比例分為訓(xùn)練集、驗證集和測試集。再采用Mosaic數(shù)據(jù)增強方式擴充其中的訓(xùn)練數(shù)據(jù)集[16],即將訓(xùn)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(xùn)練數(shù)據(jù)。

圖2 感興趣區(qū)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(nèi)存32 GB、GeForce GTX 1080Ti GPU顯卡1塊。涉及主要參數(shù)設(shè)置如下:設(shè)訓(xùn)練迭代次數(shù)為1 200,batch size為6,學(xué)習(xí)率等于0.003 2;使用LeakyRelu作為激活函數(shù);初始錨框的長寬設(shè)為[126,151],[122,169],[140,153],[135,168],[130,180],[144,176],[157,166],[139,194],[155,191]。為了適應(yīng)網(wǎng)絡(luò)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(xué)習(xí)網(wǎng)絡(luò)的結(jié)構(gòu)及算法實現(xiàn)

本研究以YOLOv5深度檢測模型為框架,構(gòu)建了輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)[17],并對YOLOv5模型的Backbone分支網(wǎng)絡(luò)進行了改進,使其在大幅降低計算復(fù)雜度的同時保持提取出特征的表達效率。本研究構(gòu)建的基于輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)的下頜智齒牙根與下頜管關(guān)系自動檢測方法分為訓(xùn)練階段和測試階段兩部分,如圖3所示。在訓(xùn)練階段,首先從訓(xùn)練用曲面斷層片對應(yīng)的CBCT圖像中獲取下頜智齒牙根與下頜管位置關(guān)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(xié)同擴充后訓(xùn)練集中的曲面斷層片用于訓(xùn)練輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò),使之同時學(xué)習(xí)圖像特征與存在下頜智齒牙根與下頜管接觸情況區(qū)域位置的非線性關(guān)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(guān)系。當經(jīng)過不斷迭代訓(xùn)練后,模型預(yù)測值與金標準之間誤差收斂時,即完成該網(wǎng)絡(luò)模型的訓(xùn)練。

圖3 IAC-MTMnet檢測下頜智齒牙根與下頜管位置關(guān)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(wǎng)格并作為已訓(xùn)練輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)的輸入,該網(wǎng)絡(luò)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(qū)域可能會存在下頜智齒牙根與下頜管發(fā)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(jié)果后,即可完成下頜智齒牙根與下頜管發(fā)生接觸區(qū)域的回歸預(yù)測任務(wù)。另外,該網(wǎng)絡(luò)還將同時給出候選邊界框?qū)?yīng)的目標置信度和每個網(wǎng)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(wǎng)格的類別置信度即為該邊界框包含區(qū)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(yù)測任務(wù)亦已完成。

1.5 統(tǒng)計學(xué)分析

定性資料采用率或者構(gòu)成比描述。診斷性試驗采用正確率、靈敏度、特異度、陽性預(yù)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(jié) 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(cè)納入(右321例,左276例),其余患者為雙側(cè)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(jīng)曲面斷層片評估,1 095顆(43.06%)下頜智齒牙根與下牙槽神經(jīng)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(jīng)人工診斷為與下牙槽神經(jīng)管接觸。經(jīng)CBCT評估,798(31.38%)顆下頜智齒牙根與下牙槽神經(jīng)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(jīng)過訓(xùn)練、驗證和測試,IAC-MTMnet、YOLOv5以及人工診斷的相關(guān)參數(shù)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(yù)測值為0.899,測試運行時間為0.059 s,表現(xiàn)出了優(yōu)良的診斷性能,其正確率高于人工診斷和YOLOv5網(wǎng)絡(luò)模型,且其耗時明顯減少。圖4比較了YOLOv5和IAC-MTMnet預(yù)測結(jié)果的ROC曲線,其中右下角顯示了它們的AUC值。結(jié)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(guān)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(wǎng)絡(luò)和IAC-MTMnet對應(yīng)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(guān)系,是下頜智齒術(shù)前影像學(xué)評估的重要內(nèi)容,是下頜智齒手術(shù)制定的重要參考,是預(yù)防術(shù)后下牙槽神經(jīng)損傷的重要手段[18]。既往學(xué)者通過曲面斷層片,定義其特征性影像以預(yù)測兩者關(guān)系[6],然而即使是經(jīng)驗豐富的口腔頜面外科/影像科醫(yī)生也常因影像結(jié)構(gòu)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(yù)測術(shù)后下牙槽神經(jīng)損傷。以深度學(xué)習(xí)算法為代表的機器學(xué)習(xí)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(xué)習(xí)網(wǎng)絡(luò)算法已逐步應(yīng)用口腔頜面影像診斷領(lǐng)域[19]。眾多學(xué)者致力于利用深度學(xué)習(xí)網(wǎng)絡(luò)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(gòu)建并評估了輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)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(guān)系的性能。與YOLOv5網(wǎng)絡(luò)模型相比,IAC-MTMnet模型運行速度快、診斷正確率、特異度、陽性預(yù)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(yù)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(guān)。與Fukuda等[15]報道的AlexNet、GoogLeNet以及VGG-16網(wǎng)絡(luò)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(wǎng)絡(luò)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(xué)習(xí)網(wǎng)絡(luò)的診斷性能與經(jīng)驗豐富的放射科醫(yī)生相當或更好,這也表明了深度學(xué)習(xí)網(wǎng)絡(luò)系統(tǒng)的潛在應(yīng)用價值。

目前,CBCT已應(yīng)用于高風(fēng)險下頜阻生智齒的術(shù)前評估中[26]。牙根與下頜管的直接接觸、下頜管皮質(zhì)骨的局部缺損、下頜管位于牙根舌側(cè)等特征性影像與術(shù)后下牙槽神經(jīng)損傷的相關(guān)性已引起學(xué)者關(guān)注[27-28],近期Liu等[29]利用U-Net、ResNet-34網(wǎng)絡(luò)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(fù)雜疑難高風(fēng)險病例,建議首選CBCT檢查,以更好地進行手術(shù)方案的制定,以減少術(shù)后并發(fā)癥的發(fā)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(shù)據(jù)是單一中心來源;其次,受發(fā)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(guān)指標。后續(xù)計劃采集多中心不同設(shè)備的影像數(shù)據(jù),重點關(guān)注高風(fēng)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(yīng)用價值。

綜上所述,本研究通過算法改進構(gòu)建了輕量型單步深度學(xué)習(xí)網(wǎng)絡(luò)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(guān)系的性能。