コーンビームCT画像のディープラーニングを用いた生体内垂直歯根破折の診断

Diagnosis of in vivo vertical root fracture using deep learning on cone-beam CT images.

抄録

目的:

コーンビームCT（CBCT）画像上で生体内垂直歯根破折を診断するための深層学習モデルの診断効率を評価する。

OBJECTIVES: Evaluating the diagnostic efficiency of deep learning models to diagnose vertical root fracture in vivo on cone-beam CT (CBCT) images.

材料と方法:

276歯（VRF138歯、非VRF138歯）のCBCT画像を登録し、レトロスペクティブに解析した。これらの歯の診断結果は、2名の主任放射線技師によって確認された。自動選択グループと手動選択グループの2つの実験グループがあった。手動選択群では合計552の歯の関心領域が切り出され、自動選択群では1118の歯の関心領域が切り出された。診断には3つのディープラーニングネットワーク（ResNet50、VGG19、DenseNet169）を用いた（トレーニングとテストは3:1）。2つの実験群で3つのネットワークの診断効率（精度、感度、特異度、曲線下面積（AUC））を算出した。一方、手動選択群では552枚の歯牙画像を放射線科医が診断した。2つの実験グループと放射線科医における3つの深層学習ネットワークモデルの診断効率を算出した。

MATERIALS AND METHODS: The CBCT images of 276 teeth (138 VRF teeth and 138 non-VRF teeth) were enrolled and analyzed retrospectively. The diagnostic results of these teeth were confirmed by two chief radiologists. There were two experimental groups: auto-selection group and manual selection group. A total of 552 regions of interest of teeth were cropped in manual selection group and 1118 regions of interest of teeth were cropped in auto-selection group. Three deep learning networks (ResNet50, VGG19 and DenseNet169) were used for diagnosis (3:1 for training and testing). The diagnostic efficiencies (accuracy, sensitivity, specificity, and area under the curve (AUC)) of three networks were calculated in two experiment groups. Meanwhile, 552 teeth images in manual selection group were diagnosed by a radiologist. The diagnostic efficiencies of the three deep learning network models in two experiment groups and the radiologist were calculated.

結果:

手動選択群では、ResNet50がVRF歯の診断において最も高い精度と感度を示した。精度、感度、特異度、AUCは97.8%、97.0%、98.5%、0.99であり、放射線技師は精度、感度、特異度が95.3%、96.4%、94.2%であった。自動選択群では、ResNet50はVRF歯の診断において最も高い精度と感度を示し、精度、感度、特異度、AUCは91.4％、92.1％、90.7％、0.96であった。

RESULTS: In manual selection group, ResNet50 presented highest accuracy and sensitivity for diagnosing VRF teeth. The accuracy, sensitivity, specificity and AUC was 97.8%, 97.0%, 98.5%, and 0.99, the radiologist presented accuracy, sensitivity, and specificity as 95.3%, 96.4 and 94.2%. In auto-selection group, ResNet50 presented highest accuracy and sensitivity for diagnosing VRF teeth, the accuracy, sensitivity, specificity and AUC was 91.4%, 92.1%, 90.7% and 0.96.

結論:

手動選択群では、ResNet50はVGG19、DensenNet169および2年の経験を有する放射線科医よりもin vivo VRF歯の診断において高い診断効率を示した。自動選択群においても、Resnet50はVGG19、DensenNet169よりも生体内VRF歯の診断において高い診断効率を示した。このことから、Resnet50はVRF歯のスクリーニングの補助診断法として有望である。

CONCLUSION: In manual selection group, ResNet50 presented higher diagnostic efficiency in diagnosis of in vivo VRF teeth than VGG19, DensenNet169 and radiologist with 2 years of experience. In auto-selection group, Resnet50 also presented higher diagnostic efficiency in diagnosis of in vivo VRF teeth than VGG19 and DensenNet169. This makes it a promising auxiliary diagnostic technique to screen for VRF teeth.