[論文レビュー] Dental pathology detection in 3D cone-beam CT

Adel Zakirov, Matvey Ezhov+3 more|arXiv (Cornell University)|Oct 24, 2018

Dental Radiography and Imaging参考文献 18被引用数 4

ひとこと要約

本論文は、3次元コーンビームCT（CBCT）スキャンにおける歯科病変の自動検出のためのディープラーニングパイプラインを提示する。2段階のアプローチを採用：まず3次元U-Netの変種（V-Net）を用いて歯の局所化を行い、次に6つの一般的な状態（充填、クラウン、インプラント、根管治療済み、埋伏歯、欠損歯）を3次元DenseNetを用いて分類する。システムは歯の局所化で96.3%の正確性を達成し、全病変クラスの平均AUROCは0.94を記録した。

ABSTRACT

Cone-beam computed tomography (CBCT) is a valuable imaging method in dental diagnostics that provides information not available in traditional 2D imaging. However, interpretation of CBCT images is a time-consuming process that requires a physician to work with complicated software. In this work we propose an automated pipeline composed of several deep convolutional neural networks and algorithmic heuristics. Our task is two-fold: a) find locations of each present tooth inside a 3D image volume, and b) detect several common tooth conditions in each tooth. The proposed system achieves 96.3\% accuracy in tooth localization and an average of 0.94 AUROC for 6 common tooth conditions.

研究の動機と目的

• 臨床的歯科において3次元コーンビームCT（CBCT）画像の解釈が時間と手間がかかるという問題を解決すること。
• 3次元CBCTボリュームにおける一般的な歯科病変を自動で検出するパイプラインを開発し、手動による解釈に依存するのを減らすこと。
• 歯の迅速かつ正確な局所化と病変状態の分類を可能にすることで、診断の効率を向上させること。
• ディープラーニングを用いた歯科画像診断支援システムの基盤を提供すること。

提案手法

• スプライス2次元バウンディングボックスアノテーションを軸方向スライスにわたって使用し、3次元ボリュメトリックマスクに補間することで、歯の局所化に3次元U-NetベースのV-Netモデルを訓練する。
• 最適な歯抽出領域を特定するために、マルチビュー投影戦略（軸方向、冠状方向、矢状方向）を適用する。
• 各局所化された歯の周囲から3次元サブボリュームを抽出し、64³にリスケーリングして、3次元DenseNet分類器に渡す。
• 4つの密結合ブロック（各6層）、成長率48、圧縮係数0.5を有する3次元DenseNetを用い、2次元畳み込みを3次元畳み込みに置き換える。
• クラス頻度の逆数に重みをかけたバイナリクロスエントロピー損失を用いて、クラス不均衡に対処する。
• 局所化パイプラインの最適化として、垂直方向に15 mm、水平方向に8 mmずつバウンディングボックスを拡張し、歯の周囲の情報を捉え、耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 スプライス2次元アノテーションと3次元補間を用いた深層学習パイプラインは、3次元CBCTボリュームにおける全歯の正確な局所化を可能にするか？
• RQ2 局所化された歯ボリュームから、互いに排他的でない複数の歯科病変を分類する3次元畳み込みニューラルネットワークは高い性能を発揮できるか？
• RQ3 重み付きバイナリクロスエントロピー損失は、インプラントや埋伏歯など希少な歯科状態のクラス不均衡を効果的に緩和できるか？
• RQ4 局所化モデルは、臨床的実用性を高めるために2次元パノラマ再構成などの下流タスクをどの程度支援できるか？

主な発見

• V-Netベースの局所化モデルは、3次元CBCTボリュームにおける各歯の正しい位置特定に96.3%の正確性を達成した。
• 3次元DenseNet分類器は6つの歯科病変クラスの平均AUROCが0.94を記録し、個々のAUROCスコアは充填で0.892、インプラントで0.979の範囲であった。
• データセットで最も頻度の高かった状態は充填（陽性ケースの21.5%）、最も稀だったのはインプラント（1.5%）と埋伏歯（1.8%）であった。
• 分類モデルは希少病変に対しても優れた性能を示し、埋伏歯ではAUROC 0.931、インプラントでは0.979を記録した。
• 局所化パイプラインは高品質な2次元パノラマ再構成を可能にし、歯科医師が3次元CBCTデータを確認する際に馴染みやすいインターフェースを提供した。
• 特に局所化性能において、システムの性能は臨床統合のための前処理または意思決定支援ツールとして十分な水準にある。