[论文解读] Detection of Tooth caries in Bitewing Radiographs using Deep Learning

Muktabh Mayank Srivastava, Pratyush Kumar+2 more|arXiv (Cornell University)|Nov 20, 2017

Dental Radiography and Imaging参考文献 3被引用 61

一句话总结

论文提出一个基于深度 FCNN 的CAD系统，用于自动在 bitewing 放射影像中检测龋齿，在测试集上对比三位执业牙医获得更高的召回率和F1分数。

ABSTRACT

We develop a Computer Aided Diagnosis (CAD) system, which enhances the performance of dentists in detecting wide range of dental caries. The CAD System achieves this by acting as a second opinion for the dentists with way higher sensitivity on the task of detecting cavities than the dentists themselves. We develop annotated dataset of more than 3000 bitewing radiographs and utilize it for developing a system for automated diagnosis of dental caries. Our system consists of a deep fully convolutional neural network (FCNN) consisting 100+ layers, which is trained to mark caries on bitewing radiographs. We have compared the performance of our proposed system with three certified dentists for marking dental caries. We exceed the average performance of the dentists in both recall (sensitivity) and F1-Score (agreement with truth) by a very large margin. Working example of our system is shown in Figure 1.

研究动机与目标

• 开发一个包含临床验证龋齿注释的大型 bitewing 放射影像数据集。
• 构建一个端到端的深度学习系统，直接从放射影像本地化龋齿，无需专门的预处理。
• 使用真实标签对系统与在岗牙医进行对比评估。
• 证明相较于牙医，系统具有更高的敏感性并且与真值的一致性具有竞争力。

提出的方法

• 训练一个 100+ 层的 Fully Convolutional Neural Network (FCNN)，对 bitewing 放射影像执行逐像素龋齿密集分类。
• 注释为围绕龋齿的松散多边形；训练将任务视为密集像素级标注（0/1）。
• 对 FCNN 输出结果建立紧贴的边框以形成最终的龋齿检测。
• 使用与真实多边形地面真值的 IoU/Jaccard 进行评估，要求 IoU 大于 0.8 才算一次成功的龋齿搜索。
• 将训练数据的 5% 作为验证集；未进行广泛的超参数搜索。

实验结果

研究问题

• RQ1 基于带注释的 bitewing 放射影像训练的密集 FCNN 模型，能否达到比在岗牙医更高的龋齿检测灵敏度？
• RQ2 自动 CAD 输出对 Held-out 测试集的地面真值一致性（F1）是否优于临床医生？
• RQ3 在给定松散多边形注释的情况下，密集逐像素方法是否适用于标注龋齿？
• RQ4 与临床医生相比，所提出系统在召回率与精度之间的权衡如何？

主要发现

Method	Recall	Precision	F1-Score
System	80.5	61.5	70
Dr.1	47.7	63	54
Dr.2	43	81.5	56
Dr.3	34.4	89.1	50

• 该系统在测试集上的召回率（敏感性）高于三位牙医（System recall 80.5% vs. Dr.1 47.7%, Dr.2 43%, Dr.3 34.4%）。
• 系统在精确度方面具有竞争力甚至更高（61.5%）相较于牙医（Dr.1 63%, Dr.2 81.5%, Dr.3 89.1%）。
• 该系统实现了 F1-score 为 70，超过三位牙医（Dr.1 54, Dr.2 56, Dr.3 50）。