[论文解读] 'Aariz: A Benchmark Dataset for Automatic Cephalometric Landmark Detection and CVM Stage Classification

Muhammad Anwaar Khalid, Kanwal Zulfiqar+6 more|arXiv (Cornell University)|Feb 15, 2023

Dental Radiography and Imaging被引用 5

一句话总结

本论文介绍了Aariz，一个全新的基准数据集，包含从七种不同成像设备获取的1,000张侧位头影轮廓X光片，标注了29个解剖学标志点（包括6个软组织标志点）以及颈椎骨成熟度（CVM）阶段。该数据集可支持AI模型在自动头影轮廓标志点检测与CVM分类任务中的稳健训练，专家验证的标注在CVM分期上达到96.6%的组间一致性。

ABSTRACT

The accurate identification and precise localization of cephalometric landmarks enable the classification and quantification of anatomical abnormalities. The traditional way of marking cephalometric landmarks on lateral cephalograms is a monotonous and time-consuming job. Endeavours to develop automated landmark detection systems have persistently been made, however, they are inadequate for orthodontic applications due to unavailability of a reliable dataset. We proposed a new state-of-the-art dataset to facilitate the development of robust AI solutions for quantitative morphometric analysis. The dataset includes 1000 lateral cephalometric radiographs (LCRs) obtained from 7 different radiographic imaging devices with varying resolutions, making it the most diverse and comprehensive cephalometric dataset to date. The clinical experts of our team meticulously annotated each radiograph with 29 cephalometric landmarks, including the most significant soft tissue landmarks ever marked in any publicly available dataset. Additionally, our experts also labelled the cervical vertebral maturation (CVM) stage of the patient in a radiograph, making this dataset the first standard resource for CVM classification. We believe that this dataset will be instrumental in the development of reliable automated landmark detection frameworks for use in orthodontics and beyond.

研究动机与目标

• 为解决正畸学中用于训练自动化头影轮廓标志点检测系统的综合、多样化且可靠的基准数据集缺乏的问题。
• 克服现有数据集的局限性，包括图像多样性不足、缺乏软组织标志点以及单一设备成像偏差。
• 提供一个标准化资源，用于颈椎骨成熟度（CVM）分期分类，这是正畸治疗时机选择的关键因素。
• 通过大规模、专家标注的数据集，减少手动头影轮廓分析中的组间与组内变异。
• 通过包含来自多种X光设备、分辨率各异的影像，支持开发适用于临床应用的可靠且可泛化的AI模型。

提出的方法

• 该数据集包含从七种不同X光成像设备获取的1,000张侧位头影轮廓X光片（LCRs），其分辨率各不相同。
• 临床专家对每张X光片精确标注了29个头影轮廓标志点：15个骨性标志点、8个牙科标志点和6个软组织标志点。
• 由资深正畸医生在初级专家初步标注后对颈椎骨成熟度（CVM）阶段进行标注，以确保高组间一致性。
• 采用两阶段标注流程：初级正畸医生进行初步标注，随后由专家对模糊病例进行复核并达成共识。
• 数据访问受到严格限制，需签署数据使用与保密协议（DUA），以保障患者隐私并符合法律标准。
• 公开的GitHub仓库提供了数据处理、图像增强（如CLAHE、非锐化掩模）以及评估指标的代码，以支持可复现的研究。

实验结果

研究问题

• RQ1 大规模、多样化的多设备成像数据集是否能提升自动化头影轮廓标志点检测模型的泛化能力与准确性？
• RQ2 专家验证的CVM分期标注在多大程度上能提升正畸学中基于AI的骨骼成熟度评估的可靠性？
• RQ3 在公开数据集中包含软组织标志点，对AI系统在临床头影轮廓分析中的性能有何影响？
• RQ4 在大规模数据集上使用专家验证的标注时，CVM分期分类的组间一致性可达到何种水平？
• RQ5 在Aariz这类异质性数据集上训练时，标准的图像预处理与增强技术在提升模型鲁棒性方面的有效性如何？

主要发现

• 该数据集包含从七种不同成像设备获取的1,000张侧位头影轮廓X光片，确保了分辨率与图像质量的高多样性。
• 共标注了29个头影轮廓标志点（15个骨性、8个牙科、6个软组织），由临床专家以高精度完成标注。
• 所有1,000张图像均完成了CVM分期标注，使Aariz成为首个公开可用的CVM分期分类基准数据集。
• CVM分期的组间一致性从初级专家的36.3%提升至资深专家的96.6%，证实了最终标注的可靠性。
• 该数据集受到严格的访问控制，需签署正式的数据使用与保密协议（DUA），以确保患者隐私与伦理使用。
• 公开的GitHub仓库提供了数据处理、图像增强与评估指标的代码，支持可复现且可扩展的研究。