Zielsetzung Künstliche neuronale Netze bieten ein großes Potenzial für die automatische Klassifizierung
und Segmentierung von radiologischen Bildern. Regionsbasierte neuronale Netze (R-CNNs)
sind universelle Frameworks für die Segmentierung von Objekten. Ein Mask R-CNN wird
bereits in zahlreichen Anwendungen in der Industrie eingesetzt. Ziel dieser Studie
war es, eine automatisierte Analyse von Orthopantomogrammen (OPGs) zu realisieren,
welche automatisiert Zahnstatus und des Vorhandenseins von Zahnfüllungen und Implantaten
analysiert.
Material und Methoden Ein Mask-R-CNN wurde implementiert, um Begrenzungsrahmen, Objektklassen und Segmentierungsmasken
für alle Instanzen der Objekte im OPG zu erzeugen. Als Eingabedaten wurden 32 Zähne,
Zahnfüllungen und Implantate auf 250 OPGs manuell markiert. Die Zähne wurden segmentiert
und nach der Notation der FDI World Dental Federation klassifiziert. Das Netz wurde
mit 200 OPGs trainiert und mit 50 OPGs evaluiert.
Ergebnisse Das Netzwerk konnte erfolgreich unbekannte OPGs hinsichtlich des FDI-Zahnschemas
annotieren und zuverlässig für die weitergehende Analyse segmentieren. Die Implementierung
erreichte eine Genauigkeit von 0,98±0,03, eine Trefferquote von 0,96±0,06 und einen
F1-Score von 0,97±0,04 für die Identifizierung der Begrenzungsrahmen. Für die Segmentierung
wurde eine mittlere durchschnittliche Genauigkeit von 0,91±0,01 aller Masken mit Schnittmenge
über 50% zu den tatsächlichen Masken (mean average precision, mAP@50), sowie für alle
Masken eine Genauigkeit von 0,95±0,04, eine Trefferquote von 0,49±0,03 und einen F1-Score
von 0,65±0,04 erreicht.
Schlußfolgerungen Mit nur wenigen Bildern kann ein effektives künstliches neuronales Netz auf OPGs
zur automatischen Zahnklassifizierung mit FDI-Notation und zur Zahnsegmentierung trainiert
werden, welches für weitergehende Ziele wie bspw. die objektive Altersschätzung eingesetzt
werden kann. Zudem kann die Methode auch für die Segmentierung weiterer Anwendungsfelder
und Modalitäten erweitert werden.
