⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-10-09 更新
Periodontal Bone Loss Analysis via Keypoint Detection With Heuristic Post-Processing
Authors:Ryan Banks, Vishal Thengane, María Eugenia Guerrero, Nelly Maria García-Madueño, Yunpeng Li, Hongying Tang, Akhilanand Chaurasia
This study proposes a deep learning framework and annotation methodology for the automatic detection of periodontal bone loss landmarks, associated conditions, and staging. 192 periapical radiographs were collected and annotated with a stage agnostic methodology, labelling clinically relevant landmarks regardless of disease presence or extent. We propose a heuristic post-processing module that aligns predicted keypoints to tooth boundaries using an auxiliary instance segmentation model. An evaluation metric, Percentage of Relative Correct Keypoints (PRCK), is proposed to capture keypoint performance in dental imaging domains. Four donor pose estimation models were adapted with fine-tuning for our keypoint problem. Post-processing improved fine-grained localisation, raising average PRCK^{0.05} by +0.028, but reduced coarse performance for PRCK^{0.25} by -0.0523 and PRCK^{0.5} by -0.0345. Orientation estimation shows excellent performance for auxiliary segmentation when filtered with either stage 1 object detection model. Periodontal staging was detected sufficiently, with the best mesial and distal Dice scores of 0.508 and 0.489, while furcation involvement and widened periodontal ligament space tasks remained challenging due to scarce positive samples. Scalability is implied with similar validation and external set performance. The annotation methodology enables stage agnostic training with balanced representation across disease severities for some detection tasks. The PRCK metric provides a domain-specific alternative to generic pose metrics, while the heuristic post-processing module consistently corrected implausible predictions with occasional catastrophic failures. The proposed framework demonstrates the feasibility of clinically interpretable periodontal bone loss assessment, with potential to reduce diagnostic variability and clinician workload.
本研究提出了一种深度学习框架和标注方法，用于自动检测牙周骨丢失地标、相关疾病和分期。我们收集了192张根尖放射影像，采用一种与阶段无关的标注方法，对临床上相关的地标进行标注，无论疾病是否存在或程度如何。我们提出了一种启发式后处理模块，利用辅助实例分割模型将预测的关键点与牙齿边界对齐。还提出了一种评估指标——相对正确关键点百分比（PRCK），以捕捉牙齿成像领域中关键点的性能。四个捐赠者的姿势估计模型经过微调，以适应我们的关键点问题。后处理提高了精细定位的性能，使平均PRCK0.05提高0.028，但降低了粗略性能，PRCK0.25下降0.0523，PRCK0.5下降0.0345。方向估计在通过第1阶段目标检测模型过滤时表现出良好的性能，可用于辅助分割。牙周分期检测足够充分，最佳近中（mesial）和远中（distal）Dice得分分别为0.508和0.489，而分叉（furcation）参与度和增宽的牙周韧带空间任务仍具有挑战性，因为阳性样本稀少。相似验证集和外部集的性能暗示了可扩展性。标注方法能够实现与阶段无关的训练，在不同疾病严重程度之间实现均衡表示，用于某些检测任务。PRCK指标为领域特定的姿势指标提供了替代方案，而启发式后处理模块可以一致地纠正不可信的预测，尽管偶尔会出现灾难性故障。所提出的框架证明了临床上可解释的牙周骨丢失评估的可行性，具有减少诊断变异性和减轻临床医生工作量的潜力。
论文及项目相关链接
PDF 18 pages, 7 tables, 9 figures, 1 equation, journal paper submitted to Computers in Biology and Medicine
摘要
本研究提出一种深度学习框架和标注方法，用于自动检测牙周骨丢失地标、相关疾病及分期。研究收集并标注了192张根尖片，采用阶段无关标注方法，对临床相关地标进行标注，无论疾病是否存在或程度如何。研究提出一种启发式后处理模块，利用辅助实例分割模型将预测关键点与牙齿边界对齐。针对牙科成像领域，提出了一种评估指标——相对正确关键点百分比（PRCK）。该研究调整了四个供体位姿估计模型，对关键点问题进行微调。后处理提高了精细粒度定位，将平均PRCK提高了0.028，但降低了粗糙性能。辅助分割的定向估计表现优秀，经第一阶段目标检测模型过滤后效果更佳。牙周分期检测足够好，最佳内侧和远端Dice得分分别为0.508和0.489，而牙槽骨分裂和牙周韧带空间扩大任务仍具有挑战性。该标注方法可实现阶段无关训练，对不同程度的疾病进行均衡表示。PRCK指标为领域提供了通用姿态指标的替代方案，而启发式后处理模块可纠正不合理的预测结果，但偶尔会出现重大失误。所提出的框架证明了临床可解释的牙周骨丢失评估的可行性，具有减少诊断变异性和减轻临床医生工作量的潜力。
关键见解
- 研究提出一种深度学习框架用于自动检测牙周骨丢失地标及相关疾病分期。
- 采用阶段无关标注方法进行数据标注，适用于各种疾病阶段。
- 引入启发式后处理模块，利用辅助模型提高关键点预测精度。
- 提出PRCK评估指标，更适用于牙科成像领域的性能评估。
- 研究微调了多个模型并进行了后处理，提高了模型在不同任务上的性能。
- 牙周分期检测效果良好，但某些任务如牙槽骨分裂和牙周韧带空间扩大仍具挑战性。
点此查看论文截图
