⚠️ 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
2025-10-22 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.
本研究提出了一个深度学习框架和标注方法，用于自动检测牙周骨丢失地标、相关病变以及分期。我们收集了192张根尖放射影像，并用一种阶段无知的方法进行标注，对临床上相关的地标进行标记，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。提出了一种评估指标——相对正确关键点百分比（PRCK），以捕捉牙科成像领域中的关键点性能。我们调整了四个捐赠者的姿态估计模型，对其进行微调以适应我们的关键点问题。后处理提高了精细定位能力，将平均PRCK^{0.05}提高了+0.028，但降低了对PRCK^{0.25}的粗略性能-0.0523和PRCK^{0.5}-0.0345。当使用第1阶段目标检测模型进行过滤时，辅助分割的定向估计表现出优异性能。牙周分期得到了足够的检测，最佳近中和远中Dice得分分别为0.508和0.489，而骨分裂和牙周韧带间隙增宽的任务仍具有挑战性，因为阳性样本较少。相似验证和外部集表现暗示其可扩展性。标注方法可实现阶段无关的训练，在部分检测任务中实现了不同疾病严重程度的均衡表示。PRCK指标为通用姿态指标提供了领域特定的替代方案，而启发式后处理模块则能持续纠正不合理的预测，偶尔也会出现重大失误。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，具有降低诊断差异和医生工作量的潜力。
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。研究采集了192张根尖周射影像进行标注，采用阶段无关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。提出一种评估指标——相对正确关键点百分比（PRCK），以捕捉牙科成像领域中的关键点性能。四个捐赠者姿态估计模型经过微调以适应我们的关键点问题。后处理提高了精细粒度定位，将平均PRCK^{0.05}提高了+0.028，但降低了粗性能，PRCK^{0.25}降低了-0.0523和PRCK^{0.5}降低了-0.0345。方向估计在通过第一阶段目标检测模型过滤时表现出良好的性能。牙周分期检测足够好，最佳内侧和外侧Dice分数分别为0.508和0.489，而牙槽骨分离和牙周韧带空间扩大任务仍具有挑战性，原因在于阳性样本稀少。该标注方法可实现阶段无关训练，在不同疾病严重程度之间实现平衡表示，为某些检测任务提供支持。PRCK指标为通用姿态指标提供了一种领域特定替代方案，而启发式后处理模块可以持续纠正不合理预测，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。
关键见解
- 本研究提出了一种用于自动检测牙周骨丢失地标、相关疾病及分期的深度学习框架和标注方法。
- 采用阶段无关标注法对临床相关地标进行标注，适用于各种疾病状况。
- 启发式后处理模块利用辅助实例分割模型提高了关键点的定位精度。
- 提出了一种新的评估指标——相对正确关键点百分比（PRCK），以反映牙科成像中的关键点性能。
- 后处理模块在提高精细定位的同时，对粗略性能有一定影响。
- 牙周分期检测效果良好，而某些任务如牙槽骨分离和牙周韧带空间扩大仍具挑战性，主要是由于样本不均衡。
点此查看论文截图
