Ziel: Ziel war es, ein Deep-Learning-basiertes KI-Modell für die Instanzsegmentierung und Nummerierung der Zähne auf Panoramaschichtaufnahmen (PSA) zu entwickeln.
Material und Methode: Zunächst wurden 40 PSA manuell annotiert. Diese dienten als Grundwahrheit (Ground Truth) zum Anlernen von zwei faltenden neuronalen Netzwerken (Convolutional Neural Network, CNN): U-Net und Faster R-CNN. Das Training und die Validierung beider Algorithmen erfolgten parallel auf einem Datensatz von 1.280 Zähnen (40 PSA). Der U-Net-Algorithmus wurde nach Kennzeichnung der Zähne mit fließenden Rändern darauf trainiert, alle 32 Zähne einer PSA mittels Instanzsegmentierung zu erfassen, sodass jeder Zahn als von den umgebenden Strukturen separierte Einheit angesprochen werden kann. Parallel dazu wurden die Zähne unter Verwendung von rechteckigen Hüllfiguren (Bounding Boxes) nach dem FDI-Schema nummeriert, um den Faster-R-CNN-Algorithmus zu trainieren. Schließlich wurden beide CNN zu einem KI-Modell kombiniert, das in der Lage war alle Zähne einer PSA zu segmentieren und zu nummerieren.
Ergebnisse: Die Leistungsfähigkeit des U-Net-Algorithmus wurde mithilfe verschiedener Leistungsparameter bewertet, die wie folgt ausfielen: Präzision = 88,8 %, Genauigkeit = 88,2 %, Sensitivität (Recall) = 87,3 %, F1-Maß = 88 %, Sørensen- Dice-Koeffizient = 92,3 % und Jaccard-Koeffizient (Intersection over Union, IoU) = 86,3 %. Die Leistungsfähigkeit des Faster-R-CNN-Algorithmus wurde mit den Parametern Überlappungsgenauigkeit = 30,2 Bounding Boxes (von möglichen 32) und Korrektklassifikationsrate der Zahnnummern = 93,8 % quantifiziert.
Schlussfolgerung: Die Ergebnisse der von uns angelernten KI-Modelle bezüglich Instanzensegmentierung und Nummerierung der Zähne lagen nahe an der Grundwahrheit, was zeigt, dass ein künftiger erfolgreicher Einsatz im Praxisalltag denkbar ist. Ein KI-Modell mit der Fähigkeit, selbstständig die Zähne in einer PSA zu identifizieren, kann Zahnärzten bei der Diagnostik und Behandlungsplanung helfen und damit die Arbeitseffizienz steigern.
Schlagwörter: künstliche Intelligenz, KI, Deep Learning, Zahnmedizin, neuronales Netz, faltendes neuronales Netzwerk, Convolutional Neural Network, CNN, orales Röntgen, Panoramaschichtaufnahme
