PRAD: Periapical Radiograph Analysis Dataset and Benchmark Model Development

要約

人工知能の極めて重要な技術であるDeep Learning（DL）は、最近、歯科補助診断の領域でかなりの牽引力を獲得しました。
ただし、そのアプリケーションは、主にパノラマレントゲン写真やコーンビームコンピューター断層撮影などのイメージングモダリティに限定されており、特に根性X線撮影（PR）をターゲットにする補助分析に焦点が当てられています。
PRは、低コストで詳細な局所病変を捕捉する能力により、歯内療法および歯周で最も広範囲に利用されているイメージングモダリティです。
それにもかかわらず、解像度の制限やアーティファクトなどの課題は、PRの注釈と認識を複雑にし、公開され、大規模で高品質のPR分析データセットの不足につながります。
この希少性は、PR分析におけるDLアプリケーションの進歩を多少妨げています。
この論文では、PR分析用のデータセットであるPrad-10kを紹介します。
PRAD-10Kは、9つの異なる解剖学的構造、病変、人工修復物または医療機器のために専門歯科医が提供するピクセルレベルの注釈を備えた10,000の臨床根性X線撮影画像で構成されています。また、典型的な条件または病変を持つ画像の分類ラベルも含まれています。
さらに、PRNETという名前のDLネットワークを導入して、PRセグメンテーションタスクのベンチマークを確立します。
実験結果は、PRNETがPRAD-10Kデータセットで以前の最先端の医療画像セグメンテーションモデルを上回ることを示しています。
コードとデータセットは公開されます。

要約(オリジナル)

Deep learning (DL), a pivotal technology in artificial intelligence, has recently gained substantial traction in the domain of dental auxiliary diagnosis. However, its application has predominantly been confined to imaging modalities such as panoramic radiographs and Cone Beam Computed Tomography, with limited focus on auxiliary analysis specifically targeting Periapical Radiographs (PR). PR are the most extensively utilized imaging modality in endodontics and periodontics due to their capability to capture detailed local lesions at a low cost. Nevertheless, challenges such as resolution limitations and artifacts complicate the annotation and recognition of PR, leading to a scarcity of publicly available, large-scale, high-quality PR analysis datasets. This scarcity has somewhat impeded the advancement of DL applications in PR analysis. In this paper, we present PRAD-10K, a dataset for PR analysis. PRAD-10K comprises 10,000 clinical periapical radiograph images, with pixel-level annotations provided by professional dentists for nine distinct anatomical structures, lesions, and artificial restorations or medical devices, We also include classification labels for images with typical conditions or lesions. Furthermore, we introduce a DL network named PRNet to establish benchmarks for PR segmentation tasks. Experimental results demonstrate that PRNet surpasses previous state-of-the-art medical image segmentation models on the PRAD-10K dataset. The codes and dataset will be made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google