How to categorize a panoramic images database for automatically detection of dental treatments

  1. María Prados-Privado 12
  2. Javier García Villalón 2
  3. Rosa Rojo 23
  4. Antonio Blázquez Torres 2
  5. Carlos Hugo Martínez-Martínez 2
  6. Carlos Ivorra 2
  1. 1 Department of Signal Theory and Communications, Higher Polytechnic School, Universidad de Alcalá de Henares, Spain
  2. 2 Asisa Dental. Research Department, Madrid, Spain
  3. 3 Department of Dentistry, Faculty of Health Sciences, Alfonso X el Sabio University, Madrid, España
Mostrar afiliaciones +
Revista:
Academic Journal of Health Sciences: Medicina Balear

ISSN: 2255-0560

Año de publicación: 2023

Volumen: 38

Número: 2

Páginas: 73-77

Tipo: Artículo

DOI: 10.3306/AJHS.2023.38.02.73 DIALNET GOOGLE SCHOLAR lock_openIbdigital editor

Resumen

Objetivos: El objetivo de este estudio es proporcionar una metodología para categorizar imágenes dentales que serán usadas para detectar objetos dentales sin que exista segmentación por sexo o edad y la cual ayude en el diagnóstico y la práctica clínica. Métodos: 10.677 imágenes panorámicas fueron examinadas por 4 examinadores. En cada diente, los examinadores indicaron la existencia de dicho diente y la posición del mismo de acuerdo a la notación FDI. Posteriormente, para cada diente existente, se detalló la existencia o no de las variables analizadas. Dichas variables son: empastes, coronas, implantes, endodoncias, caries y prótesis. Se realizó un estudio de la concordancia inter e intra examinador. Resultados: Los resultados alcanzados son estadísticamente significativos. Ambas parejas obtuvieron una concordancia casi perfecta, k=0.9, en todas las variables excepto en los empastes, donde kappa toma un valor de k=0.8 y en las caries, donde la concordancia fue moderada. La concordancia intra-examinador fue pobre para las caries y casi perfecta para el resto de variables. Conclusiones: Una correcta categorización es esencial para obtener buenos resultados en las aplicaciones en las que se emplean las redes neuronales y la inteligencia artificial. Este estudio muestra cómo categorizar una base de datos de imágenes panorámicas que vayan a ser empleadas para detectar objetos en el campo de la odontología.

Referencias bibliográficas

  • Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan 7;25(1):44-56.
  • Hackbarth AD. Eliminating Waste in US Health Care. JAMA. 2012 Apr 11;307(14):1513.
  • Lin PL, Lai YH, Huang PW. An effective classification and numbering system for dental bitewing radiographs using teeth region and contour information. Pattern Recognit. 2010 Apr;43(4):1380-92.
  • Miki Y, Muramatsu C, Hayashi T, Zhou X, Hara T, Katsumata A, et al. Classification of teeth in cone-beam CT using deep convolutional neural network. Comput Biol Med. 2017 Jan;80:24-9.
  • Kukafka R. Digital Health Consumers on the Road to the Future. J Med Internet Res. 2019 Nov 21;21(11):e16359.
  • Chen KJ, Gao SS, Duangthip D, Lo ECM, Chu CH. Prevalence of early childhood caries among 5-year-old children: A systematic review. J Investig Clin Dent. 2019 Feb;10(1):e12376.
  • Wenzel A. Dental caries. In: Oral radiology Principles and Interpretation. St. Louis: Elsevier Mosby; 2014. p. 285-98.
  • Thomas MF, Ricketts DN, Wilson RF. Occlusal Caries Diagnosis in Molar teeth from Bitewing and Panoramic Radiographs. Prim Dent Care. 2001 Apr 1;8(2):63-9.
  • Pakbaznejad Esmaeili E, Pakkala T, Haukka J, Siukosaari P. Low reproducibility between oral radiologists and general dentists with regards to radiographic diagnosis of caries. Acta Odontol Scand [Internet]. 2018 Jul 4;76(5):346–50. Available from: https://www.tandfonline.com/doi/full/10.1080/00016357.2018.1460490
  • Akarslan ZZ, Akdevelioğlu M, Güngör K, Erten H. A comparison of the diagnostic accuracy of bitewing, periapical, unfiltered and filtered digital panoramic images for approximal caries detection in posterior teeth. Dentomaxillofacial Radiol. 2008 Dec;37(8):458-63.
  • Diniz MB, Rodrigues JA, Neuhaus KW, Cordeiro RCL, Lussi A. Influence of examiner’s clinical experience on the reproducibility and accuracy of radiographic examination in detecting occlusal caries. Clin Oral Investig. 2010 Oct 8;14(5):515-23.
  • Landis JR, Koch GG. The Measurement of Observer Agreement for Categorical Data. Biometrics. 1977 Mar;33(1):159.
  • Bulman JS, Osborn JF. Measuring diagnostic consistency. Br Dent J. 1989 May 20;166(10):377-81.
  • Wang C-W, Huang C-T, Lee J-H, Li C-H, Chang S-W, Siao M-J, et al. A benchmark for comparison of dental radiography analysis algorithms. Med Image Anal. 2016 Jul;31:63-76.
  • Valachovic RW, Douglass CW, Berkey CS, McNeil BJ, Chauncey HH. Examiner Reliability in Dental Radiography. J Dent Res. 1986 Mar 8;65(3):432-6.
  • Fortes JH, de Oliveira-Santos C, Matsumoto W, da Motta RJG, Tirapelli C. Influence of 2D vs 3D imaging and professional experience on dental implant treatment planning. Clin Oral Investig. 2019 Feb 16;23(2):929-36.
  • Francio LA, Silva FE, Valerio CS, Cardoso CA e A, Jansen WC, Manzi FR. Accuracy of various imaging methods for detecting misfit at the tooth-restoration interface in posterior teeth. Imaging Sci Dent. 2018;48(2):87.
  • Kamburoğlu K, Kolsuz E, Murat S, Yüksel S, Özen T. Proximal caries detection accuracy using intraoral bitewing radiography, extraoral bitewing radiography and panoramic radiography. Dentomaxillofacial Radiol. 2012 Sep;41(6):450-9.
Fuente de los datos: Dialnet