Preview

Медицинская визуализация

Расширенный поиск

Обзор рентгенодиагностических on-line сервисов, основанных на искусственных нейронных сетях в стоматологии

Полный текст:

Аннотация

Цель исследования: анализ доступных on-line сервисов и программ, использующих искусственные нейронные сети (ИНС), в стоматологии, в особенности для цефалометрического анализа.
Материал и методы. Проведен поиск научных публикаций в информационно-аналитических системах PubMed, Google Scholar и eLibrary без ограничения по срокам публикации по комбинациям из следующих ключевых слов: artificial intelligence, deep learning, computer vision, neural network, dentistry, orthodontics, cephalometry, cephalometric analysis. Были проанализированы 1612 статей, из которых 23 публикации использованы для составления обзора.
Результаты. Глубокое машинное обучение на основе ИНС успешно применяется в различных разделах медицины в качестве аналитического инструмента для обработки различных данных. Особенно успешно ИНС применяются для распознавания изображений в рентгенологии и гистологии. В частности, в стоматологии компьютерное зрение используется для диагностики заболеваний челюстно-лицевой области, планирования оперативного лечения, в том числе имплантации, а также для цефалометрического анализа для нужд врачей-ортодонтов и челюстно-лицевых хирургов.
Заключение. В настоящее время существует множество программ и on-line сервисов для цефалометрического анализа. Однако лишь 7 из них используют ИНС для автоматической разметки и анализа снимков. Также недостаточно данных для оценки точности их работы и удобства.

Об авторах

М. Е. Мокренко
ФГАОУ ВО “Российский университет дружбы народов” Минобрнауки России
Россия

аспирант кафедры челюстно-лицевой хирургии и хирургической стоматологии 

Тел.: +7-950-101-03-00

117198 Москва, ул. Миклухо-Маклая, 6, Российская Федерация 



Н. А. Гусейнов
ФГАОУ ВО “Российский университет дружбы народов” Минобрнауки России
Россия

 аспирант кафедры челюстно-лицевой хирургии и хирургической стоматологии 

 117198 Москва, ул. Миклухо-Маклая, 6, Российская Федерация 



Ж. Аль Хаффар
ФГАОУ ВО “Российский университет дружбы народов” Минобрнауки России
Россия

 аспирант кафедры челюстно-лицевой хирургии и хирургической стоматологии  

 117198 Москва, ул. Миклухо-Маклая, 6, Российская Федерация 



Н. С. Тутуров
ФГАОУ ВО “Российский университет дружбы народов” Минобрнауки России
Россия

 канд. мед. наук, доцент кафедры стоматологии детского возраста и ортодонтии 

 117198 Москва, ул. Миклухо-Маклая, 6, Российская Федерация 



М. С. Саркисян
ФГАОУ ВО “Российский университет дружбы народов” Минобрнауки России
Россия

 доктор мед. наук, доцент кафедры ортопедической стоматологии 

 117198 Москва, ул. Миклухо-Маклая, 6, Российская Федерация 



Список литературы

1. Steimann F. On the use and usefulness of fuzzy sets in medical AI. Artif. Intell. Med. 2001; 21 (1–3): 131–137. http://doi.org/10.1016/s0933-3657(00)00077-4

2. McCulloch W.S., Pitts W. A logical calculus of the ideas imminent in nervous activity. Bull. Math. Biophys. 1943; 5: 115–133.

3. Poulton M.M. Computational neural networks for geophysical data processing: Elsevier, 2001. 10 p.

4. Newell A., Simon H.A. Computer science as empirical inquiry: Symbols and search. Commun. ACM. 1976; 19: 113 126.

5. Nilsson N. The Quest for Artificial Intelligence. New York: Cambridge University Press, 2010.

6. Rosenblatt F. The Perceptron: a probabilistic model for information storage and organization in the brain. Psychol. Rev. 1958; 65: 386–408.

7. Bowling M., Fürnkranz J., Graepel T., Musick R. Machine learning and games. Mach. Learn. 2006; 63: 211 215. http://doi.org/10.1007/s10994-006-8919-x

8. Werbos P. Beyond regression: new tools for prediction and analysis in the behavioral sciences. PhD Thesis, Harvard

9. University, 1974.

10. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. USA. 1982; 79: 2554–2558.

11. Park J., Sandberg I.W. Universal approximation using radial-basis-function networks. Neural. Comput. 1991; 3: 246–257.

12. Carpenter G.A., Grossberg S. The ART of adaptive pattern recognition by a self-organizing neural network. Computer. 1988; 21: 77–88.

13. Baxt W.G. Use of an artificial neural network for data analysis in clinical decision-making: the diagnosis of acute coronary occlusion. Neural. Comput. 1990; 2: 480–489.

14. Boon M.E., Kok L.P. Neural network processing can provide means to catch errors that slip through human screening of pap smears. Diagn. Cytopathol. 1993; 9: 411–416.

15. Muraev A.A., Tsai P., Kibardin I. et al. Frontal cephalometric landmarking: humans vs artificial neural networks. Int. J. Comput. Dent. 2020; 23 (2): 139–148.

16. Muraev A.A., Kibardin I.A., Oborotistov N.Yu., Ivanov S.S. Use of neural network algorithms for the automated arrangement of cephalometric markers on lateral cefalograms. REJR. 2018; 8 (4): 16–22. http://doi.org/10.21569/2222-7415-2018-8-2-16-22

17. Ezhov M., Gusarev M., Golitsyna M., et al. Clinically applicable artificial intelligence system for dental diagnosis with CBCT. Sci. Rep. 2021; 11 (1): 15006. http://doi.org/10.1038/s41598-021-94093-9

18. Solovyh E.A., Obrubov A.A., Arranz I. et al. Artificial Intelligence DENTOMO: Opportunities and Prospects for Interpretation of Cone Beam CT in Dentistry. Bull. Exp. Biol. Med. 2021; 170 (5): 686–688. http://doi.org/10.1007/s10517-021-05133-3

19. Lee J.H., Kim D.H., Jeong S.N., Choi S.H. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J. Dent. 2018; 77: 106–111. http://doi.org/10.1016/j.jdent.2018.07.015

20. Kim E.Y., Lim K.O., Rhee H.S. Predictive modeling of dental pain using neural network. Stud. Health Technol. Inform. 2009; 146: 745 746.

21. Prados-Privado M., García Villalón J., Martínez-Martínez C.H. et al. Dental Caries Diagnosis and Detection Using Neural Networks: A Systematic Review. J. Clin. Med. 2020; 9 (11): 3579. http://doi.org/10.3390/jcm9113579

22. Schwendicke F., Golla T., Dreher M., Krois J. Convolutional neural networks for dental image diagnostics: A scoping review. J. Dent. 2019; 91: 103226. http://doi.org/10.1016/j.jdent.2019.103226

23. Orhan K., Bayrakdar I.S., Ezhov M., Kravtsov A., Özyürek T. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. Int. Endod. J. 2020; 53 (5): 680–689. http://doi.org/10.1111/iej.13265

24. Orhan K., Bilgir E., Bayrakdar I.S. et al. Evaluation of artificial intelligence for detecting impacted third molars on cone-beam computed tomography scans. J. Stomatol. Oral. Maxillofac. Surg. 2021; 122 (4): 333–337. http://doi.org/10.1016/j.jormas.2020.12.006

25. Bayrakdar K.S., Orhan K., Bayrakdar I.S. et al. A deep learning approach for dental implant planning in conebeam computed tomography images. BMC Med. Imaging. 2021; 21 (1): 86. http://doi.org/10.1186/s12880-021-00618-z

26. Siddiqui N.R., Hodges S., Sharif M.O. Availability of orthodontic smartphone apps. J. Orthod. 2019; 46 (3): 235–241. http://doi.org/10.1177/1465312519851183

27. Мураев А.А., Гусейнов Н.А., Цай П.А., Кибардин И.А., Буренчев Д.В., Иванов С.С., Оборотистов Н.Ю., Матюта М.А., Грачев Н.С., Ларин С.С. Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы). Клиническая стоматология. 2020; 3 (95): 72–80. http://doi.org/10.37988/1811-153X_2020_3_76

28. Broadbent B. A new X-ray technique and its application to orthodontia. Angle Orthod. 1931; 1: 45–66.

29. Wang C.W., Huang C.T., Hsieh M.C. et al. Evaluation and Comparison of Anatomical Landmark Detection Methods for Cephalometric X-Ray Images: A Grand Challenge. IEEE Trans. Med. Imaging. 2015; 34 (9): 1890–1900. http://doi.org/10.1109/TMI.2015.2412951

30. Wang C.W., Huang C.T., Lee J.H. et al. A benchmark for comparison of dental radiography analysis algorithms. Med. Image Anal. 2016; 31: 63–76. http://doi.org/10.1016/j.media.2016.02.004

31. Alam M.K., Alfawzan A.A. Dental Characteristics of Different Types of Cleft and Non-cleft Individuals. Front. Cell. Dev. Biol. 2020; 8: 789. http://doi.org/10.3389/fcell.2020.00789

32. Yassir Y.A., Salman A.R., Nabbat S.A. The accuracy and reliability of WebCeph for cephalometric analysis. J. Taibah. Univ. Med. Sci. 2021; 17 (1): 57–66. http://doi.org/10.1016/j.jtumed.2021.08.010

33. Alqahtani H. Evaluation of an online website-based platform for cephalometric analysis. J. Stomatol. Oral. Maxillofac. Surg. 2020; 121 (1): 53–57. http://doi.org/10.1016/j.jormas.2019.04.017

34. Meriç P., Naoumova J. Web-based Fully Automated Cephalometric Analysis: Comparisons between Appaided, Computerized, and Manual Tracings. Turk. J. Orthod. 2020; 33 (3): 142–149. Published 2020 Aug 11. http://doi.org/10.5152/TurkJOrthod.2020.20062

35. Silva T.P., Hughes M.M., Menezes L.D.S. et al.Artificial intelligence-based cephalometric landmark annotation and measurements according to Arnett's analysis: can we trust a bot to do that? Dentomaxillofac Radiol. 2021; 20200548. http://doi.org/10.1259/dmfr.20200548

36. Mamta J., Poojita G., Ravinder K. et al. A review on cephalometric landmark detection techniques. Biomed. Signal Processing Control. 2021; 66: 102486. http://doi.org/10.1016/j.bspc.2021.102486

37. Rao G.K.L., Mokhtar N., Iskandar Y.H.P., Srinivasa A.C. Learning orthodontic cephalometry through augmented reality: A conceptual machine learning validation approach. 2018 International Conference on Electrical Engineering and Informatics (ICELTICs). 2018; 133–138. http://doi.org/10.1109/ICELTICS.2018.8548939

38. Sawchuk D., Alhadlaq A., Alkhadra T. et al. Comparison of two three-dimensional cephalometric analysis computer software. J. Orthod. Sci. 2014; 3 (4): 111–117. http://doi.org/10.4103/2278-0203.143230


Рецензия

Для цитирования:


Мокренко М.Е., Гусейнов Н.А., Аль Хаффар Ж., Тутуров Н.С., Саркисян М.С. Обзор рентгенодиагностических on-line сервисов, основанных на искусственных нейронных сетях в стоматологии. Медицинская визуализация. 0;.

For citation:


Mokrenko M.E., Guseynov N.A., Alhaffar J., Tuturov N.S., Sarkisyan M.S. Review of online X-ray diagnostic services based on artificial neural networks in dentistry. Medical Visualization. 0;. (In Russ.)

Просмотров: 54


ISSN 1607-0763 (Print)
ISSN 2408-9516 (Online)