Talia Yeshua
Problemstellung: Panoramabilder werden sehr häufig verwendet, um die oromaxillofazialen Strukturen in einem einzigen Bild darzustellen, wobei die Patientenbelastung minimal ist und die Strahlendosis gering ist. Derzeit gibt es jedoch keine allgemeingültige Vorgehensweise zum Erstellen eines spezifischen Röntgenberichts für Panoramabilder. Der Einsatz künstlicher Intelligenz kann die Erstellung eines solchen Berichts erleichtern, was die Patientenbehandlung und -kommunikation weiter verbessern würde. Methodik und theoretische Ausrichtung: Ein Support Vector Machine (SVM)-Algorithmus wurde zum Abbilden von Zahnrestaurationen in Panoramabildern verwendet. Dreiundachtzig anonymisierte Panoramabilder wurden analysiert. Die Bilder enthielten insgesamt 738 Zahnrestaurationen, die in 8 Kategorien gruppiert waren, nämlich Füllungen, Kronen, Wurzelkanalbehandlungen und Implantate. Ein Computervisionsalgorithmus auf der Grundlage adaptiver Schwellenwerte wurde entwickelt, um die Restaurationen mit hoher Röntgenopazität automatisch zu segmentieren. Anschließend extrahierte der Algorithmus Vektoren numerischer Merkmale, die die Kontur und die Textur jeder segmentierten Restauration charakterisieren. Mithilfe dieser Vektoren wurde der SVM-Algorithmus trainiert, um die Restaurationen anhand der einzigartigen Merkmale zu klassifizieren, die jeden Restaurationstyp charakterisieren. Die Klassifizierungsleistung wurde mithilfe eines Kreuzvalidierungsansatzes bewertet. Ergebnisse: Der Algorithmus segmentierte 1305 Ergebnisse, darunter 698 der 738 Zahnrestaurationen (94,6 %) und andere röntgendichte Bereiche, die fälschlicherweise segmentiert wurden. Nach der SVM-Klassifizierung wurden all diese röntgendichten Bereiche nicht auf dem Bild angezeigt, da sie korrekt als falsche Markierungen klassifiziert wurden. Einige Restaurationen wurden jedoch ebenfalls als falsche Markierungen klassifiziert, sodass der Algorithmus schließlich 90,6 % der Restaurationen anzeigte. Die angezeigten Zahnrestaurationen wurden mit einer Gesamtgenauigkeit von 93,6 % korrekt in die 8 verschiedenen Kategorien eingeteilt. Schlussfolgerung und Bedeutung: Basierend auf der einzigartigen Form und Graustufenverteilung, die jede Art von Zahnrestauration in Panoramabildern charakterisiert,