Phân đoạn răng, xoang hàm trên và ống thần kinh hàm dưới trên phim X-quang toàn cảnh bằng trí tuệ nhân tạo
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu nhằm đánh giá hiệu quả của mô hình trí tuệ nhân tạo trong phân đoạn và nhận diện răng, xoang hàm trên và ống thần kinh hàm dưới trên phim X-quang toàn cảnh (panorama). Dữ liệu gồm 3.817 phim panorama của người trưởng thành từ 18 tuổi trở lên. Các cấu trúc giải phẫu được gán nhãn thủ công và sử dụng để huấn luyện mô hình học sâu UperNet với backbone ConvNeXtV2 Femto; dữ liệu được chia theo tỷ lệ huấn luyện, kiểm định và kiểm tra là 8:1:1. Hiệu suất mô hình được đánh giá bằng các chỉ số Precision, Recall, F1-score và IoU. Kết quả cho thấy, ở mức pixel, F1-score đạt 91,93% đối với răng, 97,61% đối với xoang hàm trên và 90,79% đối với ống thần kinh hàm dưới, với mIoU trung bình 87,84%. Ở mức object, F1-score của tất cả các cấu trúc đều vượt 97%. Mô hình học sâu cho thấy khả năng phân đoạn chính xác và ổn định các cấu trúc giải phẫu chính trên phim X-quang panorama, khẳng định tiềm năng ứng dụng trong hỗ trợ chẩn đoán tự động, lập kế hoạch điều trị và đào tạo nha khoa.
Chi tiết bài viết
Từ khóa
Phim X-quang toàn cảnh, phân đoạn cấu trúc giải phẫu, trí tuệ nhân tạo, học sâu
Tài liệu tham khảo
2. Vinayahalingam S, Xi T, Bergé S, et al. Automated detection of third molars and mandibular nerve by deep learning. Sci Rep. 2019; 9(1): 1-7.
3. Ngoc VTN, Agwu AC, Son LH, et al. The combination of adaptive convolutional neural network and bag of visual words in automatic diagnosis of third molar complications on dental X-ray. Diagnostics. 2020; 10(4): 209. doi:10.3390/diagnostics10040209.
4. Viet DH, Son LH, Tuyen DN, et al. Comparing the accuracy of two machine learning models in detection and classification of periapical lesions using periapical radiographs. Oral Radiol. 2024; 40(4): 493-500. doi:10.1007/s11282-024-00759-1.
5. Mai Thị Giang Thanh, Võ Trương Như Ngọc, Ngô Văn Toàn, và cs. Xây dựng hệ dữ liệu hỗ trợ máy học để chẩn đoán sàng lọc sâu răng giai đoạn sớm. Tạp chí Nghiên cứu Y học. 2021; 137(1): 190-197. doi:10.52852/tcncyh.v137i1.40.
6. Cha JY, Yoon HI, Yeo IS, et al. Panoptic segmentation on panoramic radiographs: deep learning-based segmentation of various structures including maxillary sinus and mandibular canal. J Clin Med. 2021; 10(12): 2577.
7. Aung MTZ, Lim SH, Han J, et al. Deep learning-based automatic segmentation of the mandibular canal on panoramic radiographs: a multi-device study. Imaging Sci Dent. 2024; 54(1): 81-91. doi:10.5624/isd.20230245.
8. Bağ İ, Bilgir E, Bayrakdar İŞ, et al. An artificial intelligence study: automatic description of anatomic landmarks on panoramic radiographs in the pediatric population. BMC Oral Health. 2023; 23: 764. doi:10.1186/s12903-023-03532-8.
9. Şahan Keskin A, Eninanç İ. Segmentation of airways and soft tissues on panoramic radiographs using artificial intelligence technology. BMC Oral Health. 2025; 25: 876. doi:10.1186/s12903-025-06187-9.