BMC Oral Health:计算机辅助技术在牙囊肿、肿瘤和脓肿病变检测中的应用

确认牙囊肿、肿瘤或脓肿病变最传统的方法是进行切口或切除活检。然后将样本送到口腔病理学家那里，他在显微镜下检查组织以检查是否有异常。这种方法的成功取决于针头放置的准确性，口腔病理学家的技能和经验。而不具代表性的样本是无效的，病人可能不得不再次切除活检。还有许多其他的方法来确定口腔癌的存在或程度。X光片在评估口腔癌的存在和范围方面特别有帮助，因为它们提供了受影响区域的非侵入性和全面的视图，有助于早期发现和精确的治疗计划。最有价值的、标准的和常规使用的诊断工具之一是X光片，它是诊断牙科疾病的临床检查的辅助手段。这是一种无痛快速的方法，是最受欢迎和可靠的方法。

有效的诊断和早期干预是预防牙齿并发症的关键，在这一过程中，各种放射成像方式起着关键作用。牙脓肿和牙囊肿是影响上颌和下颌骨的常见根尖周围疾病，及时发现和治疗可以使患者避免大量的不适和费用。临床分类有助于区分这些病变，每个病变都有其独特的原因。在牙齿问题发展成更严重的并发症之前发现和治疗牙齿问题可以节省时间、金钱和疼痛。各种牙科X线摄影方式，如口腔内根尖周、全景和锥形束计算机断层X线摄影在诊断和治疗计划中起着关键作用。口腔全景图像不仅与口腔疾病有关，而且与各种全身性疾病有关，对病变的识别具有重要作用。这最终有助于临床医生计划、治疗和转诊全身性疾病。通过分析产生的具有不同强度波动模式的放射图像，计算机辅助图像分析可以识别异常组织肿块。自动分割将简化病变分析，使临床更容易发现和识别病变。口腔全景图片由于其均匀光滑、呈球形或椭圆形的边界，无法可靠地区分病变。为了帮助病理学家检测囊肿和肿瘤，研究人员设计了利用牙科全景X线片进行计算机辅助诊断的定量方法。

口腔癌分割分离了医学图像中的口腔癌。这可以手动完成，也可以使用计算机视觉自动完成。自动分割比人工分割更准确，但计算量大，耗时长，不精确。这个过程从病灶的分割开始。粗糙集、模糊逻辑和神经网络是软计算方法的例子，它们可以用来得出比传统方法更智能、更经济、更容易理解的解决方案。人工神经网络基于数据库中存储的数据有效地分析和预测疾病，为临床医生提供了一个有用的工具。在现场可编程门阵列(FPGA)上实现神经网络使其在软件定义的硬件环境中具有更强的适应性。FPGA是实时应用的理想选择，因为它们体积小巧，处理速度快。

灰度共生矩阵(GLCM)是一种分析图像像素间空间关系的统计方法。它建立一个矩阵，显示在给定距离和方向上每个灰度级组合的频率。GLRLM(灰度运行长度矩阵)是一种测量图像中具有相同灰度的连续像素长度的统计方法。它为每个灰色级别建立一个运行长度频率矩阵。GPGA(灰度峰值分组分析)是一种统计方法，对图像灰度直方图中的峰值进行计数和大小。它为每个灰度级建立一个峰值大小频率矩阵。

小波分析是一种将信号分解成小波的数学方法。每个信号小波都有特定的频率和尺度。分析小波系数可以提取照片的特征。采用小波图像处理方法对未增强的口腔全景X线片进行异常检测。使用纹理分析分析可以识别肿瘤、脓肿和囊性病变的图像特征。图像的特征来源于GLCM，包括相关性、对比度、均匀性和能量。当对图像进行小波变换时，计算系数为。使用GLCM和小波变换图像特征作为神经网络训练过程的输入向量。

根据网络的结论，图像被分为“正常”和“异常”两类。采用基于强度的分割方法在不规则图像中定位病灶区域。为了更精确地诊断口腔肿瘤、囊肿或脓肿，在系统生成器& XilinX ISE 14.3的帮助下，在FPGA上创建了人工神经网络。本研究的目的是比较全景牙科图像处理对牙囊肿、脓肿和肿瘤病变的诊断准确性与实际诊断的比较。

研究示意图

数据采集-成釉细胞瘤(牙肿瘤)口腔全景图像-数据采集-成釉细胞瘤(牙肿瘤)口腔全景图像。在下颌右下后牙区观察到放射透光度增加，边缘不明确，相关牙齿结构缺失

得到的OPG图像的预处理和增强——展示了得到的OPG图像的预处理和增强。在这一步中，从图像中去除伪影和噪声

形态学处理提取感兴趣的区域-它展示了形态学处理提取感兴趣的区域。在这一步中，病变与附近的解剖标记相关联，并从OPG图像中分离出来

它显示了叠加在原始图像上的区域最大值，以增强感兴趣区域(ROI)。在这里，病变被分割并进行小波和纹理分析(GLCM, GLRLM)。

材料与方法：回顾性研究了172张病变包括牙囊肿、肿瘤或脓肿的牙科全景X线片。不符合诊断质量技术标准的X线片(如明显的牙齿重叠、弥散图像或失真)从样本中排除。本研究采用的方法分为五个阶段。首先，对X线片进行改进，对感兴趣的区域进行人工分割。利用各种特征提取技术，如GLCM、GLRLM和小波分析，从感兴趣的区域收集信息。随后，将病变分类为囊肿、肿瘤、脓肿或使用支持向量机(SVM)分类器。最后，将数据转换为Microsoft EXcel电子表格，并使用社会科学统计软件包SPSS (version 21)进行统计分析。最初计算描述性统计。对于推理分析，以p值< 0.05确定统计学显著性。敏感性，特异性和准确性被用来发现评估和实际诊断之间的显著差异。

结果:GLCM识别牙囊肿、牙肿瘤、牙脓肿的准确率为98%，小波分析准确率为91%，GLRLM准确率为95%。曲线下面积(AUC)数表明GLCM具有较高的精度。结果表明，GLCM的准确度为98%。

结论:GLCM特征可用于进一步研究。在提高性能和训练后，它可以支持常规的组织学诊断，并可以帮助临床医生制定准确和自发的治疗计划。

原始出处：

Kumar VS,  Kumar PR,  Yadalam PK, Machine learning in the detection of dental cyst, tumor, and abscess lesions.BMC Oral Health 2023 Nov 06;23(1)