Экспериментальный анализ точности идентификации цефалометрических ориентиров на боковых телерентгенограммах

Цель. Оценить перспективность применения нейронных сетей для цефалометрического анализа при помощи анализа точности ручной иидентификации анатомических ориентиров на цифровых латеральных телерентгенограммах.

Материалы и методы. Выполнена разметка 100 обезличенных телерентгенограмм в боковой проекции одиннадцатью врачами- ортодонтами по 21 параметру, получено 23100 цифровых рентгеновских изображения с нанесенной на них опорной точкой. Проведено сравнение координат опорной точки с «базовой точкой», то есть усредненной координатой для каждой опорной точки среди всех ее локализаций.

Результаты. По критерию среднего отклонения от «базовой точки» наилучшая точность достигнута для вершин режущих краев центральных резцов верхней (is) (0,589, ДИ = 95%) и нижней челюстей (ii) (0,835, ДИ = 95%), а также для середины входа в турецкое седло (S) (0,662, ДИ = 95%). Для группы ориентиров с наименьшей согласованностью, куда вошли такие точки как Po (4,330, ДИ = 95%), Pt (2,999, ДИ = 95%) и Ba (2,887, ДИ = 95%), для автоматизации идентификаций и повышения качества цефалометрического анализа, вероятно, будет недостаточным применение только искусственных нейронных сетей и потребуется внедрение других элементов машинного обучения.

Заключение. Учитывая результаты нашего исследования, можно сделать вывод, что предложенный метод демонстрирует высокую точность для большинства точек и может быть использован для автоматизации цефалометрического анализа с дальнейшим развитием технологий машинного обучения.

1. Рогацкий Д.В. Лучевая диагностика в стоматологии: 2D/3D/. – М.: ТАРКОММ, 2021. – 403 с.

2. Kamoen A, Dermaut L, Verbeeck R. The clinical significance of error measurement in the interpretation of treatment results. Eur J Orthod. 2011; 14: 569-78.

3. Tng TT, Chan T, Hägg U, Cooke M. Validity of cephalometric landmarks. An experimental study. Eur J Orthod. 1994; 14: 110-20. doi: 10.1093/ejo/16.2.110.

4. Bichu YM, Hansa I, Bichu AY, Premjani P, Flores-Mir C, Vaid NR. Applications of artificial intelligence and machine learning in orthodontics: a scoping review. Prog Orthod. 2021; 22(1): 18. doi: 10.1186/s40510-021-00361-9.

5. Muraev AA, Tsai P, Kibardin I, Oborotistov N, et al. Frontal cephalometric landmarking: humans vs artificial neural networks. Int J Comput Dent. 2020; 23(2): 139-148.

6. Kök H, Izgi MS, Acilar AM. Determination of growth and development periods in orthodontics with artificial neural network. Orthod Craniofac Res. 2021; 24(S2): 76-83. doi: 10.1111/ocr.12443.

7. Yao J, Zeng W, He T, Zhou S, et al. Automatic localization of cephalometric landmarks based on convolutional neural network. Am J Orthod Dentofacial Orthop. 2022; 161(3): e250-e259. doi: 10.1016/j.ajodo.2021.09.012.

8. Londono J, Ghasemi S, Hussain SA, et al. Evaluation of deep learning and convolutional neural network algorithms accuracy for detecting and predicting anatomical landmarks on 2D lateral cephalometric images: A systematic review and meta-analysis. Saudi Dent J. 2023; 35(5): 487-497. doi: 10.1016/j.sdentj.2023.05.014.

9. Hwang HW, Park J, Moon JH, et al. Automated Identification of Cephalometric Landmarks: Part 2. Might It Be Better Than human? Angle Orthod. 2020; 90(1): 69-76. doi: 10.2319/022019-129.1.

10. Bajjad AA, Gupta S, Agarwal S, et al. Use of artificial intelligence in determination of bone age of the healthy individuals: A scoping review. J World Fed Orthod. 2024; 13(2): 95-102. doi: 10.1016/j.ejwf.2023.10.001.

11. Czako L, Sufliarsky B, Simko K, Sovis M, et al. Exploring the Practical Applications of Artificial Intelligence, Deep Learning, and Machine Learning in Maxillofacial Surgery: A Comprehensive Analysis of Published Works. Bioengineering (Basel). 2024; 11(7): 679. doi: 10.3390/bioengineering11070679.

12. Оборотистов Н.Ю., Мураев А.А., Мокренко М.Е. и др. Сравнение традиционной – ручной и автоматической систем расстановки цефалометрических точек на телерентгенограмме головы в боковой проекции в специализированных программах // Ортодонтия. – 2022. – №4(100). – С.22-29.

13. Колсанов А.В., Попов Н.В., Аюпова И.О., Ивлева А.И. Согласованность мнений экспертов при изучении позиции опорных точек для изучения мягкотканного профиля лица на цифровых телерентгенологических снимках боковой проекции черепа // Стоматология. – 2021. – №100(4). – С.49-54.

14. Subramanian AK, Chen Y, Almalki A, Sivamurthy G, Kafle D. Cephalometric Analysis in Orthodontics Using Artificial Intelligence-A Comprehensive Review. Biomed Res Int. 2022; 2022: 1880113. doi: 10.1155/2022/1880113.

15. Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Artificial intelligence in orthodontics. Journal of Orofacial Orthopedics/Fortschritte der Kieferorthopädie. 2020; 81(1): 52-68. doi: 10.1007/s00056-019-00203-8.

16. Persin LS. Orthodontics. National Manual in 2 vol. T.1. Diagnosis of dentoalveolar anomalies. M.: GEOTAR-Media, 2020. Р.304. doi: 10,33029/9704-5408-4-1-ONRD-2020-1-304.

17. Meric P, Naoumova J. Web-based Fully Automated Cephalometric Analysis: Comparisons between App-aided, Computerized, and Manual Tracings. Turkish Journal of Orthodontics. 2020; 33(3): 142-149. doi: 10.5152/turkjorthod.2020.20062.

18. Schwendicke F, Chaurasia A, Arsiwala L, et al. Deep learning for cephalometric landmark detection: systematic review and meta-analysis. Clin Oral Investig. 2021; 25(7): 4299-4309. doi: 10.1007/s00784-021-03990-w.

19. Gong BW, Chang S, Zuo FF, et al. Automated cephalometric landmark identification and location based on convolutional neural network. Zhonghua Kou Qiang Yi Xue Za Zhi. 2023; 58(12): 1249-1256. doi: 10.3760/cma.j.cn112144-20230829-00118.

20. Butul B, Sharab L. Obstacles behind the innovation-a peek into Artificial intelligence in the field of orthodontics. A Literature review. The Saudi Dental Journal. 2024. doi: 10.1016/j.sdentj.2024.03.008.

21. Ahn HJ, Soo-Hwan BSH, Baek SH, et al. A Comparative Analysis of Artificial Intelligence and Manual Methods for Three-Dimensional Anatomical Landmark Identification in Dentofacial Treatment Planning. Bioengineering. 2024; 11(4): 318. doi: 10.3390/bioengineering11040318.

22. Silva TP, Pinheiro MCR, Freitas DQ, et al. Assessment of accuracy and reproducibility of cephalometric identification performed by 2 artificial intelligence-driven tracing applications and human examiners. Oral Surgery, Oral Medicine, Oral Pathology and Oral Radiology. 2024. 137(4): 431-440. doi: 10.1016/j.oooo.2024.01.011.

23. Durão AR, Pittayapat P, Rockenbach MI, Olszewski R, et al. Validity of 2D lateral cephalometry in orthodontics: a systematic review. Prog Orthod. 2013; 14(1): 31. doi: 10.1186/2196-1042-14-31.

24. Kotuła J, Kuc AE, Lis J, Kawala B, Sarul M. New Sagittal and Vertical Cephalometric Analysis Methods: A Systematic Review. Diagnostics. 2022; 12(7): 1723. doi: 10.3390/diagnostics12071723.

25. Kattan EE, Kattan MH, Elhiny OA. A New Horizontal Plane of the Head, ID Design Press, Skopje. Repub. Maced. Open Access Maced. J. Med. Sci. 2018; 6: 767-771. doi: 10.3889/oamjms.2018.172.

26. Kumar V, Sundareswaran S. Cephalometric Assessment of Sagittal Dysplasia: A Review of Twenty-One Methods. Journal of Indian Orthodontic Society. 2014; 48(1): 33-41. doi: 10.5005/jp-journals-10021-1215.

27. Houston WJB, Maher RE, McElroy D, Sherriff M. Sources of error in measurements from cephalometric radiographs. Eur J Orthod. 1986; 14: 149-51. doi: 10.1093/ejo/8.3.149.

28. Baumrind S, Frantz RC. The reliability of head film measurements. 1. Landmark identification. Am J Orthod. 1971; 14: 111-27. doi: 10.1016/0002-9416(71)90028-5.

29. Park JA, Lee JS, Koh KS, Song WC. The use of a zygomatic arc as a reference line for clinical applications and anthropological research. Surg. Radiol. Anat. 2019; 41: 501-505.

30. Uğurlu M. Performance of a Convolutional Neural Network-Based Artificial Intelligence Algorithm for Automatic Cephalometric Landmark Detection. Turk J Orthod. 2022; 35(2): 94-100. doi: 10.5152/TurkJOr-thod.2022.22026.

31. Lindner C, Wang CW, Huang CT, Li CH, et al. Fully Automatic System for Accurate Localisation and Analysis of Cephalometric Landmarks in Lateral Cephalograms. Sci Rep. 2016; 6: 33581. doi: 10.1038/srep33581.

32. Kim YH, Lee C, Ha EG, Choi YJ, Han SS. A fully deep learning model for the automatic identification of cephalometric landmarks. Imaging Sci Dent. 2021; 51(3): 299-306. doi: 10.5624/isd.20210077.

33. Durão AP, Morosolli A, Pittayapat P, et al. Cephalometric landmark variability among orthodontists and dentomaxillofacial radiologists: a comparative study. Imaging Sci Dent. 2015; 45: 213-220.

34. Lau PY, Cooke MS, Hägg U. Effect of training and experience on cephalometric measurement errors on surgical patients. Int J Adult Orthodon Orthognath Surg. 1997; 12: 204-213.

35. Аюпова И.О., Морина А.В., Колсанов А.В. и др. Сравнительная оценка методов цефалометрического анализа телерентгенограмм боковой проекции черепа // Институт стоматологии. – 2023. – №1(98). – С.76-78.

36. Gravely JF, Benzies PM. The clinical significance of tracing error in cephalometry. Br J Orthod. 1974; 1: 95-101.

37. Колсанов А.В., Попов Н.В., Аюпова И. О. и др. Определение релевантности телерентгенографических исследований в практике врачей-ортодонтов // Медицинская техника. – 2023. – №3(339). – С.29-32.

38. Kolsanov AV, Popov NV, Ayupova IO, et al. Determination of the Usability of Teleroentgenographic Studies in Orthodontic Practice. Biomedical Engineering. 2023; 57(3): 195-199. doi: 10.1007/s10527-023-10296-6.

39. Tanikawa C, Yamamoto T, Yagi M, Takada K. Automatic recognition of anatomic features on cephalograms of preadolescent children. Angle Orthod. 2010; 80(5): 812-20. doi: 10.2319/092909-474.1.