تشخیص پوسیدگی های بین‌دندانی به کمک روش‌های پردازش تصویر در تصاویر رادیوگرافی نمونه جمعیت ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه سید جمال‌الدین اسدآبادی، اسدآباد، ایران

2 گروه رادیولوژی دهان فک و صورت، دانشکده دندانپزشکی، دانشگاه علوم پزشکی همدان، همدان، ایران

3 گروه آمار و اپیدمیولوژی، دانشکده بهداشت، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران

4 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران

چکیده

مقدمه و هدف: با توجه به مشکلات مربوط به تشخیص پوسیدگی مینایی و ارزیابی عمق پوسیدگی‌های بین‌دندانی، تشخیص این قبیل پوسیدگی‌ها با دشواری‌های زیادی همراه است. در این پژوهش روشی برای حل این مشکل با استفاده از تصاویر رادیوگرافی و راهکارهای پردازش تصویر ارائه شده است. هدف از این روش، شناسایی و قطعه بندی نواحی پوسیده دندان‌ها به شکل خودکار است.
مواد و روش ها: به این منظور از تعدادی تصویر دندان خلفی انسانی مربوط به استان همدان در ایران با 158 سطح بین‌دندانی استفاده شده است. در این بخش‌ها 60 پوسیدگی محدود به عاج، 31 پوسیدگی محدود به مینا، 11 پوسیدگی محدود به ناحیه اتصال مینا به عاج و ۵۶ سطح بدون پوسیدگی، مشاهده شدند. دندان‌ها درون بلوک‌های آکریلی آماده سازی شده قرار گرفته و تماس‌های بین‌دندانی و اکلوزالی دندان‌ها بازسازی شد. سپس تصویربرداری دیجیتال انجام شده و نتایج به عنوان ورودی روش پردازش تصویر پیشنهادی در نظر گرفته شده است. در این روش پس از پیش پردازش تصاویر، با اعمال عملگرهای ریخت شناسی و به کمک روش خوشه بندی میانگین K، پوسیدگی‌ها به شکل خودکار تشخیص داده شده اند. نتایج و اطلاعات نهایی توسط نرم‌افزار SPSS مورد تجزیه و تحلیل قرار گرفت.
نتایج: میزان حساسیت روش پیشنهادی برای پوسیدگی‌های عاجی۷/۸۶%، پوسیدگی‌های مینایی۷/۶۷% و پوسیدگی‌های محدود بهDEJ  6/63%  اندازه گیری شد. در این مطالعه اختصاصیت روش پیشنهادی100%، حساسیت کلی 4/78% ،مثبت کاذب 0% ، منفی کاذب 6/21% و دقت روش 86% محاسبه شد.
نتیجه‌گیری: یافته‌های مطالعه حاضر نشان می‌دهد که نرم افزار طراحی شده برای تشخیص پوسیدگی پروگزیمال از دقت تشخیصی قابل قبولی برخوردار است. در روش پیشنهادی، بر اساس مشاهدات با افزایش عمق پوسیدگی، حساسیت تشخیص افزایش می‌یابد؛ بنابراین، تشخیص پوسیدگی عاجی بهتر از پوسیدگی مینا و DEJ است.

کلیدواژه‌ها


عنوان مقاله [English]

A study of image processing techniques application for detection of proximal caries in Iran

نویسندگان [English]

  • Elham Alighardash 1
  • Samira Saati 2
  • Abbas Shokri 2
  • Payam Amini 3
  • Hamed Salek Abdi 2
  • Vahid PourAmin 1
  • Reza Yazdi 4
1 Computer Engineering Department, Sayyed Jamaleddin Asadabadi University, Asadabad, Iran
2 Department of Oral and Maxillofacial Radiology, School of Dentistry, Hamadan University of Medical Sciences, Hamedan, Iran
3 Department of Biostatistics and Epidemiology, School of Health, Ahvaz Jundishapur University of Medical sciences, Ahvaz, Iran
4 Department of Computer Engineering, Bu-Ali Sina University, Hamedan, Iran
چکیده [English]

Background and Objective: Diagnosis of enamel caries and evaluation of proximal caries depth are some of the main problems in caries detection. In this study, a new method based on image processing techniques proposed that applied to radiographic images. The purpose of this method was to automatically identify and segment decayed areas of the teeth.
Materials and Methods: For this study which was done in Hamedan province of Iran, several molar and pre-molar teeth images with 158 inter-proximal surfaces were selected. Sixty teeth with dentinal caries, 31 enamel restricted caries, 11 DEJ limited caries, and finally 56 surfaces without any caries were detected. The teeth were placed inside the prepared acrylic blocks, and the intra-proximal and occlusal contacts of the teeth were reconstructed. Then digital imaging was performed, and the results considered as the input of the proposed image processing method. In the proposed method, after preprocessing of images, by applying morphological operators, and with the help of the K-means clustering, caries were automatically detected. The final results and information were analyzed by SPSS software.
Results: The sensitivity of the proposed method was 86.7% for dentinal caries, 67.7% for enamel caries, and 63.6% of caries that limited to DEJ. The specificity was 100%, and the overall sensitivity reported as 78.4%. There was no false positive, the false negative and the accuracy of the method were 21.6% and 86% respectively.
Conclusions: The findings of the present study show that the software designed to detect proximal caries has acceptable diagnostic accuracy. In the proposed method, based on observations, the sensitivity of caries detection improves with an increase in depth of decay. Therefore, it qualifies better in detecting dentinal caries than enamel and DEJ caries.

کلیدواژه‌ها [English]

  • X-ray imaging
  • digital image processing
  • caries detection
  • k-means clustering
  1. Roberson TM, Lundeen TF. Cariology: the lesion, etiology, prevention and Control. In: Roberson TM, Lundeen TF, editors. Art & Science of operative dentistry. 5th ed. St louis: Mosby; 2007: 65–131.
  2. Farman TT, Gakenheimer DC, Lempicki A, Miller SR, Scheetz JP, Shafie A, et al. Computer-aided maxillofacial radiographic diagnosis: impact of variations in scintillator and acquisition mode. International Congress Series 2003; 1256: 1212-8.
  3. Douglass CW, Valachovic RW, Wijesinha A, Chauncey HH, Kapur KK, McNeil BJ. Clinical efficacy of dental radiography in the detection of dental caries and periodontal diseases. Oral Surgery, Oral Medicine, Oral Pathology 1986; 62(3): 330-9.
  4. Wenzel A. Dental caries. InOral Radiology Pergamon Press 2009; 270-81.
  5. White SC, Hollender L, Gratt BM. Comparison of xeroradiographs and film for detection of proximal surface caries. The Journal of the American Dental Association 1984; 108(5): 755-9.
  6. Duncan RC, Heaven T, Weems RA, Firestone AR, Greer DF, Patel JR. Using computers to diagnose and plan treatment of approval caries detected in radiographs. The Journal of the American Dental Association 1995; 126(7): 873-82.
  7. Bader JD, Shugars DA. Understanding dentists' restorative treatment decisions. Journal of public health dentistry 1992; 52(2): 102-10.
  8. Kay EJ, Nuttall NM, Kniil‐Jones R. Restorative treatment thresholds and agreement in treatment decision‐making. Community dentistry and oral epidemiology 1992; 20(5): 265-8.
  9. Gakenheimer DC. The efficacy of a computerized caries detector in intraoral digital radiography. The Journal of the American Dental Association 2002; 133(7): 883-90.
  10. Wenzel A, Hintze H, Kold LM, Kold S. Accuracy of computer‐automated caries detection in digital radiographs compared with human observers. European Journal of Oral Sciences 2002; 110(3): 199-203.
  11. Behere RR, Lele SM. Reliability of Logicon caries detector in the detection and depth assessment of dental caries: an in-vitro study. Indian Journal of Dental Research 2011; 22(2): 362.
  12. Rad AE, Amin IBM, Rahim MSM, Kolivand H. Computer-aided dental caries detection system from X-ray images. Computational Intelligence in Information Systems 2015; 233-43.
  13. Rad AE, Rahim MSM, Kolivand H, Norouzi A. Automatic computer-aided caries detection from dental x-ray images using intelligent level set. Multimedia Tools and Applications 2018.
  14. Baseri H, Rafeh R, Tafreshi FS, Houshyar M, Khojastepour L. Introducing a dental caries marking software and evaluate radiologists’ disagreement in caries detection using this software. Journal of Dental Biomaterials 2015; 2(1): 10-7.
  15. Valizadeh S, Goodini M, Ehsani S, Mohseni H, Azimi F, Bakhshandeh H. Designing of a Computer Software for Detection of Approximal Caries in Posterior Teeth. Iranian Journal of Radiology 2015;12(4):e16242.
  16. Jan J, Bakar W, Zaripah W, Mathews SM, Okoye LO, Ehler BR, et al. Proximal caries lesion detection using the Canary Caries Detection System: an in vitro study. Journal of Investigative and Clinical Dentistry 2016; 7(4):383-90.
  17. Jablonski-Momeni A, Stachniss V, Ricketts DN, Heinzel-Gutenbrunner M, Pieper K. Reproducibility and Accuracy of the ICDAS-II for Detection of Occlusal Caries in Vitro. Caries Research 2008;42(2):79-87.
  18. Wenzel A. Bitewing and Digital Bitewing Radiography for Detection of Caries Lesions. Journal of Dental Research 2004; 83(suppl 1):C72-C75.