Podejście oparte na inteligencji obliczeniowej do klasyfikacji próchnicy na zdjęciach rentgenowskich z wykorzystaniem zintegrowanego zmiękczonego grupowania C-means z redukcją cech i ważoną macierzą

Dlaczego lepsze wykrywanie ubytków ma znaczenie

Dentyści w dużej mierze polegają na zdjęciach rentgenowskich, aby wykryć zmiany próchnicowe niewidoczne gołym okiem. Jednak te obrazy często są zaszumione, nieostre i mają niski kontrast, co sprawia, że wczesne ubytki łatwo przeoczyć. W badaniu przedstawiono nową metodę komputerową, która pomaga dokładniej i bardziej konsekwentnie identyfikować obszary z próchnicą na zdjęciach rentgenowskich. Dzięki temu może wspierać stomatologów we wcześniejszym wykrywaniu problemów, lepszym planowaniu leczenia oraz poprawie dostępu do opieki wysokiej jakości w placówkach, które nie dysponują zaawansowanym sprzętem.

Wyzwania związane z odczytem zdjęć rentgenowskich

Próchnica zębów dotyczy osób w każdym wieku i może prowadzić do bólu, zakażenia i utraty zęba, jeśli nie zostanie w porę leczona. Tradycyjne zdjęcia rentgenowskie pokazują płaskie, dwuwymiarowe ujęcie złożonych struktur trójwymiarowych. Małe zmiany mogą być ukryte przez nakładające się tkanki, rozmyte przez ruch pacjenta lub zasłonięte przez metalowe wypełnienia. Ponadto wiele szpitali — zwłaszcza w regionach o ograniczonych zasobach — nadal korzysta z podstawowych aparatów rentgenowskich, które generują obrazy o nierównomiernej jasności i znacznym szumie. Czynniki te utrudniają nawet doświadczonym stomatologom wiarygodne odróżnienie drobnej, wczesnej zmiany próchnicowej od normalnych wariantów struktury zęba.

Ograniczenia obecnych metod AI

W ostatnich latach badacze zwrócili się ku sztucznej inteligencji do analizy obrazów stomatologicznych. Systemy głębokiego uczenia potrafią osiągać bardzo dobre wyniki, ale mają istotne wady. Zazwyczaj potrzebują tysięcy starannie oznakowanych obrazów, które muszą być adnotowane przez ekspertów stomatologii — proces powolny i kosztowny. Wymagają także wydajnych komputerów i procesorów graficznych, których wiele placówek nie posiada. Nawet gdy takie systemy działają dobrze, często zachowują się jak „czarna skrzynka”, dostarczając niewiele informacji, dlaczego dany obszar został uznany za zmieniony lub zdrowy. Istniejące metody mają też problemy z subtelnymi, wczesnymi zmianami i mogą być wrażliwe na różnice między aparaturą, jakością obrazu i populacjami pacjentów.

Nowy sposób pozwalający danym przemówić

W badaniu zaproponowano inną strategię opartą na ulepszonej formie rozmytego grupowania C-means, technice grupującej piksele obrazu według podobieństwa. Zamiast zakładać, że wszystkie cechy obrazu są jednakowo ważne, nowa metoda — nazwana FCM-FRWS — automatycznie uczy się, które cechy mają największe znaczenie przy rozróżnianiu próchnicy od zdrowej tkanki. Przypisuje wagę każdej cesze (takiej jak lokalna jasność, struktura tekstury czy pozycja), stopniowo osłabiając te, które wprowadzają zamieszanie, i wzmacniając te, które wyraźnie wskazują na próchnicę. Cechy, które konsekwentnie wnoszą niewiele, są usuwane, co redukuje szum i przyspiesza proces. To grupowanie łączy się z przemyślanymi etapami przygotowania obrazu: najpierw zdjęcia są normalizowane do wspólnego poziomu kontrastu, następnie wygładzane, by zmniejszyć losowy szum, a na końcu oczyszczane przy użyciu prostych operacji kształtowych, tak aby kontury zębów i potencjalne ubytki były łatwiejsze do śledzenia.

Wyostrzenie obrazu próchnicy

Po tym jak ważone grupowanie wstępnie oddzieliło prawdopodobne obszary zęba, tła i podejrzanych miejsc, metoda stosuje klasyczne, ale skuteczne narzędzie zwane progowaniem Otsu, aby czyściej podzielić piksele na grupy „zmiana” i „brak zmiany” na podstawie ich jasności. Następnie krok dylatacji morfologicznej nieznacznie powiększa i łączy rozproszone plamki, tak aby każda płachta próchnicy była reprezentowana jako jedna spójna struktura, a nie rozsiane kropki. Pełny proces — przetwarzanie wstępne, ważone grupowanie cech i dopracowane progowanie — przetestowano na 890 zdjęciach rentgenowskich ze szpitali w północno-wschodniej Tajlandii, obejmujących dorosłych i dzieci. Jako odniesienie użyto oznaczeń od pięciu doświadczonych stomatologów. Średnio system prawidłowo sklasyfikował ponad 91% pikseli, z podobnie wysokimi wynikami czułości (wykrywanie prawdziwej próchnicy), swoistości (unikanie fałszywych alarmów) oraz dużym nakładaniem się z oznaczeniami stomatologów. Testy wewnętrzne na różnych podzbiorach danych wykazały, że metoda pozostaje stabilna i nie ogranicza się do zapamiętywania przykładów.

Jak to może pomóc pacjentom i placówkom

W przeciwieństwie do wielu nowoczesnych narzędzi AI, podejście to nie wymaga dużego oznakowanego zbioru treningowego ani specjalistycznego sprzętu i działa efektywnie na zwykłym komputerze. To czyni je atrakcyjnym dla mniejszych szpitali, klinik dydaktycznych i praktyk w warunkach o ograniczonych zasobach, które nadal polegają na standardowych aparatach rentgenowskich. Metoda może pełnić rolę drugiego czytającego, wskazując podejrzane obszary do przeglądu przez stomatologa, szczególnie we wczesnych, trudnych do zauważenia etapach próchnicy. Choć nie zastępuje oceny klinicznej i wciąż ma ograniczenia w bardzo zaszumionych lub złożonych przypadkach, badanie pokazuje, że starannie zaprojektowane, przejrzyste algorytmy mogą znacząco poprawić wykrywanie ubytków bez wymagań obliczeniowych głębokiego uczenia. W dłuższej perspektywie takie narzędzia mogłyby zostać zintegrowane bezpośrednio z oprogramowaniem do przeglądania zdjęć rentgenowskich, działając w tle, aby pomóc zmniejszyć liczbę przeoczonych ubytków.

Cytowanie: Wisaeng, K., Muangmeesri, B. A computational intelligence approach for classifying dental caries in X-ray images using integrated fuzzy C-means clustering with feature reduction and a weighted matrix scheme. Sci Rep 16, 5000 (2026). https://doi.org/10.1038/s41598-026-35735-8

Słowa kluczowe: próchnica, obrazowanie rentgenowskie, segmentacja obrazów medycznych, rozmyte grupowanie, asysta komputerowa w diagnostyce