Uma abordagem de inteligência computacional para classificar cáries dentárias em radiografias usando agrupamento fuzzy C-means integrado com redução de características e um esquema de matriz ponderada

Por que detectar cáries de forma mais inteligente é importante

Os dentistas dependem fortemente de radiografias para identificar a deterioração dentária que não é visível a olho nu. Mas essas imagens frequentemente apresentam ruído, desfoque e baixo contraste, tornando fácil perder cáries em estágio inicial. Este estudo apresenta um novo método computacional que ajuda a identificar áreas cariadas em radiografias dentárias de forma mais precisa e consistente. Ao fazer isso, pode apoiar os dentistas na detecção precoce dos problemas, no planejamento de tratamentos melhores e na ampliação do acesso a cuidados de qualidade em clínicas que não dispõem de equipamentos de ponta.

O desafio de interpretar radiografias dentárias

A cárie dentária afeta pessoas de todas as idades e pode levar a dor, infecção e perda dentária se não for tratada precocemente. Radiografias tradicionais mostram um instantâneo bidimensional de estruturas tridimensionais complexas. Lesões pequenas podem ficar escondidas por tecidos sobrepostos, borradas por movimento do paciente ou obscurecidas por restaurações metálicas. Além disso, muitos hospitais—especialmente em regiões com recursos limitados—ainda utilizam aparelhos de raio X básicos que produzem imagens com brilho desigual e ruído considerável. Esses fatores dificultam, mesmo para dentistas experientes, distinguir de forma confiável uma pequena área de cárie inicial de variações normais na estrutura do dente.

Limitações das abordagens atuais de IA

Nos últimos anos, pesquisadores têm recorrido à inteligência artificial para interpretar imagens dentárias. Sistemas de aprendizado profundo, em particular, podem ter desempenho muito bom, mas trazem desvantagens importantes. Normalmente exigem milhares de imagens cuidadosamente rotuladas, que precisam ser anotadas por especialistas em odontologia—um processo lento e caro. Também demandam computadores potentes e placas gráficas que muitos hospitais não possuem. Mesmo quando esses sistemas funcionam bem, frequentemente atuam como "caixas-pretas", oferecendo pouca explicação sobre por que uma região foi rotulada como cariada ou saudável. Métodos existentes também têm dificuldade com lesões sutis em estágios iniciais e podem ser sensíveis a diferenças entre aparelhos, qualidade da imagem e populações de pacientes.

Uma nova forma de deixar os dados falarem

Este estudo propõe uma estratégia diferente baseada em uma forma aprimorada de agrupamento fuzzy C-means, uma técnica que agrupa pixels de uma imagem por similaridade. Em vez de assumir que todas as características de imagem têm igual importância, o novo método—chamado FCM-FRWS—aprende automaticamente quais atributos são mais relevantes para separar cárie de tecido saudável. Ele atribui um peso a cada característica (como brilho local, textura ou posição), reduzindo gradualmente a influência das que geram confusão e enfatizando as que claramente indicam cárie. Características que consistentemente contribuem pouco são removidas por completo, reduzindo o ruído e acelerando o processo. Esse agrupamento é combinado com etapas inteligentes de preparação da imagem: primeiro, as radiografias são normalizadas para um nível de contraste comum, depois suavizadas para reduzir ruído aleatório e, por fim, limpas usando operações simples baseadas em forma para que os contornos do dente e as potenciais cavidades fiquem mais fáceis de seguir.

Aprimorando a visualização da cárie

Depois que o agrupamento ponderado separa aproximadamente regiões prováveis de dente, fundo e áreas suspeitas, o método aplica uma ferramenta clássica, mas poderosa, chamada limiarização de Otsu para dividir os pixels de forma mais clara em grupos "lesão" e "não lesão" com base no brilho. Uma etapa morfológica de dilatação expande e conecta ligeiramente pontos fragmentados para que cada mancha de cárie seja representada como uma região coerente, e não como pontos dispersos. O pipeline completo—pré-processamento, agrupamento com pesos por característica e limiarização refinada—foi testado em 890 radiografias de hospitais do nordeste da Tailândia, incluindo adultos e crianças. Marcas de referência feitas por cinco dentistas experientes foram usadas como verdade-terreno. Em média, o sistema classificou corretamente mais de 91% dos pixels, com pontuações altas e similares para sensibilidade (detecção de cárie verdadeira), especificidade (evitar alarmes falsos) e forte sobreposição com as marcações dos dentistas. Testes internos em diferentes subconjuntos dos dados mostraram que o método permaneceu estável e não se limitou a memorizar exemplos.

Como isso pode ajudar pacientes e clínicas

Diferente de muitas ferramentas modernas de IA, essa abordagem não exige um grande conjunto de treinamento rotulado nem hardware especializado, e roda de forma eficiente em um computador comum. Isso a torna atraente para hospitais menores, clínicas de ensino e consultórios em ambientes de poucos recursos que ainda dependem de aparelhos de raio X padrão. O método pode atuar como um segundo leitor, sinalizando áreas suspeitas para o dentista revisar, especialmente em estágios iniciais e difíceis de visualizar da cárie. Embora não substitua o julgamento clínico e ainda apresente limites em casos muito ruidosos ou complexos, o estudo mostra que algoritmos cuidadosamente projetados e transparentes podem melhorar significativamente a detecção de cáries sem as demandas computacionais do aprendizado profundo. A longo prazo, essas ferramentas poderiam ser integradas diretamente ao software de visualização de radiografias, trabalhando discretamente em segundo plano para ajudar a garantir que menos cáries passem despercebidas.

Citação: 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

Palavras-chave: cárie dentária, imagens de raios X, segmentação de imagens médicas, agrupamento fuzzy, diagnóstico auxiliado por computador