Оценка качества перiapикальных рентгенов на основе глубокого обучения

Почему важны более чёткие стоматологические рентгены

Каждый раз, когда вы садитесь в стоматологическое кресло для рентгена, стоматолог опирается на эти теневые изображения, чтобы выявить кариес, инфекции и потерю кости. Но такие снимки удивительно легко испортить: угол может быть неверным, части зуба могут оказаться вне кадра, или царапины могут скрывать детали. Каждый неудачный снимок может означать повторный рентген — и больше радиации для пациента. В этом исследовании изучают, может ли мощный тип искусственного интеллекта автоматически проверять качество стоматологических рентгенов в режиме реального времени, помогая получить правильный снимок с первого раза.

Проблема размытых или обрезанных изображений

Стоматологи регулярно используют периапикальные рентгенограммы — крупные планы, показывающие отдельные зубы и окружающую кость — для диагностики таких проблем, как глубокий кариес и инфекции у верхушки корня. Тем не менее эти изображения — одни из самых часто отклоняемых в стоматологической радиологии: примерно один из шести требует повторной съёмки. Небольшие ошибки в расположении сенсора во рту или в угле рентгеновского луча могут искажать или накладывать зубы, обрезать коронковую или корневую область или вовсе частично пропустить изображение. Сегодня решение о том, достаточно ли «хорош» снимок, принимается визуально, что медленно, субъективно и варьируется от человека к человеку.

Обучение компьютера видеть как стоматолог-эксперт

Исследователи поставили цель выяснить, можно ли обучить современную систему глубокого обучения судить о таких рентгенах так же последовательно, как опытный рентгенолог. Они собрали 3 594 периапикальных изображения из одной больницы, все сделанные на одном и том же аппарате. Эксперты пометили каждое изображение по тому, какая часть рта на нём показана — например, верхние моляры или нижние резцы — и по наличию шести типичных проблем: неверный вертикальный угол, неверный горизонтальный угол, отсутствие части коронки, отсутствие части области у верхушки корня, конусная обрезка (когда часть пластинки не получает рентгеновского излучения) или царапины на пластинке. Чтобы «ключ ответов» был надёжным, два эксперта маркировали изображения независимо, а третий разрешал разногласия, что в целом обеспечило очень высокое согласие.

Как ИИ учился на тысячах рентгенов

Команда использовала известную архитектуру глубокого обучения ResNet50, первоначально обученную на обычных фотографиях, и адаптировала её для стоматологических изображений. Вместо одной универсальной модели они создали семь специализированных: одну для определения показанной области зубов и шесть отдельных моделей, каждая из которых отвечала «да» или «нет» для определённого типа дефекта. Изображения разделили на обучающую и тестовую выборки. Во время обучения компьютер видел множество изменённых версий каждого рентгена — отражённые, слегка сдвинутые, масштабированные или с добавлением шума — чтобы научиться игнорировать незначительные вариации и сосредоточиться на реальных проблемах качества. В систему также добавляли дополнительные копии редких типов дефектов, чтобы ИИ не был смещён в пользу более частых, нормальных изображений.

Насколько хорошо ИИ оценивал качество изображений

При тестировании на ранее невиданных изображениях система ИИ показала впечатляющие результаты. Для определения показанной области рта она достигла показателя площади под кривой (AUC) 0,997 из 1. Для пяти из шести типов дефектов — неверный вертикальный угол, неверный горизонтальный угол, отсутствие коронки, отсутствие области у верхушки корня и конусная обрезка — показатели точности находились в «отличном» диапазоне, часто близки к идеальным. Самой сложной задачей оказалось обнаружение царапин, вероятно потому, что они сильно варьируются по внешнему виду и могут перекрываться с яркими стоматологическими материалами, однако и в этой категории система показала хорошие результаты. Эти выводы указывают на то, что компьютер может надёжно определить, где сделан снимок и соответствует ли он базовым стандартам качества.

Что это может значить в стоматологическом кресле

Для пациентов это означает меньше повторных рентгенов, более последовательные диагнозы и, возможно, меньшее общее облучение. Встроенная в цифровые рентген-системы, такая ИИ-система могла бы давать немедленную обратную связь — предупреждать оператора, что у зуба обрезана корневая часть или угол исказил изображение — прежде чем пациент покинет кресло. В долгосрочной перспективе анализ тысяч сохранённых снимков может выявить закономерности, например, какие положения зубов или какие операторы чаще дают бракованные снимки, что поможет целенаправленному обучению. Авторы отмечают, что систему ещё нужно протестировать на изображениях из других клиник и с других аппаратов, но их результаты указывают на будущее, где умное программное обеспечение незаметно контролирует каждый стоматологический рентген, помогая гарантировать, что каждый снимок будет чётким, полным и действительно стоящим того, чтобы быть сделанным.

Цитирование: Chi, X., Wang, M., Gao, Y. et al. Deep learning-based assessment of periapical radiographic image quality. Sci Rep 16, 5047 (2026). https://doi.org/10.1038/s41598-026-35100-9

Ключевые слова: качество стоматологических рентгенов, искусственный интеллект в стоматологии, глубокое обучение, периапикальный рентген, контроль качества изображения