Подход вычислительного интеллекта для классификации кариеса на рентгеновских снимках с использованием интегрированной нечёткой кластеризации C-средних с сокращением признаков и схемой взвешенной матрицы

Почему важно более точное обнаружение кариеса

Стоматологи во многом полагаются на рентгеновские снимки, чтобы обнаружить разрушение зуба, невидимое невооружённым глазом. Но такие снимки часто бывают шумными, размытыми и имеют низкую контрастность, поэтому ранние очаги кариеса легко пропустить. В этом исследовании предложен новый компьютерный метод, который помогает точнее и более последовательно выявлять зоны поражения на рентгеновских снимках зубов. Это может помочь стоматологам выявлять проблемы на более ранних стадиях, планировать более эффективное лечение и повышать доступ к качественной помощи в клиниках, где нет современного оборудования.

Сложности интерпретации рентгенов зубов

Кариес затрагивает людей всех возрастов и при отсутствии раннего лечения может привести к боли, инфекции и потере зуба. Традиционные рентгеновские снимки показывают плоскую, двумерную проекцию сложных трёхмерных структур. Небольшие поражения могут скрываться за перекрывающимися тканями, размываться из‑за движения пациента или маскироваться металлическими пломбами. Кроме того, многие больницы — особенно в регионах с ограниченными ресурсами — всё ещё используют устаревшие рентгеновские аппараты, дающие изображения с неравномерной яркостью и значительным шумом. Эти факторы затрудняют даже опытным стоматологам надёжно отличить крошечное раннее поражение от нормальных вариаций структуры зуба.

Ограничения существующих подходов ИИ

В последние годы исследователи стали применять искусственный интеллект для чтения стоматологических изображений. Особенно успешны системы глубокого обучения, но у них есть серьёзные недостатки. Как правило, они требуют тысяч тщательно размеченных изображений, аннотацию которых должны выполнять специалисты — это медленный и дорогой процесс. Они также нуждаются в мощных компьютерах и графических процессорах, которые есть не во всех клиниках. Даже когда такие системы работают хорошо, они часто остаются «чёрными ящиками», давая мало объяснений, почему та или иная область помечена как поражённая или здоровая. Существующие методы также испытывают трудности с тонкими, ранними поражениями и чувствительны к различиям в аппаратах, качестве снимков и популяциях пациентов.

Новый подход, позволяющий данным «заговорить»

В этом исследовании предложена иная стратегия, основанная на усовершенствованной форме нечёткой кластеризации C‑средних — технике, группирующей пиксели изображения по схожести. Вместо предположения, что все признаки изображения одинаково важны, новый метод, названный FCM‑FRWS, автоматически обучается определять, какие характеристики имеют наибольшее значение для разделения кариеса и здоровых тканей. Он присваивает вес каждому признаку (например, локальная яркость, текстура или положение), постепенно понижая значение тех, которые вносят путаницу, и усиливая те, что чётко указывают на поражение. Признаки, которые постоянно мало вносят в решение, удаляются вовсе, что уменьшает шум и ускоряет обработку. Эта кластеризация сочетается с продуманной подготовкой изображений: сначала рентгеновские снимки нормализуют до общего уровня контраста, затем сглаживают для уменьшения случайного шума и, наконец, очищают простыми операциями на основе формы, чтобы контуры зубов и возможные полости были проще прослеживаемы.

Уточнение представления поражений

После того как взвешенная кластеризация грубо отделила вероятные области зуба, фона и подозрительных участков, метод применяет классический, но эффективный инструмент — пороговую сегментацию по Оцу — чтобы чище разделить пиксели на группы «поражение» и «не поражение» по их яркости. Шаг морфологического расширения затем слегка увеличивает и соединяет фрагментированные пятна, чтобы каждое поле кариеса представлялось в виде единой связной области, а не разбросанных точек. Полный конвейер — предобработка, кластеризация с учётом весов признаков и уточнённая пороговая обработка — был протестирован на 890 рентгеновских снимках из больниц Северо‑Восточного Таиланда, включая изображения взрослых и детей. В качестве эталона использовались разметки пяти опытных стоматологов. В среднем система правильно классифицировала более 91% пикселей, показывая аналогично высокие показатели чувствительности (обнаружение истинного кариеса), специфичности (избежание ложных тревог) и сильное перекрытие с разметками врачей. Внутренние тесты по различным подвыборкам данных показали стабильность метода и отсутствие простого запоминания примеров.

Как это может помочь пациентам и клиникам

В отличие от многих современных ИИ‑инструментов, этот подход не требует большого размеченного обучающего набора или специализированного оборудования и работает эффективно на обычном компьютере. Это делает его привлекательным для небольших больниц, учебных клиник и практик в малообеспеченных регионах, которые всё ещё зависят от стандартных рентгеновских аппаратов. Метод может выступать в роли второго рецензента, отмечая подозрительные области для дополнительной проверки стоматологом, особенно на ранних, трудно различимых стадиях кариеса. Хотя он не заменяет клиническое суждение и имеет ограничения в очень шумных или сложных случаях, исследование демонстрирует, что тщательно спроектированные и прозрачные алгоритмы могут существенно улучшить обнаружение кариеса без вычислительных затрат глубокого обучения. В перспективе такие инструменты можно интегрировать непосредственно в программы просмотра рентгеновских снимков, тихо работая в фоне и помогая уменьшить число пропущенных поражений.

Цитирование: 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

Ключевые слова: кариес, рентгеновская визуализация, сегментация медицинских изображений, нечёткая кластеризация, компьютерная поддержка диагностики