一种用于使用集成模糊C均值聚类、特征降维和加权矩阵方案对X线图像中牙齿龋齿进行分类的计算智能方法

更智能的龋齿检测为何重要

牙医在很大程度上依赖X线图像来发现肉眼看不见的牙齿蛀牙。但这些图像常常噪声大、模糊且对比度低，使得早期龋齿容易被漏诊。本研究提出了一种新的计算机辅助方法，能够更准确和一致地识别牙科X线中的龋变区域。通过这样做，它可以帮助牙医更早发现问题、制定更好的治疗方案，并在缺乏先进设备的门诊中改善优质护理的可及性。

解读牙科X线的难点

龋齿影响各个年龄段的人群，如果未能早期治疗，可能导致疼痛、感染和牙齿缺失。传统X线呈现的是复杂三维结构的平面二维快照。小病变可能被重叠组织遮挡、因患者移动而模糊，或被金属充填物遮蔽。此外，许多医院——尤其是资源有限地区的机构——仍然依赖基本的X线设备，这些设备产生亮度不均且噪声较大的图像。这些因素使得即便是经验丰富的牙医，也难以可靠地区分早期微小的龋斑与正常牙体结构的变异。

现有人工智能方法的局限

近年来，研究人员开始采用人工智能来解读牙科影像。尤其是深度学习系统，往往能取得很好的表现，但也存在重大缺点。它们通常需要数千张由牙科专家精确标注的图像——这是一个既耗时又昂贵的过程。它们还需要强大的计算机和图形处理器，许多医院并不具备。即便这些系统表现良好，往往也像“黑箱”一样，无法清晰说明为何某一区域被标记为龋变或健康组织。现有方法在处理细微的早期病变时也存在困难，并且对扫描仪、图像质量和患者群体的差异敏感。

让数据自己表述的一种新途径

本研究提出了一种不同的策略，基于增强型模糊C均值聚类，这是一种按相似性对图像像素分组的技术。新方法（称为FCM-FRWS）并不假定所有图像特征同等重要，而是自动学习哪些特征对区分龋变与健康组织最为关键。它为每个特征（例如局部亮度、纹理或位置）分配权重，逐步减弱那些引起混淆的特征，强调那些明确标示龋变的特征。那些持续贡献很小的特征会被完全移除，从而减少噪声并加快处理速度。该聚类方法与一系列智能的图像预处理步骤结合：首先将X线归一化到统一的对比度水平，然后平滑以减少随机噪声，最后用简单的基于形状的操作进行清理，使牙齿轮廓和潜在的龋洞更易被识别。

清晰化龋变视图

在加权聚类大致区分出可能的牙体、背景和可疑区域后，该方法应用了一种经典但强大的工具——大津阈值法（Otsu’s thresholding），根据亮度更清晰地将像素划分为“病变”和“非病变”两类。随后进行形态学膨胀步骤，略微扩展并连接碎片化的斑点，使每一块龋变被表示为一个连贯的区域，而不是分散的点。完整流程——预处理、特征加权聚类与精细阈值分割——在来自泰国东北部医院的890张X线图像上进行了测试，样本包括成人与儿童。采用五位经验丰富牙医的标注作为参考。系统平均正确分类了超过91%的像素，对敏感性（检测真实龋变）、特异性（避免误报）等指标也取得了类似的高分，并与牙医标注有显著重叠。对不同数据子集的内部测试表明，该方法稳定，未出现单纯记忆样本的现象。

这对患者和门诊的潜在帮助

与许多现代AI工具不同，该方法不需要大量标注的训练集或专用硬件，并能在普通计算机上高效运行。这使其对中小型医院、教学诊所和仍依赖标准X线机的低资源环境具有吸引力。该方法可以作为第二读片者，标记可疑区域供牙医复核，尤其是在早期难以察觉的龋变阶段。尽管它不能替代临床判断，在噪声极大或结构复杂的个别病例中仍存在局限，但研究表明经过精心设计且透明的算法能够在不具备深度学习计算需求的情况下显著提升龋齿检测率。从长远来看，此类工具可以直接集成到X线阅片软件中，静默运行于后台，帮助减少被忽视的龋齿病例。

引用: 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

关键词: 牙齿龋齿, X线成像, 医学图像分割, 模糊聚类, 计算机辅助诊断