RU2815039C1 - Способ оценки качества телерентгенологических снимков - Google Patents
Способ оценки качества телерентгенологических снимков Download PDFInfo
- Publication number
- RU2815039C1 RU2815039C1 RU2023100460A RU2023100460A RU2815039C1 RU 2815039 C1 RU2815039 C1 RU 2815039C1 RU 2023100460 A RU2023100460 A RU 2023100460A RU 2023100460 A RU2023100460 A RU 2023100460A RU 2815039 C1 RU2815039 C1 RU 2815039C1
- Authority
- RU
- Russia
- Prior art keywords
- images
- ray
- image
- patient
- teleradiological
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000003128 head Anatomy 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000010990 cephalometric method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 210000000613 ear canal Anatomy 0.000 claims abstract description 8
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 210000003625 skull Anatomy 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 239000003814 drug Substances 0.000 abstract description 3
- 238000005755 formation reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 210000004513 dentition Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000004283 incisor Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000771 oncological effect Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
Изобретение относится к медицине, а именно к способу оценки качества телерентгенологических изображений. Способ представляет собой предобработку рентгенологических изображений для задачи диагностики в автоматизированном режиме, заключающуюся в использовании алгоритмов для обеспечения поиска. Производят анализ телерентгенологических снимков в боковой проекции головы для определения релевантности рентгенологических изображений для цефалометрического анализа. Анализ снимка производят в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения. Машинное обучение осуществляют с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений; при этом учитывают: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформацию изображения, произошедшую по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровку рентгенологического оборудования. Достигается возможность, учитывая положение анатомических образований черепа, производить анализ телерентгенологических снимков в автоматическом режиме с использованием алгоритмов определения релевантности рентгенологического изображения для цефалометрического анализа. 1 ил, 1 пр.
Description
Изобретение относится к медицине, а именно к ортодонтии, ортопедической стоматологии, челюстно-лицевой хирургии и рентгенологии, и может быть использовано для оценки качества цифровых телерентгенограмм боковой проекции черепа.
Известен способ оценки качества рентгеновских изображений (1), способ заключается в следующем: получают изображение, вычисляют его гистограмму, преобразуют значения гистограммы во входные аргументы нейронной сети и вычисляют выходное значение нейронной сети, в качестве входных аргументов нейронной сети используют нормированные к единице значения гистограммы, вычисленные с заданным интервалом группировки, уровень яркости вычисляют как линейную функцию от выходного значения нейронной сети, обучение нейронной сети проводят с использованием обучающего множества, вычисленного по заданной базе изображений, в качестве множества целевых значений используют уровни яркости, вычисленные для каждого изображения по зоне интереса и масштабированные к области значений функции активации нейрона выходного слоя нейронной сети.
Недостатком данного способа является отсутствие учета положения анатомических ориентиров на снимке, при оценке качества не учитывается наличие на снимке всех точек, необходимых для цефалометрического анализа, не учитываются: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформация изображения, произошедшая по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровка рентгенологического оборудования.
Также известен способ оценки информативности рентгеновских снимков (2), способ основан на определении для исследуемой рентгенограммы характеризующего ее информационного индекса, показывающего количество содержащейся в ней информации, причем рентгеновский снимок оцифровывается путем разбиения его на элементарные участки - пиксели, и для каждого пикселя определяется значение, соответствующее его плотности почернения, а характеризующий рентгеновское изображение информационный индекс определяется по формуле.
Недостатком способа является зависимость от особенностей восприятия наблюдателя, условий просмотра снимков, учет особенности съемки (контактная или с прямым увеличением), типа источника (микрофокусный или с протяженным фокусным пятном), характеристики объекта, иными словами, способ определяет потенциальное количество информации, которое может содержаться в снимке, но не позволяет определить, какое количество информации в нем реально содержится.
Известен способ оценки телерентгенограммы головы боковой проекции и планшет для его осуществления (3), способ предусматривает определение угловых величин по контрольным антропометрическим точкам и сравнение их с нормой; рассматриваются шесть угловых величин: угол, образованный условной линией основания черепа и линией NA (SNA); угол, образованный условной линией основания черепа и линией NB (SNB); угол, образованный условной линией основания черепа и линией SBa (NSBa); угол, образованный условной линией основания черепа и условной линией основания верхней челюсти (NL-NSL); угол, образованный условной линией основания черепа и условной линией основания нижней челюсти (ML-NSL); угол, образованный условной линией основания верхней челюсти и условной линией основания нижней челюсти (NL-ML); соотношение этих величин позволяет определить норму.
Недостатком способа оценки телерентгенограммы головы боковой проекции и планшета для его осуществления является то, нет алгоритма, позволяющего оценить качество рентгеновского снимка головы в боковой проекции и его релевантность для цефалометрического анализа.
За прототип изобретения взята предобработка рентгеновских изображений для задачи диагностики в атоматизированном режиме (4), заключающаяся в использовании алгоритмов устранения апмлитудных искажений изображений с помощью корректирующих функций с тем, чтобы поиск объектов исследования (раковых опухолей, кист) мог производиться в автоматическом режиме, разработка данного подхода предполагает на основе использования модуля преобразования, основанного на алгоритмах адаптивных гистограмм или адаптивных вайвлет-преобразований ввести автоматизированным путем диагноз изображений объектов с онкологическими признаками и производить распределение снимков на «норму» и «патологии».
Недостатком предобработки рентгеновских изображений для задачи диагностики в атоматизированном режиме является анализ без учета положения анатомических ориентиров на снимке, нет алгоритмов оценки качества снимка, позволяющих определить, какое количество информации в нем реально содержится, данный метод не применим для анализа телерентгенологических снимков в боковой проекции головы.
Целью создания изобретения является создание способа оценки качества телерентгенологических изображений, который позволит, учитывая положение анатомических образований черепа, производить анализ телерентгенологических снимков в автоматическом режиме с использованием алгоритмов определения релевантности рентгенологического изображения для цефалометрического анализа.
Эта цель достигается тем, что способ оценки качества телерентгенологических изображений предусматривает анализ телерентгенологических снимков в боковой проекции головы на предмет релевантности рентгенологических изображений для цефалометрического анализа; анализ снимка осуществляется в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение происходит с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений; в способе учитываются: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформация изображения, произошедшая по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровка рентгенологического оборудования.
Технический эффект от использования изобретения достигается тем, что предлагаемый способ учитывает положение анатомических образований черепа за счет того, что в способе учитываются: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформация изображения, произошедшая по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровка рентгенологического оборудования; производить анализ телерентгенологических снимков в автоматическом режиме с использованием алгоритмов определения релевантности рентгенологического изображения для цефалометрического анализа с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение происходит с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений.
Сравнение предложенного способа с другими, известными в области медицины, показало его соответствие критериям изобретения.
Способ оценки качества телерентгенологических изображений, включающий предобработку рентгенологических изображений для диагностики в атоматизированном режиме, заключающуюся в использовании алгоритмов для обеспечения поиск в автоматическом режиме, отличающуюся тем, что производится анализ телерентгенологических снимков в боковой проекции головы для определения релевантности рентгенологических изображений для цефалометрического анализа, причем анализ снимка осуществляют в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение осуществляют с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений, при этом учитывают: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для масштабирования полученного изображения, деформацию изображения, произошедшую по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровку рентгенологического оборудования.
Изобретение поясняется графическим материалом, на котором изображено предлагаемый способ. На фиг. 1 - размеченная телерентгенограмма с выделенными на ней диагностическими ошибками, где 1 - двоение контуров ушных упоров, 2 - несомкнутость зубов, 3 - двоение контуров нижней челюсти, 4 - несомкнутость губ, 5 - позиционирование линейки краниостата.
Способ использования.
При получении снимка телерентгенографического исследования головы пациента в боковой проекции в цифровом виде необходимо произвести предобработку рентгеновских изображений для задачи диагностики в атоматизированном режиме, заключающуюся в использовании алгоритмов, чтобы поиск мог производиться в автоматическом режиме, производится анализ телерентгенологических снимков в боковой проекции головы на предмет релевантности рентгенологических изображений для цефалометрического анализа; анализ снимка осуществляется в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение происходит с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений; в способе учитываются: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформация изображения, произошедшая по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровка рентгенологического оборудования. При выявлении ошибок на цифровой телерентгенограмме врач оценивает критичность выявленных недочетов исследования и в случае несоответствия снимка критериям качества осуществляет его выбраковку. В случае соответствия снимка критериям качества осуществляется цефалометрический анализ по одной из общепринятой методик.
Клинический пример.
В клинику обратился пациент Т. 15 лет на кафедру стоматологии детского возраста и ортодонтии с диагнозом дистальная окклюзия, протрузия резцов нижней челюсти. Для составления плана лечения возникла необходимость проведения цефалометрического анализа по телерентгенологическому исследованию. При получении снимка телерентгенографического исследования головы пациента в боковой проекции в цифровом виде необходимо была произведена предобработка рентгеновского изображения для задачи диагностики в атоматизированном режиме, заключающаяся в использовании алгоритмов, чтобы поиск мог производиться в автоматическом режиме, производился анализ телерентгенологических снимков в боковой проекции головы на предмет релевантности рентгенологических изображений для цефалометрического анализа; анализ снимка осуществляется в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение происходит с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений; в способе учитываются: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для правильного масштабирования полученного изображения, деформация изображения, произошедшая по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровка рентгенологического оборудования. Были выявлены ошибки на цифровой телерентгенограмме, такие как: несомкнутость зубных рядов, движение пациента в ходе исследования, двоение контуров ушных упоров, двоение контуров нижней челюсти, врач оценил критичность выявленных недочетов исследования и осуществил выбраковку снимка, пациент был направлен на повторное телерентгенологическое исследование.
Способ оценки качества телерентгенологических изображений используется в рентгенологических и амбулаторно-поликлинических учреждениях стоматологического профиля.
ИСТОЧНИКИ ИНФОРМАЦИИ
1. Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения, RU 2431196 С1.
2. Способ оценки информативности рентгеновского снимка, RU 2306675 С1.
3. Трезубов В.Н. Соловьев М.М. Черновол Е.М. Фадеев Р.А. Способ оценки телерентгенограммы головы в боковой проекции и планшет для его осуществления, RU 2193350 С1.
4. Кравченко А.П., Киселева Н.С., Скулкина Ю.С., Хабибулина А.В. Предобработка рентгеновских изображений для задачи диагностики в автоматизированном режиме. «Компьютерные и информационные науки».
Claims (1)
- Способ оценки качества телерентгенологических изображений, включающий предобработку рентгенологических изображений для диагностики в автоматизированном режиме, заключающуюся в использовании алгоритмов для обеспечения поиска в автоматическом режиме, отличающийся тем, что производится анализ телерентгенологических снимков в боковой проекции головы для определения релевантности рентгенологических изображений для цефалометрического анализа, причем анализ снимка осуществляют в автоматическом режиме с помощью использования элементов искусственного интеллекта на основе машинного обучения и компьютерного зрения; машинное обучение осуществляют с помощью поиска несоответствий снимка критериям качества телерентгенологических изображений, при этом учитывают: положение головы пациента во время проведения рентгенологического исследования, наличие линейки краниостата в зоне интереса для масштабирования полученного изображения, деформацию изображения, произошедшую по причине движения пациента во время рентгенологического исследования, сомкнутость губ и зубов в привычной для пациента окклюзии во время проведения исследования, правильность позиционирования ушных упоров в наружных слуховых проходах пациента, калибровку рентгенологического оборудования.
Publications (1)
Publication Number | Publication Date |
---|---|
RU2815039C1 true RU2815039C1 (ru) | 2024-03-11 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2193350C1 (ru) * | 2001-06-05 | 2002-11-27 | Санкт-Петербургский государственный медицинский университет им. акад. И.П.Павлова | Способ оценки телерентгенограммы головы в боковой проекции и планшет для его осуществления |
RU2306675C1 (ru) * | 2006-05-29 | 2007-09-20 | Государственное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Способ оценки информативности рентгеновского снимка |
US20210358123A1 (en) * | 2020-05-15 | 2021-11-18 | Retrace Labs | AI Platform For Pixel Spacing, Distance, And Volumetric Predictions From Dental Images |
US20210365736A1 (en) * | 2020-05-15 | 2021-11-25 | Retrace Labs | Dental Image Quality Prediction Platform Using Domain Specific Artificial Intelligence |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2193350C1 (ru) * | 2001-06-05 | 2002-11-27 | Санкт-Петербургский государственный медицинский университет им. акад. И.П.Павлова | Способ оценки телерентгенограммы головы в боковой проекции и планшет для его осуществления |
RU2306675C1 (ru) * | 2006-05-29 | 2007-09-20 | Государственное образовательное учреждение высшего профессионального образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" | Способ оценки информативности рентгеновского снимка |
US20210358123A1 (en) * | 2020-05-15 | 2021-11-18 | Retrace Labs | AI Platform For Pixel Spacing, Distance, And Volumetric Predictions From Dental Images |
US20210365736A1 (en) * | 2020-05-15 | 2021-11-25 | Retrace Labs | Dental Image Quality Prediction Platform Using Domain Specific Artificial Intelligence |
Non-Patent Citations (1)
Title |
---|
ГОЛУБ Ю. И. Оценка качества цифровых изображений // Системный анализ и прикладная информатика, 2021, N 4, с. 4-15. DOVGANICH А. A. et al. Automatic Quality Control in Lung X-Ray Imaging with Deep Learning // Computational Mathematics and Modeling, Vol. 32, No. 3, July, 2021, p. 276-285. * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200364624A1 (en) | Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources | |
Muresan et al. | Teeth detection and dental problem classification in panoramic X-ray images using deep learning and image processing techniques | |
Meriç et al. | Web-based fully automated cephalometric analysis: comparisons between app-aided, computerized, and manual tracings | |
US20220180447A1 (en) | Artificial Intelligence Platform for Dental Claims Adjudication Prediction Based on Radiographic Clinical Findings | |
US20160038092A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
Singh et al. | Progress in deep learning-based dental and maxillofacial image analysis: A systematic review | |
US20200100724A1 (en) | Applying non-real time and non-user attended algorithms to stored non-imaging data and existing imaging data for obtaining a dental diagnosis | |
JP6830082B2 (ja) | 歯科分析システムおよび歯科分析x線システム | |
US11357604B2 (en) | Artificial intelligence platform for determining dental readiness | |
Sheng et al. | Transformer-based deep learning network for tooth segmentation on panoramic radiographs | |
Kirnbauer et al. | Automatic detection of periapical osteolytic lesions on cone-beam computed tomography using deep convolutional neuronal networks | |
Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
US20240029901A1 (en) | Systems and Methods to generate a personalized medical summary (PMS) from a practitioner-patient conversation. | |
Park et al. | Caries detection with tooth surface segmentation on intraoral photographic images using deep learning | |
Nouri et al. | Efficacy of a newly designed cephalometric analysis Software for McNamara analysis in comparison with Dolphin Software | |
Ryu et al. | Evaluation of artificial intelligence model for crowding categorization and extraction diagnosis using intraoral photographs | |
Chen et al. | Automated Detection System Based on Convolution Neural Networks for Retained Root, Endodontic Treated Teeth, and Implant Recognition on Dental Panoramic Images | |
Jang et al. | Accurate detection for dental implant and peri-implant tissue by transfer learning of faster R-CNN: a diagnostic accuracy study | |
Hossain et al. | Cavit: Early stage dental caries detection from smartphone-image using vision transformer | |
RU2815039C1 (ru) | Способ оценки качества телерентгенологических снимков | |
Liu et al. | Fully automatic AI segmentation of oral surgery-related tissues based on cone beam computed tomography images | |
Mertoğlu et al. | A Deep Learning Approach to Automatic Tooth Detection and Numbering in Panoramic Radiographs: An Artificial Intelligence Study | |
Carneiro | Enhanced tooth segmentation algorithm for panoramic radiographs | |
Ali et al. | Teeth and prostheses detection in dental panoramic X-rays using CNN-based object detector and a priori knowledge-based algorithm | |
Mahabob | A review of the literature on artificial intelligence in dentistry as a possible game changer |