تشخيص پوسيدگي هاي بين‌دنداني به كمك روش‌هاي پردازش تصوير در تصاوير راديوگرافي نمونه جمعيت ايران

A study of image processing techniques application for detection of proximal caries in Iran

مقدمه و هدف: با توجه به مشكلات مربوط به تشخيص پوسيدگي مينايي و ارزيابي عمق پوسيدگي‌هاي بين‌دنداني، تشخيص اين قبيل پوسيدگي‌ها با دشواري‌هاي زيادي همراه است. در اين پژوهش روشي براي حل اين مشكل با استفاده از تصاوير راديوگرافي و راهكارهاي پردازش تصوير ارائه شده است. هدف از اين روش، شناسايي و قطعه بندي نواحي پوسيده دندان‌ها به شكل خودكار است. مواد و روش ها: به اين منظور از تعدادي تصوير دندان خلفي انساني مربوط به استان همدان در ايران با 158 سطح بين‌دنداني استفاده شده است. در اين بخش‌ها 60 پوسيدگي محدود به عاج، 31 پوسيدگي محدود به مينا، 11 پوسيدگي محدود به ناحيه اتصال مينا به عاج و 56 سطح بدون پوسيدگي، مشاهده شدند. دندان‌ها درون بلوك‌هاي آكريلي آماده سازي شده قرار گرفته و تماس‌هاي بين‌دنداني و اكلوزالي دندان‌ها بازسازي شد. سپس تصويربرداري ديجيتال انجام شده و نتايج به عنوان ورودي روش پردازش تصوير پيشنهادي در نظر گرفته شده است. در اين روش پس از پيش پردازش تصاوير، با اعمال عملگرهاي ريخت شناسي و به كمك روش خوشه بندي ميانگين K، پوسيدگي‌ها به شكل خودكار تشخيص داده شده اند. نتايج و اطلاعات نهايي توسط نرم‌افزار SPSS مورد تجزيه و تحليل قرار گرفت. نتايج: ميزان حساسيت روش پيشنهادي براي پوسيدگي‌هاي عاجي86/7%، پوسيدگي‌هاي مينايي67/7% و پوسيدگي‌هاي محدود بهDEJ %63/6 اندازه گيري شد. در اين مطالعه اختصاصيت روش پيشنهادي100%، حساسيت كلي 78/4% ،مثبت كاذب 0% ، منفي كاذب 21/6% و دقت روش 86% محاسبه شد. نتيجه‌گيري: يافته‌هاي مطالعه حاضر نشان مي‌دهد كه نرم افزار طراحي شده براي تشخيص پوسيدگي پروگزيمال از دقت تشخيصي قابل قبولي برخوردار است. در روش پيشنهادي، بر اساس مشاهدات با افزايش عمق پوسيدگي، حساسيت تشخيص افزايش مي‌يابد؛ بنابراين، تشخيص پوسيدگي عاجي بهتر از پوسيدگي مينا و DEJ است.

Background and Objective: Diagnosis of enamel caries and evaluation of proximal caries depth are some of the main problems in caries detection. In this study, a new method based on image processing techniques proposed that applied to radiographic images. The purpose of this method was to automatically identify and segment decayed areas of the teeth. Materials and Methods: For this study which was done in Hamedan province of Iran, several molar and pre-molar teeth images with 158 inter-proximal surfaces were selected. Sixty teeth with dentinal caries, 31 enamel restricted caries, 11 DEJ limited caries, and finally 56 surfaces without any caries were detected. The teeth were placed inside the prepared acrylic blocks, and the intra-proximal and occlusal contacts of the teeth were reconstructed. Then digital imaging was performed, and the results considered as the input of the proposed image processing method. In the proposed method, after preprocessing of images, by applying morphological operators, and with the help of the K-means clustering, caries were automatically detected. The final results and information were analyzed by SPSS software. Results: The sensitivity of the proposed method was 86.7% for dentinal caries, 67.7% for enamel caries, and 63.6% of caries that limited to DEJ. The specificity was 100%, and the overall sensitivity reported as 78.4%. There was no false positive, the false negative and the accuracy of the method were 21.6% and 86% respectively. Conclusions: The findings of the present study show that the software designed to detect proximal caries has acceptable diagnostic accuracy. In the proposed method, based on observations, the sensitivity of caries detection improves with an increase in depth of decay. Therefore, it qualifies better in detecting dentinal caries than enamel and DEJ caries.