Нарушения окклюзии зачастую приводят к изменению положения нижней челюсти, вызывая развитие дисфункции ВНЧС. Происходит изменение взаимного расположения элементов ВНЧС, сужение суставной щели, что приводит вначале к возникновению функциональных нарушений (асимметрии мышечного тонуса, боли и усталости жевательных мышц), а затем и к развитию анатомических нарушений ВНЧС (дислокации диска, растяжению связок, деформации и разрушению диска, деформации и разрушению головок НЧ) [1—3].
В этой связи весьма актуальной является своевременная ранняя диагностика подобных нарушений. Наиболее информативным и наглядным является диагностика с применением методов лучевой диагностики, наиболее дешевым и доступным из которых является рентгенологическое исследование.
Постепенно 2D-методы рентгенологической диагностики уступают место 3D-методам (компьютерной томографии), ценность и преимущество которых объясняется сложной анатомической формой и индивидуальным разнообразием строения ВНЧС [1, 4—6]. Особый интерес представляют методы, которые анализируют не отдельные срезы, а всю поверхность сопряжения элементов ВНЧС [7].
Для более точной диагностики и повышения прецизионности измерений ранее было выполнено исследование, анализирующее состав и величину возможных погрешностей при 3D-анализе ВНЧС в программе Avantis 3D (Россия). Было отмечено, что наибольшая величина погрешности связана с человеческим фактором при выделении контуров элементов ВНЧС в программе. Устранить данную погрешность возможно при использовании алгоритмов искусственного интеллекта (ИИ) для сегментации объектов по данным компьютерной томографии.
Алгоритмы ИИ в последние годы довольно успешно используются для сегментации внутренних органов и их визуализации на основе обработки данных МРТ и КТ [8—10]. Суть машинного обучения состоит в том, чтобы построить нейросеть, выразив ее в виде огромного количества формул с неизвестными параметрами и затем подобрать эти параметры так, чтобы при попадании определенных данных на вход на выходе получалось нужное нам значение.
Первопроходцы в деле машинного обучения сами должны были писать огромный по объему программный код для параллельных вычислений на тысячах ядер видеоускорителя. Но в настоящее время уже имеется несколько готовых программных библиотек, в которых уже реализованы все необходимые типовые алгоритмы, которые пригодны для задач машинного вычисления. Самые популярные из них — это PyTorch и TensorFlow [11—14].
Цель исследования — сравнение точности сегментации элементов ВНЧС разными способами и оценка пригодности получаемых данных для диагностики дисфункции ВНЧС.
Материал и методы
Исследование проводили на архивном материале КТ-исследований челюстно-лицевой области пациентов. Критерии включения: область исследования захватывала зубные ряды и ВНЧС, зубные ряды были в сомкнутом состоянии. Критерии исключения: область исследования включала только ВНЧС или только зубные ряды, зубные ряды разомкнуты, на КТ обнаруживали сдвоенные контуры объектов исследования. Для проведения исследования было случайно выбрано 60 КТ. Каждая из КТ была подвергнута обработке в целях выявления сегментации костных элементов ВНЧС (суставная ямка, головка НЧ) разными способами. В 1-ю группу были собраны результаты обработки КТ алгоритмами ИИ Diagnocat (США). Эти результаты условно принимали за эталонные. Поскольку в сервисе Diagnocat не предусматривается отдельная сегментация элементов ВНЧС, мы получали вначале Stl-файлы НЧ и черепных костей, из которых в трехмерном графическом редакторе выделяли и сохраняли правые и левые суставные ямки и головки НЧ. Во 2-ю группу были собраны результаты обработки КТ, основанной на полуавтоматическом методе сегментации в программе Avantis3D на основе оптической плотности объектов. В 3-ю и 4-ю группы были собраны результаты обработки КТ алгоритмами ИИ Avantis3D (Россия) с разными режимами вероятности — 0,4 и 0,9 соответственно.
Для создания и обучения нейросети данные КТ заранее преобразовали в наиболее удобный для нейросети формат, так как во время обучения они сотни раз будут загружаться в видеокарту и если при каждой загрузке будет необходимо их конвертировать из DCM, это будет занимать время и тормозить процесс обучения. Поэтому данные пересохраняли как трехмерные массивы NumPy (библиотека для языка программирования Python для поддержки быстрой работы с многомерными массивами. Рис. 1).
Рис. 1. Схема трехмерного массива данных для последующего обучения искусственного интеллекта.
В каждой ячейке матрицы мы указывали цифры 0 (пустое пространство), 1 (головка НЧ) или 2 (суставная ямка). При этом возникала проблема, так как если нейросеть решит, что с 50% вероятностью в какой-либо ячейке, например, ничего нет и с 50% вероятностью, что есть суставная ямка, то по правилам математики среднее между 2 и 0 получается равным 1, т.е. эта ячейка соответствует головке НЧ. Чтобы избежать таких казусов, мы должны были в каждой ячейке хранить сразу 3 цифры.
Числа 0; 0.9; 0.1 означают, что в этой точке пространства с вероятностью 90% находится головка НЧ, и с вероятностью 10% — суставная ямка. С такими данными и работала нейросеть.
Чтобы обработать КТ размером 1024×1024×1024 пикселя требуется огромное количество оперативной памяти на видеокарте и большое время на вычисление. Поэтому в целях ускорения задача сегментации была разбита на 2 этапа:
— первый этап — грубый поиск правого и левого сустава на масштабированной КТ (меньшего размера);
— второй этап — выделение найденной области с запасом по краям и более точная сегментация головки НЧ и суставной ямки каждого сустава.
Соответственно, было использовано две нейросети, для чего необходимо было подготовить 2 набора данных. К тому же для обучения второй нейросети таким же методом набор данных увеличивается в 2 раза, так как каждый сустав становился отдельным примером.
По итогам обработки 60 КТ, построения поверхностей головок НЧ (120) и суставных ямок (120) визуально оценивали совпадение выделенных с помощью разных методов контуров головок НЧ и суставных ямок с их же контурами на всех возможных сечениях самого исходного КТ (рис. 2).
Рис. 2. Визуально определяется неточность совпадения контура сегментированного объекта с реальными границами головки нижней челюсти на сечении компьютерной томограммы (указаны разрыв контура и участок несоответствия).
Оценивали точность совпадения контуров (рис. 3), а также пригодность использования выделенных контуров для 3D-анализа ВНЧС (рис. 4).
Рис. 3. Контуры сегментированных объектов, полученные разными способами.
Рис. 4. Значительная погрешность при сегментации поверхности суставной ямки делает ее непригодной для 3D-анализа (получена суставная ямка с дырой значительных размеров).
К незначительным погрешностям относили случаи, когда поверхности элементов ВНЧС были построены, но на отдельных участках полученные контуры не совпадали с исходными контурами на сечениях самого исходного КТ (см. рис. 2). Эти случаи подлежали ручной коррекции контуров в программе.
К значительным погрешностям без возможности коррекции относили случаи больших дыр сегментированных поверхностей с применением Diagnocat (см. рис. 4) или невозможность сегментации ВНЧС в программе Avantis3D.
Точность совпадения количественно оценивали по величине расчетного коэффициента q (усл. ед.):
q=0,5·(q1+q2), где qi=di/Si,
где Si — площадь поверхности, di — среднее расстояние от i поверхности до другой поверхности.
Кроме того, определяли и сравнивали время, затрачиваемое на сегментацию ВНЧС, по данным КТ, описанными ранее способами.
Результаты и обсуждение
Результаты визуального осмотра в целях оценки корректности сегментации ВНЧС представлены в табл. 1.
Таблица 1. Число выявленных погрешностей при сегментации элементов ВНЧС разными способами, абс. (%)
| Степень погрешности | 1-я группа | 2-я группа | 3-я группа | 4-я группа |
| Незначительная, с возможностью коррекции | 18 (7,5) | 121 (50,4) | 34 (14,2) | 37 (15,4) |
| Значительная, без возможности коррекции | 7 (2,9) | 1 (0,4) | 3 (1,25) | 1 (0,4) |
Из 240 объектов только в 7,5% наблюдали незначительное несоответствие контуров, выделенных объектов сервисом Diagnocat, исходной КТ, что было самым низким показателем из всех. Незначительное несоответствие контуров ВНЧС, подлежащее исправлению, в 50,4% случаев характеризовал полуавтоматический способ сегментации по оптической плотности (2-я группа). Это означало, что форма каждого второго объекта подлежала коррекции (табл. 2).
Таблица 2. Среднее значение точности совпадения поверхностей выделенных разными методами, M±δ
| Объект исследования | Точность совпадения поверхностей между группами | ||
| 1-й и 2-й | 1-й и 3-й | 1-й и 4-й | |
| Головка нижней челюсти | 0,278±0,0923 | 0,32±0,0988 | 0,317±0,0998 |
| Суставная ямка | 0,447±0,1522 | 0,522±0,1565 | 0,529±0,1606 |
Наибольший процент значительных погрешностей, не подлежащих коррекции, отмечен в 1-й группе (что делало невозможным полноценный 3D-анализ ВНЧС), а наименьший — во 2-й и 4-й группах.
Поскольку при сегментации ВНЧС для 1-й группы не имелось технической возможности сопоставимо оценить ширину суставной щели, такую сравнительную оценку выполнили только между 2—4-й группами (табл. 3).
Таблица 3. Разница абсолютных значений ширины суставной щели (M±δ), определенных разными способами
| Изучаемый сектор суставной щели | Разница значений ширины суставной щели между группами | ||
| 2-й и 3-й | 2-й и 4-й | 3-й и 4-й | |
| Передняя треть | 0,30±0,272 | 0,32±0,287 | 0,16±0,209 |
| Верхняя треть | 0,13±0,136 | 0,13±0,126 | 0,06±0,105 |
| Задняя треть | 0,20±0,170 | 0,20±0,187 | 0,08±0,132 |
Из представленных данных видно, что величина погрешности сопоставима с размерами 1 вокселя на КТ, т.е. находится в минимально возможных пределах, и это связано с тем, что при ручной коррекции границ сегментированных объектов (2-я группа) оператор редко может повторно поставить точку в одно и то же место. Когда же сегментация проводится с помощью ИИ (3-я и 4-я группы), разница между сегментированными объектами приближается к нулевым значениям, и определенные различия между 3-й и 4-й группами связаны с минимальными для этих вариантов ручными коррекциями.
При визуальной оценке полученных данных (см. рис. 3) можно отметить, что в 1-й группе сегментированные поверхности ВНЧС в точности совпадают с рельефом кости на сечениях КТ и зачастую перфорированы в местах выхода нервных стволов из височной кости. Сегментированные поверхности ВНЧС во 2-й группе имеют более сглаженную форму и по сравнению с анатомической костной поверхностью не имеют перфораций (1-я группа). Сегментированные поверхности ВНЧС в 3-й и 4-й группах также не имеют перфораций, но имеют еще более сглаженную форму, что, возможноо, связано с особенностями работы ИИ.
Среднее время, затраченное на сегментацию ВНЧС, в 1-й группе составило 10,2±1,23 с, во 2-й группе — 12,6±1,87 с, в 3-й и 4-й группах — 0,46±0,12 и 0,46±0,13 с соответственно. Как видно из представленных данных, наибольшее время занимает полуавтоматический способ сегментации (2-я группа), предусматривающий необходимость ручной коррекции. Чуть меньше времени заняла сегментация объектов в 1-й группе. Это объясняется тем, что при этом требуются много времени для пересылки всех данных КТ на удаленный сервер для обработки, а также тем, что предлагаемый сервис сегментирует еще и множество других объектов.
Наименьшие затраты времени по сегментации ВНЧС отмечены нами в 3-й и 4-й группах. Это связано с тем, что на сервер пересылаются только фрагменты КТ, соответствующие локализации ВНЧС, а также с тем, что выполняется реконструкция только элементов ВНЧС.
Заключение
Автоматизированный способ сегментирования элементов височно-нижнечелюстного сустава с помощью искусственного интеллекта обеспечивает высокую прецизионность (повторяемость при повторных определениях) и может быть улучшен по точности по результатам дополнительного «обучения» нейросети. При сопоставимой точности «ручного» и автоматизированного способов сегментирования элементов височно-нижнечелюстного сустава сегментирование с помощью искусственного интеллекта имеет существенно более высокую скорость.
Такой способ обработки является более пригодным для практической работы, поскольку требует минимальных затрат времени, а по точности практически не уступает другим рассматриваемым способам.
Авторы заявляют об отсутствии конфликта интересов.