博尔塔拉蒙古自治州网站建设_网站建设公司_内容更新_seo优化

2026.1.8

本文提出HC-Net混合分类框架，首次以真实临床探诊结果作为金标准，结合牙齿和患者层面信息，并融入临床诊断知识，实现了全景X射线图像中牙周疾病的自动精准诊断，显著提高了诊断的敏感性和准确性。

Title题目

01

Clinical knowledge-guided hybrid classification network for automatic periodontal disease diagnosis in X-ray image

临床知识引导的混合分类网络用于X射线图像中牙周疾病的自动诊断

文献速递介绍

02

牙周疾病是影响牙龈和深层支持骨的炎症，若不及时诊断和治疗，最终会导致牙齿脱落和功能障碍，是重要的公共健康问题。牙槽骨丢失是牙周炎的关键特征，可以通过放射学诊断。然而，传统X射线图像需要大量骨丢失才能被临床医生发现。早期检测通常依赖牙周探诊评估每个牙齿的临床附着丧失（CAL），但这耗时且可能引起患者不适。大多数牙医依赖X射线进行筛查和诊断，尽管其对早期诊断存在局限性。因此，迫切需要开发自动化且侵入性更小的诊断技术。从全景X射线图像诊断牙周疾病能显著促进临床和保险理赔。然而，该任务极具挑战性，因为临床诊断金标准是3D探诊测量，而X射线图像是2D投影，常伴随牙齿咬合和畸变，使得即便专业牙医也难以一致地标注。现有方法通过测量X射线骨丢失诊断牙周病，但其过度依赖放射学标注，这些标注难以准确描绘且与临床探诊结果不一致，导致潜在的预测误差和诊断不稳定。此外，牙周病诊断要求高敏感性，因为即使一颗牙齿出现病变，患者也可能被诊断为牙周炎。本文提出的方法有两大优势：一是首次使用真实临床探诊结果作为真值，避免了放射学标注的潜在偏倚；二是提出了牙齿层面和患者层面的混合分类分支，并融入临床知识指导的诊断策略，使其与牙医的标准诊断程序一致，提供理论和实践兼具的诊断。

Aastract摘要

02

通过全景X射线图像对牙周疾病进行准确分类对于有效的诊断和治疗具有重要的临床意义。近期方法尝试通过估计X射线图像中的骨丢失来分类牙周疾病，但这些方法的监督信号通常是手工标注的放射学标记，这与临床探诊测量结果的金标准缺乏一致性，可能导致测量不准确和分类不稳定。此外，牙周疾病的诊断需要极高的敏感性。为了解决这些挑战，我们引入了HC-Net，这是一种创新的混合分类框架，旨在从X射线图像中准确分类牙周疾病。该框架包含三个主要组成部分：牙齿层面分类、患者层面分类和一个可学习的自适应noisy-OR门。在牙齿层面分类中，我们首先采用实例分割单独识别每颗牙齿，然后进行牙齿层面的牙周疾病分类。对于患者层面分类，我们利用多任务策略并发学习患者层面分类和一个分类激活图（CAM），该图表示全景X射线图像中局部病变区域的置信度。最终，我们的自适应noisy-OR门通过整合来自两个层面的预测获得混合分类结果。特别地，我们将临床知识融入到专业牙医使用的诊断工作流程中，旨在增强牙周疾病诊断的敏感性处理。在从真实临床积累的数据集上进行的广泛实证测试表明，我们提出的HC-Net在牙周疾病分类中取得了无与伦比的性能，展示了巨大的实际应用潜力。

Method方法

03

本研究旨在将患者分为严重牙周病（包括II-IV期）或非严重牙周病（包括健康、牙龈炎和I期）。输入为全景X射线图像及其对应的患者级别临床诊断标签。对于每位患者，还获取了牙齿级别的临床金标准标签。我们的目标是构建一个学习框架来预测患者患病的概率。直接进行患者层面分类效果不佳，原因在于全景X射线图像中的诊断证据复杂且易被忽视，以及从放射影像到探诊金标准之间缺乏稳健的映射。为解决这些问题，我们引入了一个新颖的混合分类框架，在牙齿和患者两个层面运行。牙齿层面分类采用两阶段结构：首先利用Hourglass骨干的检测网络进行牙齿实例分割，生成牙齿中心热图、边界框和二值掩码，然后通过分类网络预测每个牙齿是否患病。牙齿层面框架的训练通过多项损失函数（包括中心点回归的Focal Loss、边界框回归的L1 Loss、语义分割的交叉熵和Dice Loss以及牙齿分类的交叉熵Loss）进行监督。患者层面分类引入多任务策略，同时预测患者级别分类和分类激活图（CAM）。CAM提供全景X射线图像中局部病变区域的置信度。通过交叉熵损失Lclsp和均方损失LCAM来训练患者层面框架。临床知识引导的融合策略根据牙医的三条主要诊断规则（所有牙齿健康则患者健康；两颗或更多牙齿患病则患者患病；其他情况则根据X射线图像整体特征诊断）整合牙齿层面和患者层面的预测。具体而言，我们获取牙齿层面预测概率，并过滤掉中等置信度的预测，然后遵循临床工作流程进行判断。对于不确定情况，通过可学习的自适应noisy-OR门整合牙齿强度和牙齿预测概率，形成最终的患者级别诊断，并用二元交叉熵损失Lgate进行监督。整个框架的总损失L是牙齿层面、患者层面和noisy-OR门损失的组合。

Conclusion结论

05

在临床实践中，从全景X射线图像自动诊断牙周疾病是一项关键但复杂的任务。以往的方法通过分割骨骼和计算骨丢失来分类牙周疾病，但其结果常与通过手动牙周探诊测量每个牙齿附着丧失的临床金标准不符。本文首次直接使用探诊测量得到的临床诊断作为真值来监督框架，从而增强了其在临床环境中的可靠性。此外，牙周疾病的诊断需要高度的鉴别能力，因为一颗牙齿出现疾病迹象就可能导致患者被诊断。我们进一步开发了一种双分支方法，包含牙齿层面和患者层面分类，以引导网络同时关注全局和局部区域。最关键的是，我们引入了一种临床知识引导的诊断策略，以整合这两个分支的预测，使其与专业牙医在临床环境中部署的标准诊断程序保持一致。实验结果证明，整合这些策略使我们的框架优于其他竞争方法。尽管我们的方法性能卓越，但也存在局限性。例如，全景X射线图像是2D投影图像，缺乏牙冠纹理信息，使得检测牙周病，尤其是早期阶段的牙周病极具挑战性。在未来的工作中，我们建议将X射线图像与口内照片等其他易得数据进行融合，以进行联合牙周疾病诊断。这种方法将使我们的框架能够区分早期病变，如牙龈炎或I期牙周炎。总之，我们提出了一个用于全景X射线图像牙周疾病诊断的全自动框架。该框架包含牙齿层面和患者层面两个分支。考虑到牙周疾病诊断的敏感性，我们将牙科专家总结的临床诊断知识融入到框架中，以增强模型的鲁棒性。我们定性和定量地评估了我们的框架，并将其与医学图像和计算机视觉领域中典型的分类方法进行了比较。我们的方法产生了卓越的结果，并显著优于其他方法。

Results结果

06

为了评估所提出框架的有效性，将其与四种不同类型的现有方法进行比较，包括典型的CNN方法（ResNet、DenseNet）、基于Vision Transformer的方法（xViTCOS）、多实例分类方法（PatchResNet）和多任务分类方法（CMTNet）。在所有四项指标上，HC-Net（整合临床知识的完整框架）均表现出卓越性能，准确率达到92.7%，精确率90.2%，召回率95.8%，F1分数92.9%，且所有p值均低于0.05，表明其统计学上显著优于次优方法CMTNet。混合分类设计（H-Net）在捕获局部细节和细粒度特征方面具有显著优势，优于仅处理整体图像的方法以及仅依赖补丁分类的方法PatchResNet。多任务混合分类设计（H-Net）通过可学习的noisy-OR门更有效地结合了跨任务信息，优于CMTNet。通过融入临床先验知识，HC-Net进一步提升了整体性能。ROC曲线也证实了HC-Net在分类性能上优于所有其他方法，这归因于其结合全局和局部图像特征的能力以及有效处理挑战性样本的能力。CAM可视化进一步证明了HC-Net在理解牙周病特征方面的能力，与ResNet、DenseNet和CMTNet相比，HC-Net能更全面地关注牙周病相关的区域。消融实验验证了框架中每个模块的有效性。引入CAM的多任务策略显著提高了B-Net的准确率和F1分数。混合分类（H-Net）相对于M-Net进一步提升了四项指标，尤其是在召回率方面从91.7%提高到97.9%，表明其在区分细微牙周病变方面的有效性。引入临床知识指导的HC-Net在所有指标上均有改善，准确率和F1分数分别提高到92.7%和92.9%，证明了其对诊断预测的准确性贡献。此外，通过过滤掉中等置信度的牙齿预测，牙齿和患者层面的预测准确性均有显著提高。HC-Net在外部数据集上的性能与内部数据集相当，验证了其在不同数据集和中心之间的鲁棒性和泛化能力。

Figure图

07

图1.我们提出的诊断框架的说明。整个诊断过程以全景X射线图像作为输入。牙齿层面分支首先对每个独立的牙齿进行实例分割，然后通过牙齿层面分类网络判断该牙齿是否患有牙周疾病。同时，患者层面分支执行全局预测，并利用分类激活图（CAM）增强网络对牙齿区域的关注。最后阶段采用融合策略，根据临床知识整合来自两个分支的预测。

图2.牙齿层面牙周疾病严重程度的分布。饼图显示了每个类别中牙齿的数量。

图3.我们提出的方法与竞争分类方法的ROC曲线。

图4.我们方法与其他竞争方法的CAM可视化。

图5.牙齿预测概率直方图。