АНАЛІЗ МЕТОДІВ ПЕРЕДОБРОБЛЕННЯ ПАНОРАМНИХ СТОМАТОЛОГІЧНИХ РЕНТГЕНІВСЬКИХ ЗНІМКІВ ДЛЯ ЗАДАЧ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.31649/1997-9266-2023-170-5-41-49Ключові слова:
панорамні рентгенівські знімки зубів, попередня обробка, комп’ютерний зір, глибоке навчання, сегментація зображень, білатеральний фільтрАнотація
Представлено комплексний аналіз ефективності використання фільтрів попереднього оброблення для панорамних стоматологічних рентгенівських знімків в задачі сегментації зубних пломб. Дослідження основане на аналізі практичного застосування найпопулярніших методів попереднього оброблення зображень, включно з фільтром обмеженого адаптивного вирівнювання гістограми (CLAHE — Contrast Limited Adaptive Histogram Equalization), фільтром Гауса, білатеральним фільтром і багатомасштабним фільтром Retinex з відновленням кольору (MSRCR — Multi-scale Retinex with Color Restoration). Ці методи ретельно налаштовані для поліпшення характеристик зображення та значного підвищення його якості. До того ж, для проведення практичних експериментів, в роботі використано модель сегментації на основі архітектури U-Net для задачі сегментації стоматологічних пломб, яка вже довела свою ефективність у подібних завданнях. Проведено всебічне оцінювання точності сегментації за рахунок порівняння результатів моделі з анотаціями за допомогою чітко визначених метрик. Також виконано порівняльний аналіз ефективності кожного фільтра попереднього оброблення зображення відносно оригінальних необроблених зображень. Для всебічного оцінювання ефективності сегментаційних моделей із застосуванням фільтрів попереднього оброблення, використано такі метрики: коефіцієнт Дайса (Dice Score), коефіцієнт Жаккара (Jaccard index), влучність (precision) та чутливість/повнота (recall). Це дозволило провести комплексне оцінювання ефективності сегментаційних моделей, враховуючи вплив фільтрів попереднього оброблення на різні аспекти точності. За результатами такого аналізу виявлено, що найкращі результати демонструє модель, яка використовує білатеральний фільтр попереднього оброблення панорамних знімків для задачі сегментації стоматологічних пломб. Фільтр CLAHE також показав високі результати, зокрема, продемонструвавши найкращу чутливість моделі. Загалом, результати цієї роботи підкреслюють важливість правильного вибору методів попереднього оброблення зображень для задач сегментації на панорамних стоматологічних рентгенівських знімках. Результати також підтверджують перевагу використання білатерального фільтра та фільтра CLAHE у контексті задачі сегментації зубних пломб.
Посилання
О. В. Коменчук, і О. Б. Мокін, «Методи передобробки панорамних стоматологічних рентгенівських знімків для задачі глибокого навчання,» Матеріали LII науково-технічної конференції підрозділів Вінницького національного технічного університету (НТКП ВНТУ-2023), 2023.
H. Abdi, S. Kasaei, and M. Mehdizadeh, “Automatic segmentation of mandible in panoramic x-ray,” J. Med. Imaging (Bellingham), vol. 2, no. 4, 044003, 2015. [Online]. Available: https://www.academia.edu/36038975/Pre-Processing_of_Dental_X-Ray_Images_Using_Adaptive_Histogram_Equalization_Method.
S. S. Simon, and X. F. Joseph, “Pre-Processing of Dental X-Ray Images Using Adaptive Histogram Equalization Method,” Italienisch, vol. 9, no. 1, pp. 87-96, 2019. [Electronic resource]. Available: https://www.italienisch.nl/index.php/VerlagSauerlander/article/view/45 .
X. Liu et al., “Advances in Deep Learning-Based Medical Image Analysis,” Health Data Science, 2021. [Online]. Available: https://downloads.spj.sciencemag.org/hds/2021/8786793.pdf .
С. В. Павлов, Д. В. Вовкотруб, С. О. Романюк, і Л. В. Авраменко. «Аналіз методів попереднього оброблення біомедичних зображень,» Наукові праці ДонНТУ № 2 (21), серія «Інформатика, кібернетика та обчислювальна техніка», 2015 р.
P. Vasuki, J. Kanimozhi, and M. B. Devi, “A survey on image preprocessing techniques for diverse fields of medical imagery,” in 2017 IEEE International Conference on Electrical, Instrumentation and Communication Engineering (ICEICE), 2017. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/8192443 .
W. Lin, and Y. Lin, “Soybean image segmentation based on multi-scale Retinex with color restoration,” J. Phys.: Conf. Ser., vol. 2284, no. 1, 012010, 2022. [Online]. Available: https://iopscience.iop.org/article/10.1088/1742-6596/2284/1/012010/pdf .
Abdi and S. Kasaei, “Panoramic Dental X-rays With Segmented Mandibles,” 2020. [Online]. Available: https://data.mendeley.com/datasets/hxt48yk462/2 .
R. B. Jeyavathana, R. Balasubramanian, and A. A. Pandian, “A Survey: Analysis on Pre-processing and Segmentation Techniques for Medical Images,” Int. J. Res. Sci. Innov., 2016. [Online]. Available: https://www.researchgate.net/profile/Anbarasa-Pandian/publication/305502844_A_Survey_Analysis_on_Pre-processing_and_Segmentation_Techniques_for_Medical_Images/links/5792520a08aed51475aed3f5/A-Survey-Analysis-on-Pre-processing-and-Segmentation-Techniques-f .
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” Computer Science Department and BIOSS Centre for Biological Signalling Studies, University of Freiburg, Germany, 2015. [Online]. Available: https://arxiv.org/pdf/1505.04597.pdf .
“PyTorch Image Models, ”GitHub, [Online]. Available: https://github.com/huggingface/pytorch-image-models .
“Albumentations Documentation,” Albumentations, [Online]. Available: https://albumentations.ai/docs/ .
##submission.downloads##
-
PDF
Завантажень: 79
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, так як це може привести до продуктивних обмінів, а також скорішого і ширшого цитування опублікованих робіт (див. вплив відкритого доступу).
