Résultats du défi de scan dentaire 3D 2022

Le défi de segmentation et d'Étiquetage des scans dentaires 3D, qui a eu lieu en 2022, visait à améliorer notre façon d'analyser les dents à l'aide de scans 3D pris dans la bouche. Ces scans sont super importants pour les dentistes afin de poser des diagnostics et de planifier des traitements. Mais, créer des programmes qui peuvent automatiquement identifier et étiqueter les dents dans ces scans, c'est pas si simple à cause des différences de formes et d'états des dents.

Ce défi a fourni une large gamme de données de scans 3D de patients, permettant aux équipes de créer et de tester leurs algorithmes. L'objectif était d'améliorer les techniques pour trouver, segmenter et étiqueter les dents dans les scans 3D.

#Importance de l'analyse des dents

La Localisation, la segmentation et l'étiquetage des dents sont des tâches cruciales en dentisterie moderne. Identifier et étiqueter correctement chaque dent aide les dentistes de différentes manières, comme un meilleur diagnostic, une meilleure planification des traitements et la recherche sur la santé bucco-dentaire. Mais, c'est compliqué à cause des nombreux facteurs qui peuvent varier d'un patient à l'autre, comme la forme des dents, leur position et la présence de problèmes dentaires.

#Mise en place du défi

Le défi 3DTeethSeg'22 a été organisé en parallèle d'une grande conférence sur l'imagerie médicale. Il a lancé un appel aux algorithmes capables de gérer efficacement les tâches de localisation, de segmentation et d'étiquetage des dents à partir des scans. Le défi a collecté un ensemble de données de 1800 scans 3D de 900 patients, où chaque dent a été marquée par des experts utilisant un algorithme hybride combinant efforts humains et machine.

Les données utilisées pour le défi provenaient de différents scanners intra-oraux reconnus pour leur précision. Chaque patient a subi deux scans, un pour la mâchoire supérieure et un pour la mâchoire inférieure. Cela a permis d’avoir une vue complète de leurs dents.

#Défis dans l'analyse des dents

La Segmentation des dents est difficile pour plusieurs raisons :

• Variations de position et de forme : Chaque personne a une anatomie dentaire unique, ce qui rend difficile pour les algorithmes d'identifier les dents de manière cohérente.
• Anomalies dans la dentition : Des problèmes comme le surpeuplement ou la dent manquante compliquent l'identification des bordures des dents.
• Équipements dentaires : Des objets comme les appareils dentaires peuvent obstruer la vue des dents, rendant leur identification plus difficile.
• Dommages : Les dents cassées ou usées peuvent aussi poser des défis en matière de segmentation.

Pour aborder ces défis, le défi s'est principalement concentré sur le premier problème : les différences de position et de forme des dents chez différentes personnes.

#Termes clés dans la segmentation des dents

Pour comprendre les tâches du défi, trois termes clés sont importants :

1. Localisation : Cela fait référence à identifier où chaque dent est située dans l'espace 3D.
2. Segmentation : C'est le processus de délimitation de la forme de chaque dent en fonction de sa position détectée.
3. Étiquetage : Après la segmentation, chaque dent se voit attribuer une étiquette ou une classe spécifique.

Le défi suivait un système de labellisation standardisé connu sous le nom de système de numérotation FDI.

#Travaux précédents en segmentation des dents

Les méthodes existantes pour la segmentation des dents peuvent être divisées en deux grandes catégories :

#Approches basées sur des caractéristiques artisanales

Ces approches reposent sur l'extraction de caractéristiques spécifiques des scans 3D, comme la courbure de surface, pour identifier et segmenter les dents. Il existe plusieurs types de techniques au sein de cette catégorie, y compris :

• Méthodes de courbure de surface : Ces techniques utilisent des informations de courbure pour identifier les surfaces dentaires et localiser les bordures.
• Méthodes de ligne de contour : Dans ces méthodes, les utilisateurs sélectionnent manuellement les bordures dentaires sur les scans pour aider à créer les contours finaux.
• Méthodes de champ harmonique : Ces méthodes permettent moins d'interaction utilisateur en nécessitant seulement quelques points de surface pour guider le processus de segmentation.

Bien que ces méthodes aient été utiles, elles manquent souvent de robustesse et peuvent avoir du mal avec l'automatisation. Des ajustements manuels sont fréquemment nécessaires, ce qui les rend moins efficaces.

#Approches basées sur l'apprentissage

Les avancées récentes dans l'apprentissage profond ont déplacé l'accent vers l'extraction automatique de caractéristiques. En utilisant des techniques comme les réseaux de neurones convolutionnels (CNN), les chercheurs ont montré que les méthodes basées sur les données peuvent surpasser les anciennes techniques artisanales.

Il y a deux principaux types d'approches basées sur l'apprentissage :

• Segmentation d'images 2D : Cela implique de convertir les données scannées en 3D en images 2D et d'utiliser des réseaux pour les analyser.
• Segmentation de maillages 3D : Ici, des méthodes d'apprentissage profond sont appliquées directement aux modèles 3D, permettant une segmentation et un étiquetage plus efficaces.

Ces méthodes basées sur l'apprentissage ont montré des promesses, menant souvent à une segmentation et une identification des dents plus précises et automatiques.

#Acquisition et annotation des données

Les données pour le défi ont été soigneusement acquises dans le respect des réglementations sur la vie privée. Les scans ont été obtenus auprès de professionnels dentaires expérimentés en orthodontie et chirurgie. Les scanners utilisés étaient bien réputés pour leur précision.

Le processus d'annotation des données a été complet, impliquant plusieurs étapes pour garantir que chaque dent était correctement étiquetée. Ce processus comprenait :

1. Prétraitement : Suppression des données inutiles des scans pour améliorer la précision.
2. Annotation manuelle : Des professionnels formés ont délimité chaque dent sur la base de critères définis.
3. Validation : Des experts cliniques ont révisé les annotations pour garantir leur exactitude.

Ce processus rigoureux a garanti que l'ensemble de données était fiable pour entraîner et tester les algorithmes.

#Phases du défi

Le défi était structuré en trois phases principales :

1. Phase d'entraînement : Les participants avaient accès à toutes les données d'entraînement pour développer leurs algorithmes.
2. Première phase de test : Une évaluation préliminaire utilisant un petit sous-ensemble de données a permis aux participants de mesurer leur performance.
3. Phase de test finale : Ici, les participants ont soumis leurs algorithmes dans un environnement contrôlé où ils ne pouvaient pas réentraîner leurs modèles, assurant ainsi l'équité.

#Évaluation des algorithmes

Pour mesurer le succès des différentes approches, plusieurs métriques d'évaluation ont été établies :

• Précision de localisation des dents : Cette métrique examine à quel point le centre de chaque dent a été identifié avec précision.
• Précision de segmentation des dents : Cela mesurait à quel point la segmentation des dents correspondait aux véritables bordures des dents.
• Taux d'identification des dents : Cette métrique évaluait combien des dents détectées ont été correctement étiquetées selon la vérité de terrain.

Ces métriques ont donné une vue d'ensemble des performances de chaque algorithme.

#Équipes participantes et méthodes

Quarante-quatre équipes se sont inscrites au défi, et dix ont soumis leurs algorithmes pour évaluation. Voici quelques méthodes utilisées par les équipes les plus performantes :

#Équipe CGIP

L'équipe CGIP a développé une méthode qui combinait segmentation et étiquetage dans un pipeline. Leur approche prédisait avec précision les étiquettes et utilisait un module de regroupement de points pour affiner les résultats.

#Équipe FiboSeg

Cette équipe a rendu des vues 2D à partir de scans 3D et a utilisé un réseau de neurones pour les analyser. Leur méthode comprenait plusieurs étapes pour attribuer des étiquettes et lisser les bordures après la segmentation.

#Équipe IGIP

La méthode de l'équipe IGIP se concentrait sur la prédiction des centroids dentaires avant de segmenter et d'étiqueter les dents, assurant une approche structurée qui prenait en compte les caractéristiques locales et la structure globale.

#Équipe TeethSeg

En utilisant le modèle U-net, cette équipe a segmenté le maillage 3D et l'a affiné en analysant des caractéristiques géométriques locales pour améliorer la précision.

#Équipe OS

Ils ont intégré une approche en deux étapes qui combinait les prédictions d'images 2D avec la segmentation 3D, démontrant une compréhension complète des deux dimensions.

#Équipe Champers

Cette équipe a appliqué une nouvelle architecture qui utilisait des transformateurs avancés pour les nuages de points et se concentrait sur des prédictions précises de centroids et une segmentation efficace.

#Résultats du défi

Pendant le défi, différentes équipes ont atteint différents niveaux de succès. L'équipe CGIP a obtenu le meilleur score global grâce à sa forte performance en segmentation. L'équipe FiboSeg a excellé dans la détection des dents, tandis que l'équipe IGIP a été remarquée dans la tâche d'étiquetage.

#Évaluation quantitative

En se basant sur les métriques d'évaluation, l'équipe CGIP, l'équipe FiboSeg et l'équipe IGIP ont obtenu les meilleurs scores pour leurs tâches respectives. Leurs approches ont montré les forces distinctes de leurs méthodologies.

#Évaluation qualitative

Les évaluations visuelles des résultats ont indiqué que certaines approches étaient plus réussies en segmentation, tandis que d'autres identifiaient mieux les bordures des dents. Observer les images segmentées réelles a fourni des aperçus sur la précision et les domaines à améliorer.

#Directions futures

Pour l'avenir, les prochaines itérations du défi pourraient bénéficier d'un ensemble de données plus riche qui inclut des cas plus complexes. S'attaquer à des variations comme les dents manquantes ou endommagées aidera à améliorer la performance des algorithmes dans des scénarios réels.

En fin de compte, il est aussi essentiel d'évaluer la vitesse et l'efficacité de chaque algorithme, car ce sont des facteurs essentiels à considérer pour intégrer ces solutions dans les pratiques dentaires quotidiennes.

En continuant à affiner les approches prises dans ces défis, les chercheurs peuvent développer de meilleurs outils qui aident au diagnostic dentaire et à la planification des traitements.