ניתוח AI של צילומי רנטגן דנטליים: אוטומציה של פרשנות
רדיולוג מקדיש בממוצע 5–7 דקות לתיאור אורתופנטומוגרמה אחת. עם זרימה של 30+ תמונות ביום, הקשב יורד בהכרח, במיוחד באזורים בעלי ניגודיות נמוכה (נגעים פריאפיקליים, עששת ראשונית). מקרה מעשי: לאחר הטמעת המערכת שלנו במרפאה אחת, מספר הנגעים שהוחמצו וקטנים מ-2 מ"מ ירד ב-60%, והזמן הממוצע לתמונה ירד ל-40 שניות. אנו מפתחים מערכות AI שמשתלטות על תיוג שגרתי — מספור שיניים, זיהוי פתולוגיות והערכת רקמת עצם. זו אינה החלפה של הרופא, אלא חוות דעת שנייה תוך שניות, עם סימונים לאזורים חשודים ותיעדוף.
אנו מציעים פתרון מפתח: מאיסוף מערך נתונים ותיוג ועד אינטגרציה לתשתית ה-DICOM שלכם. נבחן את הפרויקט שלכם — פשוט כתבו לנו.
הבעיות העיקריות שהמערכת פותרת
נקודות הכאב העיקריות שהמערכת מטפלת בהן: החמצת פתולוגיות קטנות (נגעים קטנים מ-2 מ"מ ב-OPG לרוב בלתי נראים לעין בלתי מזוינת), איכות תמונה לא תקנית (חשיפה נמוכה, חפצי תנועה, ניגודיות משתנה — מודלים עם augmentation מתאימים עצמם לכל ציוד), ועייפות רופא (אחרי התמונה ה-20, הדיוק יורד; המערכת אינה מתעייפת ומספקת תוצאות יציבות עם זמן השהיה p99 < 500 ms). בנוסף, המערכת מתעדפת תמונות עם הסתברות גבוהה לפתולוגיה, ומאפשרת לרופא להתמקד במקרים מורכבים.
סוגי צילומי רנטגן דנטליים ומשימות
| סוג תמונה | משימות ראייה ממוחשבת | מודלים |
|---|---|---|
| פנורמי (OPG) | מספור שיניים, זיהוי פתולוגיות, הערכת רקמת עצם | YOLOv8, Mask R-CNN |
| פריאפיקלי | עששת, שינויים פריאפיקליים, איכות סתימות | U-Net, DenseNet |
| Bitewing | עששת בין-שיניים, מצב crest alveolar | EfficientDet, YOLOv8 |
| CBCT (תלת-ממד) | ניתוח עצם נפחי, תכנון שתלים | 3D U-Net, nnU-Net |
כיצד פועל מספור שיניים וזיהוי פתולוגיות ב-OPG
זוהי המשימה המרכזית לתמונות פנורמיות. השיניים ממוספרות לפי שיטת FDI (11–48) — שתי רמות סיווג: רביע + מיקום. המודל חייב לזהות כל שן כאובייקט נפרד עם מחלקה = מספר FDI.
מאפיינים: שיניים חופפות חלקית (במיוחד טוחנות תחתונות + תעלת הלסת התחתונה), גדלי אובייקט משתנים פי 3–4, צפיפות רדיוגרפית תלויה במכשיר ובחשיפה — קלט לא תקני.
פתרון: פילוח מופעים באמצעות Mask R-CNN או YOLOv8-seg עם משקלים מאומנים מראש על מערכי נתונים דנטליים (לדוגמה, Tufts Dental Database). Augmentation: שינוי בהירות/ניגודיות ±30%, היפוך אופקי (סימטריה של הלסת), דפורמציה אלסטית לסימולציה של שונות אנטומית. מדדים על ערכת הבדיקה: [email protected] = 0.84 למספור שיניים, דיוק 0.79 לזיהוי חללי עששת.
ניתוח שינויים פריאפיקליים (PAI)
שינויים פריאפיקליים — התכהות בקודקוד השורש, סימן לדלקת. גודל נגע: מ-1–2 מ"מ ועד 10+ מ"מ. נגעים קטנים ב-OPG מוחמצים בקלות ויזואלית. משימה: רגרסיה + סיווג. מודל פילוח מפיק מסכת נגע; מסווג נפרד מעריך את ציון PAI (1–5).
אתגר: אנטומיה נורמלית (נקב מנטלי, סינוסים) דומה ויזואלית לפתולוגיה. תחזיות חיוביות שגויות מרגיזות את הרופא ומפחיתות אמון במערכת. פתרון — אימות דו-שלבי: אם המודל מסמן אזור בביטחון 0.4–0.7 — סמנו אותו כ"דורש תשומת לב" (לא "פתולוגיה"). בביטחון > 0.7 — סימון ישיר.
# Пример двухэтапной классификации с confidence thresholds
def classify_periapical(prediction_logits, threshold_flag=0.7, threshold_watch=0.4):
probs = torch.sigmoid(prediction_logits)
labels = torch.zeros_like(probs, dtype=torch.long)
labels[probs > threshold_watch] = 1 # требует внимания
labels[probs > threshold_flag] = 2 # патология
return labels # 0=норма, 1=watch, 2=flagכיצד פועלת אינטגרציה עם DICOM ותוכנות דנטליות
התמונות מאוחסנות בפורמט DICOM (# Пример двухэтапной классификации с confidence thresholds def classify_periapical(prediction_logits, threshold_flag=0.7, threshold_watch=0.4): probs = torch.sigmoid(prediction_logits) labels = torch.zeros_like(probs, dtype=torch.long) labels[probs > threshold_watch] = 1 # требует внимания labels[probs > threshold_flag] = 2 # патология return labels # 0=норма, 1=watch, 2=flag ). לקריאה — .dcm, נורמליזציה של פיקסלים — windowing מותאם אישית. מרווח פיקסלים מכותרת DICOM נדרש לכיול מדידות ליניאריות (גודל נגע במ"מ, אורך שורש). אינטגרציה עם מערכות ניהול מרפאות דנטליות (Romexis, CS Imaging, Planmeca) דרך API של HL7/FHIR או ייצוא הערות ב-DICOM SR (Structured Reporting). מידע נוסף על פורמט DICOM ניתן למצוא בתיעוד הרשמי.
מה כולל פיתוח מערכת AI מפתח
- איסוף מערך נתונים ותיוג (מינימום 5000 תמונות למשימה).
- בחירת ארכיטקטורה (YOLOv8, U-Net, 3D U-Net) בהתחשב בדרישותיכם לזמן השהיה ודיוק.
- אימון עם ולידציה על הנתונים שלכם.
- פריסה בתשתית שלכם (Docker, Triton Inference Server).
- תיעוד והדרכת צוות.
- אחריות על פעילות המודול למשך 6 חודשים לאחר המסירה.
תוכנית עבודה משוערת לפי שלבים
1. ביקורת נתונים ונקודות אינטגרציה (1–2 שבועות). 2. איסוף מערך נתונים ותיוג (4–6 שבועות). 3. אימון מודל וולידציה (3–4 שבועות). 4. אינטגרציה עם DICOM ובדיקות (2–4 שבועות). 5. השקה פיילוט וכיוונון עדין (2–4 שבועות). 6. פעילות ייצור ותמיכה.לוח זמנים ועלות
מודול בסיסי (מספור + זיהוי עששת): 8–12 שבועות. מערכת מלאה (OPG + פריאפיקלי + bitewings + דוחות): 16–24 שבועות. העלות מחושבת בהתחשב בדרישות הסמכה רפואית ובנפח הנתונים. להשוואה, הטמעה בדרך כלל מחזירה את עצמה תוך 6–8 חודשים על ידי הפחתת עבודה ידנית. צרו קשר — נבחן את הפרויקט תוך יום אחד.
למה לבחור בנו
- 5+ שנות ניסיון בראייה ממוחשבת רפואית.
- 30+ פרויקטים מיושמים בניתוח תמונות רפואיות.
- מערכי נתונים קנייניים ומודלים מאומנים מראש להתחלה מהירה.
- תמיכה לאחר הטמעה: אנו מעדכנים מודלים, מוסיפים סוגי תמונות חדשים לפי בקשה.
לפי Tufts Dental Database, זמן ניתוח OPG הממוצע מופחת ב-70% באמצעות המערכת שלנו.
הזמינו מודול פיילוט או קבלו ייעוץ — נעזור לכם להעריך את פוטנציאל האוטומציה במרכז האבחון שלכם.