基於深度學習的上顎後牙缺牙區域檢測與齒槽骨厚度分類

隨著牙科診療技術的進步，植牙已成為治療缺牙的主流方式。然而在上顎後牙區進行植牙時，由於剩餘齒槽骨高度常受上顎竇限制，臨床上常需評估是否執行上顎竇提升術以增加骨量，確保植體穩定性並降低術中併發症風險。上顎竇提升術是透過將上顎竇膜向上推移，創造足夠的空間放置骨移植材料來增加上顎後牙區的齒槽骨厚度，避免植牙過程中穿破上顎竇膜。目前，臨床評估剩餘齒槽骨高度的方法主要依賴CBCT（錐狀束電腦斷層掃描）進行骨高度測量，但CBCT 影像的判讀需要專業醫師來進行，增加了臨床操作的時間成本與人力需求。相較之下，全口X光影像（DPR）為更普及且低成本之影像檢查工具，若能透過人工智慧（AI）模型進行自動化分析，將有助於提升診斷效率與決策一致性。
本研究以YOLOv9-C物件偵測架構為基礎，建構一套能同時自動定位上顎後牙缺牙區域並分類是否需進行骨增量（bone-graft / no-bone-graft）的深度學習模型，應用於牙科DPR影像，以協助植牙術前的初步判斷。研究數據來自Kaggle公開全口X光影像數據集，篩選去除影像模糊、有矯正器、乳牙或無上顎缺牙之影像，最終納入191張影像。齒槽骨高度由SMARTDent V3系統測量，並以10mm為分類標準進行骨增量需求標註。標註作業透過Roboflow平台進行bounding box框選。
前處理流程設計包含ROI擷取、自適應直方圖均衡化（CLAHE）、USM銳化處理與影像尺寸標準化，並搭配水平翻轉、平移與亮度調整等資料增強策略提升模型泛化能力。最終產出764張影像與2524個標註框（bone-graft：1388 / no-bone-graft：1136），資料分配為70%訓練集、15%驗證集與15%測試集。研究亦設計消融實驗探討各前處理步驟之效益，並比較不同confidence threshold設定對分類與定位結果之影響；此外另取一組公開資料集進行外部驗證，以評估模型跨資料來源之泛化能力。為更進一步分析資料增強對模型穩定性與真實場景適應性的影響，本研究亦設計「去增量化對照實驗」，以未經增強之原始資料訓練模型並進行驗證與測試。同時亦延長模型訓練週期至 80 epoch，觀察其對外部資料效能之影響。
實驗結果顯示，本研究模型在主測試集上達成mAP@0.5為0.985、mAP@0.5:0.95 為0.753，分類任務中Precision、Recall與F1分數均達 0.9 以上，表現穩定。調整confidence threshold至0.5可有效減少背景誤判並提升precision與F1分數。消融實驗結果顯示完整前處理流程具加乘效益，尤以CLAHE對影像對比與辨識性提升影響最多。外部資料集驗證結果顯示模型效能明顯下降，包含分類任務中的 Precision、Recall 與 F1 分數皆顯著低於主測試集表現。此差異可能源自資料來源的異質性、標註風格不一致與類別分布不平衡等因素，突顯模型在跨資料來源情境下仍存在泛化能力不足的挑戰，亦反映未來在實際臨床應用前，需進一步強化模型的魯棒性與適應性。
本研究結果證實YOLOv9-C具備應用於牙科DPR影像中，執行缺牙區域定位與骨增量需求分類的可行性，並具備實際應用潛力。未來可結合多中心資料、導入可解釋性技術等，以強化模型的穩健性與臨床實用性。此技術有望成為診所中的輔助判讀工具，不僅提升診斷效率、減少人工誤判，也有助於降低對專業人力的依賴與負擔，特別是在資源有限或需即時決策的臨床情境中，展現高度實用價值。