Osteoporosis is a systemic disease that provokes bone mineral density (BMD) losses that eventually cause severe bone fractures. Since it is a silent disease, many are diagnosed only after fractures. Several opportunistic image-based diagnoses are being investigated in combination with artificial intelligence (AI) models in the literature. The present study proposes a mandible-focused dental panoramic X-ray image (PAN) analyses using artificial intelligence models to assess the osteoporosis disease risk. To accomplish that, we initially developed an automatic mandible segmentation for PAN images using an ensemble of deep learning algorithms. To develop this mandible segmentation model, we used two datasets: an in-house dataset (IHD) prepared with 393 PAN images manually annotated by a specialist and a third-party dataset composed of 116 images previously annotated. U-Net and HRNet architectures were considered individually and an ensemble format with and without segmentation post processing. With this approach we achieved the best mandible segmentation performance in the literature with 98.2%, 97.6%, 97.2%, accuracy, dice similarity, and intersection over union, respectively. In the second moment of this study, we used this algorithm to extract the mandible image region of interest (ROI) from PAN images from 380 PAN images from patients who also underwent bone mineral density (BMD) examination. Those patients were organized into two groups according to WHO criteria for diagnosis: healthy (no signs of osteoporosis) and disease risk (osteopenia and osteoporosis). We trained the EfficientNetV2-L model using I) the entire PAN images as inputs and II) the mandible segmentation ROI to separate these two groups. We observed that the model using the mandible segmentation achieved better accuracy and recall (73.9% and 83.0%) than the models trained with the entire image, which indicates considerable gains of using this mandible-focused approach.

A osteoporose é uma doença sistêmica que provoca perdas na densidade mineral óssea (DMO) que eventualmente causam fraturas ósseas graves. Por ser uma doença silenciosa, muitos são diagnosticados apenas após a fratura. Várias estratégias de diagnóstico oportunistas baseados em imagens estão sendo investigados na literatura em combinação com modelos de inteligência artificial (IA). O presente estudo propõe uma análise de imagens de radiografia panorâmicas odontológicas (PAN) focada na mandíbula usando modelos de inteligência artificial para avaliar o risco de osteoporose. Para este fim, desenvolvemos inicialmente uma ferramenta de segmentação automática da mandíbula para imagens PAN usando um conjunto de algoritmos de aprendizado profundo. Para desenvolver este modelo de segmentação mandibular, usamos dois conjuntos de dados: um conjunto de dados interno preparado com 393 imagens PAN anotadas manualmente por um especialista e um conjunto de dados públicos composto por 116 imagens previamente anotadas. As arquiteturas U-Net e HRNet foram consideradas individualmente e no formato de ensemble com e sem pós-processamento de segmentação. Com esta abordagem, alcançamos o melhor desempenho de segmentação mandibular na literatura com 98,2%, 97,6%, 97,2%, precisão, semelhança de dados e interseção sobre união, respectivamente. No segundo momento deste estudo, usamos esse algoritmo para extrair a região de interesse (ROI) mandibular de 380 imagens PAN de pacientes que também realizaram exame de densidade mineral óssea (BMD). Esses pacientes foram organizados em dois grupos de acordo com os critérios de diagnóstico da OMS: saldáveis e risco de doença (osteopenia e osteoporose). Treinamos o modelo EfficientNetV2-L usando I) as imagens PAN completas como entradas e depois II) a ROI de segmentação da mandíbula como entrada para separar esses dois grupos. Observamos que o modelo usando a segmentação da mandíbula obteve melhor acurácia e recall (73,9% e 83,0%) do que os modelos treinados com a imagem inteira, o que indica ganhos consideráveis com o uso dessa abordagem focada na mandíbula.