Segmentation of Trabecular Jaw Bone on Cone Beam <scp>CT</scp> Datasets
Notice bibliographique
Résumé
BACKGROUND: The term bone quality is often used in a dentomaxillofacial context, for example in implant planning, as bone density and bone structure have been linked to primary implant success. PURPOSE: This research aimed to investigate the performance of adaptive thresholding of trabecular bone in cone beam CT (CBCT) images. The segmentation quality was assessed for different imaging devices and upper and lower jaws. MATERIALS AND METHODS: Four jaws were scanned with eight CBCT scanners and one micro-CT device. Images of the jaws were spatially aligned with the micro-CT images. Two volumes of interest for each jaw were manually delineated. Trabecular bone in the volumes of interest in the micro-CT images was segmented so that the micro-CT images could serve as high-resolution ground truth images. The volumes of interest in the CBCT images were segmented using both global and adaptive thresholding. RESULTS: Segmentation was significantly better for the lower jaw than for the upper jaw. Differences in performance between the scanners were significant for both jaws. Adaptive thresholding performed significantly better in segmenting the bone structure out of CBCT images. CONCLUSIONS: When assessing jaw bone structure, the observer should always choose adaptive thresholding. It remains a challenge to identify the optimal threshold selection for the structural assessment of jaw bone.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».