Registration of serial maxillary models via the weighted rugae superimposition method
Notice bibliographique
Résumé
OBJECTIVES: We introduce a weighted method for superimposition of serial digital maxillary models based on the variable stability of rugae points. SETTING AND SAMPLE POPULATION: Plaster maxillary models of 24 randomly selected 12-year-olds as well as their models at the age of 14 were obtained and scanned using a benchtop structured-light 3D scanner. METHODS: The models were registered twice, once via the unweighted and again via the proposed weighted rugae superimposition method based on 12 rugae landmarks. For each superimposition, distances between the corresponding rugae points were measured and compared with reported displacements of rugae points in literature. RESULTS: The unweighted superimposition produced no meaningful differences in terms of total displacements of registration landmarks, whereas the weighted method recognized the medial points of the third ruga as the most stable landmarks. Results of the weighted method also demonstrated statistically significant smaller changes for medial rugae points in almost every dimension compared to the lateral rugae points. These results comply with the growth patterns of maxilla and rugae point displacements reported in similar studies. CONCLUSION: Considering the variable stability of rugae points during growth, the weighted rugae superimposition method results in more promising registrations on serial models. This method prioritizes registration landmarks based on clinical criteria of choice and is suitable for analysis of other structures such as tooth movements.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».