Alveolar Bone Segmentation in Intraoral Ultrasonographs with Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of intraoral ultrasound imaging has received great attention recently due to the benefits of being a portable and low-cost imaging solution for initial and continuing care that is noninvasive and free of ionizing radiation. Alveolar bone is an important structure in the periodontal apparatus to support the tooth. Accurate assessment of alveolar bone level is essential for periodontal diagnosis. However, interpretation of alveolar bone structure in ultrasound images is a challenge for clinicians. This work is aimed at automatically segmenting alveolar bone and locating the alveolar crest via a machine learning (ML) approach for intraoral ultrasound images. Three convolutional neural network-based ML methods were trained, validated, and tested with 700, 200, and 200 images, respectively. To improve the robustness of the ML algorithms, a data augmentation approach was introduced, where 2100 additional images were synthesized through vertical and horizontal shifting as well as horizontal flipping during the training process. Quantitative evaluations of 200 images, as compared with an expert clinician, showed that the best ML approach yielded an average Dice score of 85.3%, sensitivity of 88.5%, and specificity of 99.8%, and identified the alveolar crest with a mean difference of 0.20 mm and excellent reliability (intraclass correlation coefficient ≥0.98) in less than a second. This work demonstrated the potential use of ML to assist general dentists and specialists in the visualization of alveolar bone in ultrasound images.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle