MétaCan
Menu
Retour à la cohorte
Enregistrement W3173215294 · doi:10.3390/app11135850

Computer-Assisted Detection of Cemento-Enamel Junction in Intraoral Ultrasonographs

2021· article· en· W3173215294 sur OpenAlexafffund
Kim-Cuong T. Nguyen, Yuening Yan, Neelambar R. Kaipatur, Paul W. Major, Edmond Lou, Kumaradevan Punithakumar, Lawrence H. Le

Notice bibliographique

RevueApplied Sciences · 2021
Typearticle
Langueen
DomaineDentistry
ThématiqueDental Radiography and Imaging
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta InnovatesChina Scholarship CouncilMitacsChildren's Hospital FoundationStollery Children’s Hospital FoundationAlberta Innovates - Technology FuturesWomen and Children's Health Research InstituteChildren's Health Research Institute
Mots-clésEnamel paintCementumArtificial intelligencePreprocessorComputer visionComputer scienceMaterials scienceDentistryMedicineDentin

Résumé

récupéré en direct d'OpenAlex

The cemento-enamel junction (CEJ) is an important reference point for various clinical measurements in oral health assessment. Identifying CEJ in ultrasound images is a challenging task for dentists. In this study, a computer-assisted detection method is proposed to identify the CEJ in ultrasound images, based on the curvature change of the junction outlining the upper edge of the enamel and cementum at the cementum–enamel intersection. The technique consists of image preprocessing steps for image enhancement, segmentation, and edge detection to locate the boundary of the enamel and cementum. The effects of the image preprocessing and the sizes of the bounding boxes enclosing the CEJ were studied. For validation, the algorithm was applied to 120 images acquired from human volunteers. The mean difference of the best performance between the proposed method and the two raters’ measurements was an average of 0.25 mm with reliability ≥ 0.98. The proposed method has the potential to assist dental professionals in CEJ identification on ultrasonographs to provide better patient care.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,579
Score d'incertitude au seuil0,343

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,256
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetDental Radiography and ImagingTravaux en français237 207