Craniofacial Volumetric Image Estimation From a Lateral Cephalogram Using Cross-Dimensional Discrete Embedding Mapping
Notice bibliographique
Résumé
The lateral cephalogram (LC)-based volumetric image estimation is feasible to relieve the hazardous radiation exposure and study patient-specific 3D morphology of craniofacial structures in clinical orthodontics. The deep learning-based approach has potential in volumetric reconstruction of computed tomography in recent years. However, existing work employed the cross-dimensional feature transformation by channel concatenation or element rearrangement, without considering the voxel-wise semantic inference regarding a variety of anatomical tissues. The deep learning-based model relied on synthetic paired 2D X-rays and 3D volumes and required an additional domain adaption module to generalize to clinical data. This work customizes a cross-dimensional discrete embedding mapping model (CD$^{2}$EM) for 3D craniofacial volumetric image estimation from a 2D LC. The vector quantization-based discrete embedding and the learnable codebook are introduced to relieve redundancy in feature representation for voxel-wise inference of craniofacial structures, with codes indicating the probability distribution of a variety of anatomical tissues. We devise an unsupervised learning scheme to generalize the model to clinically obtained LCs. We demonstrate the advantage and effectiveness of the discrete coding and mapping scheme on the clinical LC-based voxel-wise craniofacial volumetric image estimation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».