Detection of Periapical Lesions on Panoramic Radiographs Using Deep Learning
Notice bibliographique
Résumé
Dentists could fail to notice periapical lesions (PLs) while examining panoramic radiographs. Accordingly, this study aimed to develop an artificial intelligence (AI) designed to address this problem. Materials and methods: a total of 18618 periapical root areas (PRA) on 713 panoramic radiographs were annotated and classified as having or not having PLs. An AI model consisting of two convolutional neural networks (CNNs), a detector and a classifier, was trained on the images. The detector localized PRAs using a bounding-box-based object detection model, while the classifier classified the extracted PRAs as PL or not-PL using a fine-tuned CNN. The classifier was trained and validated on a balanced subset of the original dataset that included 3249 PRAs, and tested on 707 PRAs. Results: the detector achieved an average precision of 74.95%, while the classifier accuracy, sensitivity and specificity were 84%, 81% and 86%, respectively. When integrating both detection and classification models, the proposed method accuracy, sensitivity, and specificity were 84.6%, 72.2%, and 85.6%, respectively. Conclusion: a two-stage CNN model consisting of a detector and a classifier can successfully detect periapical lesions on panoramic radiographs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».