Employing CNN ensemble models in classifying dental caries using oral photographs
Notice bibliographique
Résumé
Dental caries is arguably the most persistent dental condition that affects most people over their lives. Carious lesions are commonly diagnosed by dentists using clinical and visual examination along with oral radiographs. In many circumstances, dental caries is challenging to detect with photography and might be mistaken as shadows for various reasons, including poor photo quality. However, with the introduction of Artificial Intelligence and robotic systems in dentistry, photographs can be a helpful tool in oral epidemiological research for the assessment of dental caries prevalence among the population. It can be used particularly to create a new automated approach to calculate DMF (Decay, Missing, Filled) index score. In this paper, an autonomous diagnostic approach for detecting dental cavities in photos is developed using deep learning algorithms and ensemble methods. The proposed technique employs a set of pretrained models including Xception, VGG16, VGG19, and DenseNet121 to extract essential characteristics from photographs and to classify images as either normal or caries. Then, two ensemble learning methods, E- majority and E-sum, are employed based on majority voting and sum rule to boost the performances of the individual pretrained model. Experiments are conducted on 50 images with data augmentation for normal and caries images, the employed E-majority and E-sum achieved an accuracy score of 96% and 97%, respectively. The obtained results demonstrate the superiority of the proposed ensemble framework in the detection of caries. Furthermore, this framework is a step toward constructing a fully automated, efficient decision support system to be used in the dentistry area.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».