Advancing Cephalometric Soft-Tissue Landmark Detection: An Integrated AdaBoost Learning Approach Incorporating Haar-Like and Spatial Features
Notice bibliographique
Résumé
The detection of cephalometric landmarks in radiographic imagery is pivotal to an extensive array of medical applications, notably within orthodontics and maxillofacial surgery.Manual annotation of these landmarks, however, is not only labour-intensive but also subject to potential inaccuracies.To address these challenges, we propose a robust, fully automated method for detecting soft-tissue landmarks.This innovative method effectively integrates two disparate types of descriptors: Haar-like features, which are primarily employed to capture local edges and lines, and spatial features, designed to encapsulate the spatial information of landmarks.The integration of these descriptors facilitates the construction of a potent classifier using the AdaBoost technique.To validate the efficacy of the proposed method, a novel dataset for the task of soft-tissue landmark detection is introduced, accompanied by two distinct evaluation protocols to determine the detection rate.The first protocol quantifies the detection rate within the Mean Radial Error (MRE), while the second protocol measures the detection rate within a predefined confidence region R.The conducted experiments demonstrated the proposed method's superiority over existing state-of-the-art techniques, yielding average detection rates of 76.7% and 94% within a 2mm radial distance and within the confidence region R, respectively.This study's findings underscore the potential of this innovative approach in enhancing the accuracy and efficiency of cephalometric landmark detection.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».