Deep learning models to classify skeletal growth phase on 3D radiographs
Notice bibliographique
Résumé
Objectives: Cervical vertebral maturation (CVM) is widely used to evaluate growth potential in orthodontics. This study aims to develop an artificial intelligence (AI) algorithm that automatically predicts the CVM stages in terms of growth phases using cone-beam computed tomography images. Material and Methods: A total of 30,016 slices were obtained from 56 patients with an age range of 7–16 years. After cropping the region of interest, a convolutional neural network (CNN) was built to classify the slices based on the presence of a good vision of vertebrae. The output was used to train another model capable of categorizing the slices into phases of growth, which were defined as Phase I (prepubertal), Phase II (circumpubertal), and Phase III (postpubertal). After training the model, 88 new images were used to evaluate the performance of the model using multi-class classification metrics. Results: The average classification accuracy of the first and second CNN-based deep learning models was 96.06% and 95.79%, respectively. The multi-class classification metrics also showed an overall accuracy of 84% for predicting the growth phase in unseen data. Moreover, Phase I ranked the highest accuracy in terms of F1-score (87%), followed by Phase II (83%) and Phase III (80%). Conclusion: Our proposed models could automatically detect the C2–C4 vertebrae and accurately classify slices into three growth phases without the need for annotating the shape and configuration of vertebrae. This will result in the development of a fully automatic and less complex system with reasonable performance.
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 | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».