Adaptive Point Learning with Uncertainty Quantification to Generate Margin Lines on Prepared Teeth
Notice bibliographique
Résumé
During a crown generation procedure, dental technicians depend on commercial software to generate a margin line to define the design boundary for the crown. The margin line generation remains a non-reproducible, inconsistent, and challenging procedure. In this work, we propose to generate margin line points on prepared teeth meshes using adaptive point learning inspired by the AdaPointTr model. We extracted ground truth margin lines as point clouds from the prepared teeth and crown bottom meshes. The chamfer distance (CD) and infoCD loss functions were used for training a supervised deep learning model that outputs a margin line as a point cloud. To enhance the generation results, the deep learning model was trained based on three different resolutions of the target margin lines, which were used to back-propagate the losses. Five folds were trained and an ensemble model was constructed. The training and test sets contained 913 and 134 samples, respectively, covering all teeth positions. Intraoral scanning was used to collect all samples. Our post-processing involves removing outlier points based on local point density and principal component analysis (PCA) followed by a spline prediction. Comparing our final spline predictions with the ground truth margin line using CD, we achieved a median distance of 0.137 mm. The median Hausdorff distance was 0.242 mm. We also propose a novel confidence metric for uncertainty quantification of generated margin lines during deployment. The metric was defined based on the percentage of removed outliers during the post-processing stage. The proposed end-to-end framework helps dental professionals in generating and evaluating margin lines consistently. The findings underscore the potential of deep learning to revolutionize the detection and extraction of 3D landmarks, offering personalized and robust methods to meet the increasing demands for precision and efficiency in the medical field.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».