Automated Segmentation of Graft Material in 1‐Stage Sinus Lift Based on Artificial Intelligence: A Retrospective Study
Notice bibliographique
Résumé
OBJECTIVES: Accurate assessment of postoperative bone graft material changes after the 1-stage sinus lift is crucial for evaluating long-term implant survival. However, traditional manual labeling and segmentation of cone-beam computed tomography (CBCT) images are often inaccurate and inefficient. This study aims to utilize artificial intelligence for automated segmentation of graft material in 1-stage sinus lift procedures to enhance accuracy and efficiency. MATERIALS AND METHODS: Swin-UPerNet along with mainstream medical segmentation models, such as FCN, U-Net, DeepLabV3, SegFormer, and UPerNet, were trained using a dataset of 120 CBCT scans. The models were tested on 30 CBCT scans to evaluate model performance based on metrics including the 95% Hausdorff distance, Intersection over Union (IoU), and Dice similarity coefficient. Additionally, processing times were also compared between automated segmentation and manual methods. RESULTS: Swin-UPerNet outperformed other models in accuracy, achieving an accuracy rate of 0.84 and mean precision and IoU values of 0.8574 and 0.7373, respectively (p < 0.05). The time required for uploading and visualizing segmentation results with Swin-UPerNet significantly decreased to 19.28 s from the average manual segmentation times of 1390 s (p < 0.001). CONCLUSIONS: Swin-UPerNet exhibited high accuracy and efficiency in identifying and segmenting the three-dimensional volume of bone graft material, indicating significant potential for evaluating the stability of bone graft material.
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 | 0,004 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».