Accuracy of a Cascade Network for Semi‐Supervised Maxillary Sinus Detection and Sinus Cyst Classification
Notice bibliographique
Résumé
OBJECTIVE: Maxillary sinus mucosal cysts represent prevalent oral and maxillofacial diseases, and their precise diagnosis is essential for surgical planning in maxillary sinus floor elevation. This study aimed to develop a deep learning-based pipeline for the classification of maxillary sinus lesions in cone beam computed tomography (CBCT) images to provide auxiliary support for clinical diagnosis. METHODS: This study utilized 45 136 maxillary sinus images from CBCT scans of 541 patients. A cascade network was designed, comprising a semi-supervised maxillary sinus area object detection module and a maxillary sinus lesions classification module. The object detection module employed a semi-supervised pseudo-labelling training strategy to expand the maxillary sinus annotation dataset. In the classification module, the performance of Convolutional Neural Network and Transformer architectures was compared for maxillary sinus mucosal lesion classification. The object detection and classification modules were evaluated using metrics including Accuracy, Precision, Recall, F1 score, and Average Precision, with the object detection module additionally assessed using Precision-Recall Curve. RESULTS: The fully supervised pseudo-label generation model achieved an average accuracy of 0.9433, while the semi-supervised maxillary sinus detection model attained 0.9403. ResNet-50 outperformed in classification, with accuracies of 0.9836 (sagittal) and 0.9797 (coronal). Grad-CAM visualization confirmed accurate focus on clinically relevant lesion features. CONCLUSION: The proposed pipeline achieves high-precision detection and classification of maxillary sinus mucosal lesions, reducing manual annotation while maintaining accuracy.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».