Self-CephaloNet: a two-stage novel framework using operational neural network for cephalometric analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Cephalometric analysis is essential for the diagnosis and treatment planning of orthodontics. In lateral cephalograms, however, the manual detection of anatomical landmarks is a time-consuming procedure. Deep learning solutions hold the potential to address the time constraints associated with certain tasks; however, concerns regarding their performances have been observed. To address this critical issue, we propose an end-to-end cascaded deep learning framework (Self-CephaloNet) for the task, which demonstrates benchmark performance over the ISBI 2015 dataset in predicting 19 cephalometric landmarks. Due to their adaptive nodal capabilities, Self-ONN (self-operational neural networks) demonstrates superior learning performance for complex feature spaces over conventional convolutional neural networks. To leverage this attribute, we introduce a novel self-bottleneck in the HRNetV2 (high-resolution network) backbone, which has exhibited benchmark performance on our landmark detection task. Our first-stage result surpasses previous studies, showcasing the efficacy of our singular end-to-end deep learning model, which achieves a remarkable 70.95% success rate in detecting cephalometric landmarks within a 2-mm range for the Test1 and Test2 datasets which are part of ISBI 2015 dataset. Moreover, the second stage significantly improves overall performance, yielding an impressive 82.25% average success rate for the datasets above within the same 2-mm distance. Furthermore, external validation has been conducted using the PKU cephalogram dataset. Our model demonstrates a commendable success rate of 75.95% within the 2-mm range.
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.
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 | 0,004 |
| Études des sciences et des technologies | 0,001 | 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 découle