Image-based Mandibular and Maxillary Parcellation and Annotation using Computer Tomography (IMPACT): A Deep Learning-based Clinical Tool for Orodental Dose Estimation and Osteoradionecrosis Assessment
Notice bibliographique
Résumé
Background: Accurate delineation of orodental structures on radiotherapy CT images is essential for dosimetric assessments and dental decisions. We propose a deep-learning auto-segmentation framework for individual teeth and mandible/maxilla sub-volumes aligned with the ClinRad ORN staging system. Methods: Mandible and maxilla sub-volumes were manually defined, differentiating between alveolar and basal regions, and teeth were labelled individually. For each task, a DL segmentation model was independently trained. A Swin UNETR-based model was used for the mandible sub-volumes. For the smaller structures (e.g., teeth and maxilla sub-volumes) a two-stage segmentation model first used the ResUNet to segment the entire teeth and maxilla regions as a single ROI that was then used to crop the image input of the Swin UNETR. In addition to segmentation accuracy and geometric precision, a dosimetric comparison was made between manual and model-predicted segmentations. Results: Segmentation performance varied across sub-volumes - mean Dice values of 0.85 (mandible basal), 0.82 (mandible alveolar), 0.78 (maxilla alveolar), 0.80 (upper central teeth), 0.69 (upper premolars), 0.76 (upper molars), 0.76 (lower central teeth), 0.70 (lower premolars), 0.71 (lower molars) - and exhibited limited applicability in segmenting teeth and sub-volumes often absent in the data. Only the maxilla alveolar central sub-volume showed a statistically significant dosimetric difference (Bonferroni-adjusted p-value = 0.02). Conclusion: We present a novel DL-based auto-segmentation framework of orodental structures, enabling spatial localization of dose-related differences in the jaw. This tool enhances image-based bone injury detection, including ORN, and improves clinical decision-making in radiation oncology and dental care for head and neck cancer patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».