Optimized classification of dental implants using convolutional neural networks and pre-trained models with preprocessed data
Notice bibliographique
Résumé
OBJECTIVE: This study evaluates the performance of various classifiers and pre-trained models for dental implant state classification using preprocessed radiography images with masks. METHODOLOGY: A dataset of 511 periapical images, including 275 for Bicon, 70 for Bego, and 166 for ITI implants, was expanded to 5110 images using data augmentation techniques such as rotation, flipping, and scaling. Preprocessing included resizing, sharpening, noise reduction, CLAHE-based contrast enhancement, implant-specific masking, and normalization. Classifiers including Convolutional Neural Networks (CNN), Convolutional Support Vector Machine (CSVM), Convolutional Decision Tree (CDT), and Convolutional Random Forest (CRF) were employed. Pre-trained models such as VGG16, ResNet50, and Xception enhanced feature extraction. Model performance was assessed using accuracy, precision, recall, F1 score, and ROC AUC, with fivefold cross-validation ensuring robustness. RESULTS: CRF achieved the highest performance for ITI with Bego implants, with accuracy of 0.8966, precision of 0.9364, recall of 0.9253, F1 score of 0.9304, and ROC AUC of 0.9351. CNN delivered the best results for Bicon with Bego implants, achieving 0.9533 accuracy. Among pre-trained models, VGG16 with preprocessed data achieved superior results for Bicon vs. ITI classification, with 0.9865 accuracy and 0.9877 ROC AUC. Data augmentation and preprocessing significantly improved classifier performance. CONCLUSION: Preprocessing steps, coupled with data augmentation, enhanced classification performance, ensuring robustness across models. CRF and CNN were the top-performing classifiers, with VGG16 excelling among pre-trained models. These results highlight the importance of data augmentation and preprocessing in improving dental implant classification 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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».