Automated quality evaluation of dental panoramic radiographs using deep learning
Notice bibliographique
Résumé
Purpose: Panoramic radiographs are instrumental in dental diagnosis but face quality issues related to contrast, artifacts, positioning, and coverage, which can impact diagnostic accuracy. Although expert assessment is the accepted standard, it is time-consuming and prone to inconsistency. Artificial intelligence offers an automated, objective solution for evaluating radiograph quality, increasing efficiency and reducing inter-rater variability. Materials and Methods: This study aimed to develop a deep learning (DL)-based model for evaluating the quality of dental panoramic radiographs. A dataset of 1,000 panoramic images, collected from 2018 to 2023, was assessed by 2 trained dentists using predefined grading criteria for contrast/density, artifact presence, coverage area, patient positioning, and overall quality. These expert-annotated scores were used as the ground truth to train and validate 5 YOLOv8 classification models, each targeting a specific quality criterion. The models' performance was evaluated on a separate test set using performance metrics. Results: The YOLOv8 models achieved classification accuracies of 87.2%, 74.1%, 77.3%, 97.9%, and 79.3% for artifact detection, coverage area, patient positioning, contrast/density, and overall image quality, respectively. The model used to classify images as clinically acceptable or unacceptable exhibited an average accuracy of 81.4%, demonstrating its potential for real-world application. Conclusion: These findings highlight the feasibility of DL-based automated image quality assessment for panoramic radiographs. The high accuracy of the proposed model suggests its potential integration into clinical workflows to assist practitioners in efficiently evaluating radiograph quality. Additionally, such a model could represent an educational tool for dental students, improving radiographic techniques and reducing unnecessary retakes.
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 | 0,002 | 0,001 |
| 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) | 0,001 | 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 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 ».