Optimizing CBCT analysis of the Adenoid region: A deep learning approach
Notice bibliographique
Résumé
To develop a deep learning (DL) algorithm to segment the adenoid hypertrophy (AH) area from Cone Beam Computed Tomography (CBCT) scans to aid in the early detection of enlarged adenoids and improve management of AH. This retrospective study utilized CBCT scans, comprising oral radiologist-graded scans for training and validation, and a test dataset diagnosed by an Ear, Nose, and Throat (ENT) specialist using nasoendoscopy (NE), which served as the reference standard for external validation. Manual adenoid area segmentation was performed using 3D Slicer. A DL algorithm, based on convolutional neural networks, was developed to segment the naso- and oropharynx in CBCT images with and without AH. The Dice Similarity Coefficient and Intersection over Union were applied to assess segmentation accuracy. A total of 96 CBCT scans, distributed by AH grading, reflected at least 22,800 DICOM manually segmented files. Evaluator calibration was confirmed within the intraclass correlation coefficient (ICC) 0.90. Data augmentation was applied, maintaining the dataset distribution. Four nnU-Net-based segmentation models were tested: 2D, 3D Full-resolution (3D Fullres), 3D Low-resolution (3D Lowres), and 3D Cascade. The algorithm achieved 0.90 overall accuracy, a 0.90 Dice score, and 0.08 precision on the test dataset for adenoid area segmentation. The trained nnU-Net model demonstrated excellent results in segmenting the AH region, (Dice score: 0.99) achieved for the combination of 3D Cascade and 3D Fullres models. When applied in available imaging, this DL integration with CBCT enhances early AH detection and streamlines referrals for timely treatment by medical teams.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 ».