Automated classification of midpalatal suture maturation using 2D convolutional neural networks on CBCT scans
Notice bibliographique
Résumé
Introduction: Accurate assessment of midpalatal suture (MPS) maturation is critical in orthodontics, particularly for planning treatment strategies in patients with maxillary transverse deficiency (MTD). Although cone-beam computed tomography (CBCT) provides detailed imaging suitable for MPS classification, manual interpretation is often subjective and time-consuming. Methods: This study aimed to develop and evaluate a lightweight two-dimensional convolutional neural network (2D CNN) for the automated classification of MPS maturation stages using axial CBCT slices. A retrospective dataset of CBCT images from 111 patients was annotated based on Angelieri's classification system and grouped into three clinically relevant categories: AB (Stages A and B), C, and DE (Stages D and E). A 9-layer CNN architecture was trained and evaluated using standard classification metrics and receiver operating characteristic (ROC) curve analysis. Results: The model achieved a test accuracy of 96.49%. Class-wise F1-scores were 0.95 for category AB, 1.00 for C, and 0.95 for DE. Area under the ROC curve (AUC) scores were 0.10 for AB, 0.62 for C, and 0.98 for DE. Lower AUC values in the early and transitional stages (AB and C) likely reflect known anatomical overlap and subjectivity in expert labeling. Discussion: These findings indicate that the proposed 2D CNN demonstrates high accuracy and robustness in classifying MPS maturation stages from CBCT images. Its compact architecture and strong performance suggest it is suitable for real-time clinical decision-making, particularly in identifying cases that may benefit from surgical intervention. Moreover, its lightweight design makes it adaptable for use in resource-limited settings. Future work will explore volumetric models to further enhance diagnostic reliability and confidence.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 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 ».