Image-based mandibular and maxillary parcellation and annotation using computed tomography (IMPACT): a deep learning-based clinical tool for orodental dose estimation and osteoradionecrosis assessment
Notice bibliographique
Résumé
Background and purpose Accurate delineation of orodental structures on radiotherapy computed tomography (CT) images is essential for dosimetric assessment and dental decisions. We propose a deep-learning (DL) auto-segmentation framework for individual teeth and mandible/maxilla sub-volumes aligned with the ClinRad osteoradionecrosis staging system. Materials and methods Mandible and maxilla sub-volumes were manually defined on simulation CT images from 60 clinical cases, differentiating alveolar from basal regions; teeth were labelled individually. For each task, a DL segmentation model was independently trained. A Swin UNETR-based model was used for mandible sub-volumes. For smaller structures (e.g., teeth and maxilla sub-volumes) a two-stage model first used the ResUNet to segment the entire teeth and maxilla regions as a single ROI used to crop the image input for Swin UNETR. In addition to segmentation accuracy and geometric precision, a dose-volume 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) – with limited applicability in segmenting sub-volumes absent in the data. The maxilla alveolar central sub-volume showed a statistically significant dose-volume difference in both D mean and D 2% . Conclusions We present a novel DL-based auto-segmentation framework of orodental structures, enabling spatial localization of dose-related differences. This tool may enhance image-based bone injury detection and improve 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 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 | 0,001 | 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 | 0,000 |
| 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 ».