Dual convolutional neural network framework for segmenting dental caries in panoramic radiographs
Notice bibliographique
Résumé
STATEMENT OF PROBLEM: Dental caries, a widespread chronic disease, has been difficult to detect, especially in posterior proximal regions. Conventional diagnostic methods, such as visual inspection and radiography, are subjective and inconsistent across clinicians. PURPOSE: The purpose of this study was to develop and evaluate a deep learning-based method for automated detection and segmentation of dental caries in panoramic radiographs. MATERIAL AND METHODS: A deep learning pipeline combining Faster Regions based Convolutional Neural Networks (R-CNN) and U-Net architectures was developed. The Faster R-CNN model was used to detect tooth regions, and the U-Net model segmented carious areas within these regions. Performance differences against comparative models were evaluated for statistical significance using paired t tests (α=.05). RESULTS: The proposed method achieved an intersection over union of 0.6075, a dice coefficient of 0.7429, a recall of 0.7309, and a precision of 0.7881. This performance represented an improvement in intersection over union, dice coefficient, and recall over conventional segmentation models, with the difference being statistically significant (P<.05). CONCLUSIONS: The results indicated that the proposed deep learning method was effective in detecting and segmenting dental caries in panoramic radiographs and showed potential for improving diagnostic 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».