U-Net-Based Deep Learning for Simultaneous Segmentation and Agenesis Detection of Primary and Permanent Teeth in Panoramic Radiographs
Notice bibliographique
Résumé
Background/Objectives: Panoramic radiographs aid diagnosis in paediatric dentistry, but errors occur. Deep learning-based artificial intelligence offers improved accuracy by reducing overlap-related and interpretive mistakes. This study aimed to develop a U-Net-based deep learning model for simultaneous tooth segmentation and agenesis detection, capable of distinguishing between primary and permanent teeth in panoramic radiographs. Methods: Publicly available panoramic radiographs, along with images collected from the archives of Burdur Mehmet Akif Ersoy University Faculty of Dentistry, were used. The dataset totalled 1697 panoramic radiographs after applying exclusion criteria for artifacts and edentulous cases. Manual segmentation was performed by two paediatric dentists and one dentomaxillofacial radiologist. The images were split into training (80%), validation (10%), and test (10%) sets. A U-Net architecture was trained to identify both primary and permanent teeth and to detect tooth agenesis. Results: Dental agenesis was detected in 14.6% of 1697 OPGs, predominantly affecting the mandibular second premolars (32.5%) and maxillary lateral incisors (27.6%). Intra- and inter-researcher intraclass correlation coefficients (ICCs) were 0.995 and 0.990, respectively (p > 0.05). On the test set, the model achieved a Dice similarity coefficient of 0.8773, precision of 0.9115, recall of 0.8974, and an F1 score of 0.9027. Validation accuracy was 96.71%, indicating reliable performance across diverse datasets. Conclusions: The proposed deep learning model automates tooth segmentation and agenesis detection for both primary and permanent dentitions in panoramic radiographs. Its high-performance metrics suggest improved accuracy and efficiency in paediatric dental diagnostics, potentially reducing clinician workload and minimizing diagnostic errors.
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 | 0,000 |
| 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 ».