AI-Based Detection and Classification of Impacted Wisdom Teeth Using Deep Learning on Panoramic Dental X-Rays
Notice bibliographique
Résumé
Convolutional neural networks (CNNs) cover established great potential in the pasture of dental diagnostics, especially when it comes to the processing of panoramic X-rays for the purpose of early dental pathology identification and classification. ResNet-101 is unique among CNN architectures because of its deep structure and effective feature extraction capabilities, which make it ideal for challenging image-based tasks. In order to identify and classify wisdom tooth inclination assessment in panoramic X-rays by Winter's classification, here using ResNet-18, 50, and 101 as feature extractors to assess the concert of three top deep learning entity finding models:, SDD, YOLO V2, and Quicker R-CNN X. During training and testing, the ResNet-50 architecture offered a strong compromise between accuracy and processing requirements efficiency thanks to its depth-efficient design and bottleneck residual blocks. Four angle groups were identified from our dataset, which included 644 panoramic dental X-rays: distoangular, vertical, mesioangular, and horizontal. When paired with ResNet-101, YOLO V2 demonstrated high accuracy, with testing performance up to 99 %. These results demonstrate how well CNN-based object detection frameworks especially those driven by ResNet-101 support accurate and automated dental diagnostics. By emphasizing how deep CNN architectures improve dental imaging processing, this work advances clinical decision-making.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».