Synthetic imaging in dentistry: A narrative review of deep learning techniques and applications
Notice bibliographique
Résumé
OBJECTIVE: Progress in the development of deep learning tools for dental imaging is constrained by limited access to real-world datasets due to privacy concerns, class imbalance, and data scarcity. This narrative review focuses on the use of synthetic data as a potential solution to these challenges. DATA AND SOURCES: The review addresses both technical, clinical, and ethical/regulatory aspects, and was drafted by a multidisciplinary team. Each subsection was assigned to at least two contributors, with two central members overseeing the entire process. Relevant studies were identified through electronic searches in PubMed, Scopus, Embase, Google Scholar, Web of Science, and IEEE Xplore, supplemented by conference papers and book chapters. For the subsection on clinical applications, publications in the domain of dentistry and oral health focused on fully synthetic image generation were included; studies on image translation or other image processing tasks were excluded. CONCLUSION: Synthetic imaging data can be generated using generative adversarial networks, variational autoencoders, and denoising diffusion probabilistic models. Synthetic imaging can complement real-world data by mitigating class imbalance, augmenting scarce datasets, and enabling diverse, realistic representations of rare conditions and anatomical variations. It holds promise for diagnostics, education, and multimodal integration across imaging modalities. Studies on dental image synthesis remain scarce, and comprehensive evidence regarding the impact of data augmentation using synthetic images is lacking. Key challenges persist, including ensuring anatomical fidelity and minimizing artifacts. Future emphasis should be on interdisciplinary collaboration, standardized generation workflows, open-source tools, robust strategies for synthetic data integration, and clear regulatory guidance. CLINICAL SIGNIFICANCE: Synthetic imaging can help overcome data scarcity and class imbalance in dental artificial intelligence (AI), leading to more robust and generalizable AI models.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».