Automatic Assessment of Periodontium Complex in Intraoral Ultrasound Videos
Notice bibliographique
Résumé
Intraoral ultrasound (IUS) is emerging as a valuable imaging modality in dentistry, offering noninvasive, radiation-free, real-time visualization of periodontal structures. Unlike traditional imaging methods, IUS enables dynamic assessments during clinical procedures, supporting diagnostic and treatment-planning capabilities. The accurate evaluation of parameters such as alveolar bone level (ABL), gingival thickness (GT), and alveolar bone thickness (ABT) is critical for diagnosing periodontal diseases. However, current assessment techniques are typically manual, time-consuming, and based on static images, leading to inter-operator variability and limiting real-time application. To address these gaps, this study aimed to develop OralSAM, an end-to-end machine learning network for automated segmentation and quantitative assessment of periodontal structures in IUS videos. The network segments gingiva, enamel, alveolar bone, and cementum, followed by a morphological analysis pipeline to extract clinically relevant measurements. A total of 158 IUS videos from 30 orthodontic patients were included, and the dataset was split into training, validation, and testing subsets following a 6:2:2 ratio. The segmentation performance of OralSAM, evaluated against expert-annotated ground truth, demonstrated high segmentation accuracy across key periodontal structures. Morphological measurements derived from the machine learning network also exhibited strong inter-rater reliability, as confirmed by Bland-Altman analysis, which demonstrated narrow limits of agreement (LOAs) for ABL (mean bias = -0.063 mm, LOA = -0.771 to 0.646 mm), GT (mean bias = -0.063 mm, LOA = -0.24 to 0.115 mm), and ABT (mean bias = -0.002 mm, LOA = -0.104 to 0.1 mm). The intraclass correlation coefficients were 0.893 (95% confidence interval [CI], 0.864 to 0.915) for ABL, 0.918 (95% CI, 0.768 to 0.960) for GT, and 0.848 (95% CI, 0.806 to 0.880) for ABT. These findings highlight OralSAM's capability to accurately delineate periodontal structures and provide consistent assessments. The proposed framework shows strong potential for integration into routine chairside workflows, enabling early detection, real-time monitoring, and personalized management of periodontal disease.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».