論文の概要: Development of a fully deep learning model to improve the reproducibility of sector classification systems for predicting unerupted maxillary canine likelihood of impaction

• arxiv url: http://arxiv.org/abs/2511.20493v1
• Date: Mon, 24 Nov 2025 14:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.560957
• Title: Development of a fully deep learning model to improve the reproducibility of sector classification systems for predicting unerupted maxillary canine likelihood of impaction
• Title（参考訳）: 流出した上顎犬の衝突確率を予測する部門分類システムの再現性向上のための完全深層学習モデルの開発
• Authors: Marzio Galdi, Davide Cannatà, Flavia Celentano, Luigia Rizzo, Domenico Rossi, Tecla Bocchino, Stefano Martina,
• Abstract要約: 本研究の目的は,セクター分類システムの内・間運用者を減らすための,完全深層学習モデルを開発することである。 DenseNet121は3つの異なるクラスで影響を受け、全体的な精度は76.8%であった。
• 参考スコア（独自算出の注目度）: 0.11726720776908518
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Objectives. The aim of the present study was to develop a fully deep learning model to reduce the intra- and inter-operator reproducibility of sector classification systems for predicting unerupted maxillary canine likelihood of impaction. Methods. Three orthodontists (Os) and three general dental practitioners (GDPs) classified the position of unerupted maxillary canines on 306 radiographs (T0) according to the three different sector classification systems (5-, 4-, and 3-sector classification system). The assessment was repeated after four weeks (T1). Intra- and inter-observer agreement were evaluated with Cohen's K and Fleiss K, and between group differences with a z-test. The same radiographs were tested on different artificial intelligence (AI) models, pre-trained on an extended dataset of 1,222 radiographs. The best-performing model was identified based on its sensitivity and precision. Results. The 3-sector system was found to be the classification method with highest reproducibility, with an agreement (Cohen's K values) between observations (T0 versus T1) for each examiner ranged from 0.80 to 0.92, and an overall agreement of 0.85 [95% confidence interval (CI) = 0.83-0.87]. The overall inter-observer agreement (Fleiss K) ranged from 0.69 to 0.7. The educational background did not affect either intra- or inter-observer agreement (p>0.05). DenseNet121 proved to be the best-performing model in allocating impacted canines in the three different classes, with an overall accuracy of 76.8%. Conclusion. AI models can be designed to automatically classify the position of unerupted maxillary canines.
• Abstract（参考訳）: 目的。 本研究の目的は, 上顎犬歯の発生確率を予測するために, セクター分類システムの内部および操作間再現性を低減するための, 完全深層学習モデルを開発することである。 メソッド。 3つの歯科矯正医 (Os) と3つの歯科医 (GDPs) は, 3つの分野の分類体系 (5-, 4-, 3-) に基づいて, 306個のX線写真 (T0) 上の上顎犬歯の破裂位置を分類した。 評価は4週間後(T1。 また, Cohen の K および Fleiss K と z-test との群差を比較検討した。 同じX線写真は異なる人工知能(AI)モデルでテストされ、1,222個のX線写真の拡張データセットで事前訓練された。 最適性能モデルは感度と精度に基づいて同定された。 結果。 3セクタ系は高い再現性を有する分類法であり, 各試験者に対する観測値(T0対T1)の一致は0.80～0.92, 総合一致は0.85[95%信頼区間(CI)=0.83～0.87]であった。 全体的なサーバ間契約(Fleiss K)は0.69から0.7であった。 教育背景は, サーバ内合意やサーバ間合意(p>0.05。 DenseNet121は、3つの異なるクラスの犬種を割り当て、全体的な精度は76.8%である。 結論。 AIモデルは、破裂した上顎犬の位置を自動的に分類するように設計することができる。

関連論文リスト

• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Segment-and-Classify: ROI-Guided Generalizable Contrast Phase Classification in CT Using XGBoost [7.689389068258514]
  本研究は,別機関の3つの公開CTデータセットを利用した。 位相予測モデルはWAW-TACEデータセットに基づいてトレーニングされ、VinDr-MultiphaseとC4KC-KiTSデータセット上で検証された。
  論文  参考訳（メタデータ） (2025-01-23T20:01:33Z)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。