Preciznost automatizovanih 3D cefalometrijskih orijentira pomoću algoritama dubokog učenja: sistematski pregled i meta-analiza.
La Radiologia medica
Sažetak istraživanja
Ciljevi
Cilj ovog sistematskog pregleda i meta-analize je da se proceni tačnost automatizovanog orijentisanja korišćenjem dubokog učenja u poređenju sa ručnim praćenjem za kefalometrijsku analizu 3D medicinskih slika. Pretražene su metode PubMed/Medline, IEEE Xplore, Scopus i ArXiv elektronske baze podataka. Kriterijumi odabira su bili: ex vivo i in vivo volumetrijske slike podataka prikladne za 3D orijentiranje (Problem), najmanje pet automatiziranih orijentira izvedenih metodom dubokog učenja (Intervencija), ručno orijentiranje (Poređenje) i srednja tačnost, u mm, između ručnog i automatskog orijentiranja (Ishod). QUADAS-2 je prilagođen za analizu kvaliteta. Meta-analiza je izvršena na studijama koje su izvještavale kao srednje vrijednosti ishoda i standardnu devijaciju razlike (greške) između ručnog i automatiziranog orijentira. Dijagrami linearne regresije korišteni su za analizu korelacije između srednje točnosti i godine izdavanja.
Rezultati Početni elektronski skrining dao je 252 rada objavljena u periodu od 2020. do 2022. godine. Ukupno 15 studija je uključeno za kvalitativnu sintezu, dok je 11 studija korišteno za metaanalizu. Ukupni model slučajnog efekta je otkrio srednju vrijednost od 2,44 mm, uz visoku heterogenost (I 2 = 98,13%, τ 2 = 1,018, p-vrijednost
Zaključak Algoritmi dubokog učenja pokazali su odličnu tačnost za automatizirano 3D cefalometrijsko obilježavanje. U posljednje dvije godine razvijeni su algoritmi za algoritmiranje zemljišta i poboljšanja algoritma koji obećavaju su urađeni.
Prikaži originalni naslov i sažetak na engleskom
Accuracy of automated 3D cephalometric landmarks by deep learning algorithms: systematic review and meta-analysis.
Objectives The aim of the present systematic review and meta-analysis is to assess the accuracy of automated landmarking using deep learning in comparison with manual tracing for cephalometric analysis of 3D medical images.
Methods PubMed/Medline, IEEE Xplore, Scopus and ArXiv electronic databases were searched. Selection criteria were: ex vivo and in vivo volumetric data images suitable for 3D landmarking (Problem), a minimum of five automated landmarking performed by deep learning method (Intervention), manual landmarking (Comparison), and mean accuracy, in mm, between manual and automated landmarking (Outcome). QUADAS-2 was adapted for quality analysis. Meta-analysis was performed on studies that reported as outcome mean values and standard deviation of the difference (error) between manual and automated landmarking. Linear regression plots were used to analyze correlations between mean accuracy and year of publication.
Results The initial electronic screening yielded 252 papers published between 2020 and 2022. A total of 15 studies were included for the qualitative synthesis, whereas 11 studies were used for the meta-analysis. Overall random effect model revealed a mean value of 2.44 mm, with a high heterogeneity (I 2 = 98.13%, τ 2 = 1.018, p-value
Conclusion Deep learning algorithms showed an excellent accuracy for automated 3D cephalometric landmarking. In the last two years promising algorithms have been developed and improvements in landmarks annotation accuracy have been done.
Izvorni podaci
- DOI
- 10.1007/s11547-023-01629-2
- PMID
- 37093337
- PMCID
- PMC10181977
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom