Scientific Reports· 2026Q1
CBCT taramalarından diş implantı parametrelerini doğru bir şekilde tahmin eden yapay zeka çerçevesi
Multi-output classification of dental implant placement parameters in the posterior maxilla from CBCT images using a two-stage vision transformer framework
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
İki aşamalı bir Vision Transformer (ViT) derin öğrenme modeli, CBCT görüntülerinden dört anahtar diş implantı yerleştirme parametresini (yükseklik, çap, sinüs kaldırma tekniği ve aşaması) doğru bir şekilde sınıflandırarak %85,56 genel doğruluk elde etmiş ve CNN tabanlı modelleri geride bırakmıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- CBCT görüntülerinden diş implantı parametrelerinin çoklu çıktı sınıflandırması için iki aşamalı bir Vision Transformer (ViT) derin öğrenme modeli geliştirildi.
- Model, implant yüksekliğini, çapını, sinüs kaldırma tekniğini ve sinüs kaldırma aşamasını eş zamanlı olarak sınıflandırmaktadır.
- Genel %85,56 doğruluk elde edildi; her bir parametre için özel doğruluklar %80,00 ila %88,89 arasında değişti.
- En iyi CNN tabanlı modeli %23,34 oranında geride bıraktı ve gerçek zamanlıya yakın çıkarım (%0,037 sn/örnek) gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Implant placement in the posterior edentulous maxilla is clinically challenging due to anatomical variability, limited residual bone height, and maxillary sinus pneumatization. Conventional planning relies heavily on clinician experience and manual radiographic interpretation, leading to variability and subjectivity. This study developed and evaluated a two-stage Vision Transformer (ViT)–based deep learning framework for multi-output classification of implant placement parameters from cone-beam computed tomography (CBCT) images. A retrospective dataset of 457 expert-validated posterior maxillary edentulous cases was collected from the Faculty of Dentistry, Mahidol University. The model simultaneously classified four planning parameters—implant height, implant diameter, sinus lift technique, and sinus lift stage—using a multi-output architecture with task-specific classification heads. A two-stage fine-tuning strategy was employed to optimize transfer learning. The proposed ViT model achieved an overall accuracy of 85.56%, with task-specific accuracies of 88.89% for implant height, 80.00% for implant diameter, 84.44% for sinus lift technique, and 88.89% for sinus lift stage, outperforming the best CNN baseline (62.22%) by 23.34 percentage points. The model demonstrated near-real-time inference (0.037 s per sample). These findings suggest that ViT-based multi-output classification with two-stage fine-tuning can serve as an effective decision-support tool for dental implant planning.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Devamı Pofolia uygulamasında
Çıkarımlar ve makaleye soru sorma; ilgi alanına göre her gün yeni özetler. Ücretsiz.
Web'de giriş yaparak açAlan: Ağız Cerrahisi
Oral SurgeryDentistry