Page 83 - C:\Users\lpnan\Documents\Flip PDF\revue ODF 1 2021\

Deep Learning in orthodontics: going forward on a new patient-practitioner relationship

Tableau 2 : IA et orthodontie

Technique
Auteurs Technique IA Échantillon Résultats
d’imagerie
Segmentation et identification des organes dentaires

Wirtz (2018) [44] CNN Panoramique 10 Précision : 79 %

Zanjani (2019) [48] CNN IOS 120 Précision : 94 %

Kim (2020) [17] GAN IOS 10000 Amélioration moyenne : 0,004 mm

Lian (2020) [24] CNN IOS 5 Indice de Sørensen-Dice : 0,894 à
0,970

Miki (2017) [28] CNN CBCT 42 Précision : 88,8 %
Xu (2018) [46] CNN IOS 1200 Précision : 98,8 à 99,1 %

Zhang (2018) [49] CNN IOS 1000 Précision = 95,8 %

Céphalométrie 2D

Gilmour (2020) [9] CNN Téléradiographie 400 Ecart type : 1,07 mm

Lee (2020) [22] CNN Téléradiographie 400 Ecart type : 1,53 mm

Linder (2016) [25] Random forest Téléradiographie 400 Ecart type : 1,2 mm

Makaremi (2019) [27] DL-CNN Téléradiographie 2000 Maturation des
vertèbres cervicales

Zhong (2019) [51] CNN Téléradiographie 400 Ecart type : 1,22 mm
Céphalométrie 3D

Cheng (2011) [3] Random forest CBCT 50 Ecart type : 3,15 mm

Montufar (2018) [30] Active shape model CBCT 24 Ecart type : 3,64 mm

Montufar (2018) [31] Active shape model CBCT 24 Ecart type : 2,51 mm

Voxel similarity-
Shahidi (2014) [37] based CBCT 8 Ecart type : 3,4 mm
algorithms

Torosdagli (2019) [41] CNN CBCT 50 Indice de Sørensen-Dice = : 0,94

Analyse esthétique

Jeong (2020) [12] CNN Photographie 822 Précision : 89,3 %
Sensibilité :
Knoops (2019) [18] ML-based 3D Scanner facial 9663 95,5%
Spécificité : 95,2%

Liu (2016) [26] SVM Scanner facial 87 Précision : 88,5 %

RODF 2021;55(1):73-87 83

21/01/2021 16:19
RODF-2021-1.indb 83 21/01/2021 16:19
RODF-2021-1.indb 83