EUVIMEDEUVIMED entdecken
Systematische ÜbersichtOpen Access · CC BY-NC 4.0

Panoramic imaging errors in machine learning model development: a systematic review

Bildgebungsfehler in Panoramaröntgenbildern bei der Entwicklung von Machine-Learning-Modellen: systematische Übersichtsarbeit

Eduardo Delamare iD, Xingyue Fu, Zimo Huang, Jinman Kim iD

Dentomaxillofacial Radiology · 25.03.2024 · 53 (3) · 165-172

DOI: 10.1093/dmfr/twae002 ↗

Auf einen Blick

Die Übersichtsarbeit beschreibt den Umgang mit Bildfehlern in PAN-Datensätzen für ML-Modelle. 41 von 400 Arbeiten erfüllten die Kriterien; die Vorgehensweisen waren uneinheitlich.

Fragestellung

Wie werden Bildfehler in Panoramaröntgenbildern (PAN) in Datensätzen für die Entwicklung von ML-Modellen gehandhabt?

Methode

Systematische Literaturübersicht nach PRISMA; drei Datenbanken wurden durchsucht. Eingeschlossen wurden PAN-Studien mit ML-Modellen und Angaben zu Bildqualitätsproblemen.

Ergebnisse

41 Arbeiten erfüllten die Einschlusskriterien. Alle nutzten ML-Modelle, 35 davon Deep-Learning-Modelle. Die Bildqualität wurde unterschiedlich beurteilt: Akzeptanz von Fehlern, Ausschluss schlechter Bilder oder Bildverbesserung.

Einschränkungen

Die Kriterien zur Bildqualitätsbewertung variierten stark zwischen den Studien und waren anfällig für Bias.

Schlussfolgerung der Autor:innen

Die Autor:innen berichten erhebliche Inkonsistenzen im Umgang mit PAN-Bildfehlern in der ML-Forschung; solche Fehler werden jedoch meist als nachteilig für den Modellaufbau angesehen.

Kernaussagen

  • 41 von 400 Arbeiten erfüllt
  • 35 Arbeiten nutzten Deep Learning
  • Bewertung der Bildqualität war stark uneinheitlich

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift Dentomaxillofacial Radiology, online erschienen am 25.01.2024. Verfasst von Eduardo Delamare und 3 weiteren Autor:innen. Beteiligte Einrichtung: Sydney Dental School, Faculty of Medicine and Health, The University of Sydney, Camperdown, NSW, 2050, Australia. Hauptthemen laut MEDLINE: Machine Learning, Image Enhancement. Die Arbeit wurde bisher 17-mal zitiert (Crossref) und nennt 55 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Objectives

To investigate the management of imaging errors from panoramic radiography (PAN) datasets used in the development of machine learning (ML) models.

Methods

This systematic literature followed the Preferred Reporting Items for Systematic Reviews and Meta-Analyses and used three databases. Keywords were selected from relevant literature. Eligibility criteria PAN studies that used ML models and mentioned image quality concerns.

Results

Out of 400 articles, 41 papers satisfied the inclusion criteria. All the studies used ML models, with 35 papers using deep learning (DL) models. PAN quality assessment was approached in 3 ways: acknowledgement and acceptance of imaging errors in the ML model, removal of low-quality radiographs from the dataset before building the model, and application of image enhancement methods prior to model development. The criteria for determining PAN image quality varied widely across studies and were prone to bias.

Conclusions

This study revealed significant inconsistencies in the management of PAN imaging errors in ML research. However, most studies agree that such errors are detrimental when building ML models. More research is needed to understand the impact of low-quality inputs on model performance. Prospective studies may streamline image quality assessment by leveraging DL models, which excel at pattern recognition tasks.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Machine LearningImage EnhancementHumansProspective StudiesRadiographyRadiography, Panoramic

Stichwörter der Autor:innen

artificial intelligencedental panoramic radiographimaging errorsquality assessmentsystematic review

Autor:innen und Institutionen

  • Sydney Dental School, Faculty of Medicine and Health, The University of Sydney, Camperdown, NSW, 2050, Australia.
  • Digital Health and Data Science, Faculty of Medicine and Health, The University of Sydney, Camperdown, NSW, 2050, Australia.
  • School of Computer Science, Faculty of Engineering, The University of Sydney, Camperdown, NSW, 2050, Australia.

ORCID-Profile: Eduardo Delamare, Jinman Kim

Zitieren

APA

Delamare, E., Fu, X., Huang, Z., & Kim, J. (2024). Panoramic imaging errors in machine learning model development: a systematic review. Dentomaxillofacial Radiology, 53(3), 165-172. https://doi.org/10.1093/dmfr/twae002

Vancouver

Delamare E, Fu X, Huang Z, Kim J. Panoramic imaging errors in machine learning model development: a systematic review. Dentomaxillofacial Radiology. 2024;53(3):165-172. doi:10.1093/dmfr/twae002

BibTeX
@article{Delamare2024,
  author = {Delamare, Eduardo and Fu, Xingyue and Huang, Zimo and Kim, Jinman},
  title = {Panoramic imaging errors in machine learning model development: a systematic review},
  journal = {Dentomaxillofacial Radiology},
  year = {2024},
  volume = {53},
  number = {3},
  pages = {165--172},
  doi = {10.1093/dmfr/twae002}
}
Kostenlos starten →