EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Uncertainty and Geometric Image-Region Ranking in Artificial Intelligence-Based Panoramic Tooth Segmentation: A Multi-Source External Benchmark

Unsicherheit und geometrisches Ranking von Bildregionen bei KI-basierter Panoramazahn-Segmentierung: externer Multi-Source-Benchmark

Yelda Fırat

Diagnostics · 12.11.2026 · 16 (22) · 3758

DOI: 10.3390/diagnostics16223758 ↗

Auf einen Blick

Der Benchmark verglich Scores zur Auswahl von Regionen aus Panoramazahnbildern für die Beurteilung. Der primäre Vergleich blieb unklar; explorative Analysen zeigten unterschiedliche Ergebnisse je nach Quelle, Modell und Fehlerart.

Fragestellung

Welche Rangfolge von Regionen bei Panoramazahn-Segmentierungen ist anhand von Unsicherheitsscores am besten zur Prüfung geeignet?

Methode

Retrospektiver Benchmark mit 3er-U-Net-Ensembles; bewertet auf 590 zurückgehaltenen Bildern und 329 fotografierten Röntgenaufnahmen, plus 100 pädiatrischen Bildern im ursprünglichen Pipeline-Vergleich.

Ergebnisse

Primärer MI-minus-SDC-AURC-Unterschied: +0,007 (95 %-KI −0,033 bis +0,041), daher unklar. Explorativ war MI in mehreren Vergleichen schlechter als SDC; MSP schnitt bei 20 % überprüften Zellen teils besser ab.

Einschränkungen

Patientenunabhängigkeit war nicht verifiziert; Bootstrap-Intervalle könnten zu eng für die Inferenz auf Patientenebene sein. Mehrere Analysen waren post hoc und explorativ.

Schlussfolgerung der Autor:innen

Die primäre Gegenüberstellung zeigte weder Überlegenheit noch Gleichwertigkeit. Explorative Erfassungsraten variierten nach Quelle, Modell und Fehlermix.

Kernaussagen

  • Primärer Vergleich: MI minus SDC AURC +0,007 (95 %-KI −0,033 bis +0,041)
  • Ergebnis insgesamt unklar, keine Überlegenheit oder Gleichwertigkeit
  • Explorative Resultate unterschieden sich nach Quelle, Modell und Fehlerart

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

Kurz gefasst

Fachartikel in der Zeitschrift Diagnostics, online erschienen am 12.11.2026. Verfasst von Yelda Fırat. Die Arbeit nennt 48 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background/Objectives: This retrospective benchmark evaluated scores for selecting regions of panoramic tooth segmentations for review.

Methods

Three-member U-Net ensembles trained on UFBA-425 were evaluated on 590 held-out images and subsequently on 329 photographed radiographs. The original mixed-granularity pipeline comparison used the calibrated residual ensemble on 100 pediatric images. Cells in a 2 × 4 grid received regional mutual information (MI) scores but shared one whole-image soft Dice confidence (SDC) value. A lower Dice-risk area under the risk–coverage curve (AURC) indicated better ranking against source masks. Interaction tests, quality subset analyses, and prediction-positive sensitivity analyses were post hoc. Image-key bootstrap intervals may be too narrow for patient-level inference because patient independence was unverified.

Results

The primary MI-minus-SDC AURC difference was +0.007 (95% confidence interval −0.033 to +0.041), leaving the comparison inconclusive. Subsequent evaluations were exploratory. Analyses of reference-positive cells (containing reference tooth pixels) received co-principal emphasis after outcomes were known. MI had a higher Dice-risk AURC than the replicated SDC in the pediatric main subset (+0.238) and the local SDC in AKUDENTAL (+0.157 residual, +0.134 ResNet18). When 20% of grid cells were reviewed, the mean maximum pixel probability (MSP) captured more error pixels than MI in seven of ten source/model comparisons, including both AKUDENTAL ensembles. On photographed radiographs, the MSP led by 15.73 percentage points for the residual ensemble and MI by 3.66 for ResNet18. For ResNet18, equal weighting of false-positive and false-negative capture favored MSP by 6.59 points.

Conclusions

The primary comparison established neither superiority nor equivalence. Exploratory capture varied by source, model, and error mix.

Zitieren

APA

Fırat, Y. (2026). Uncertainty and Geometric Image-Region Ranking in Artificial Intelligence-Based Panoramic Tooth Segmentation: A Multi-Source External Benchmark. Diagnostics, 16(22), 3758. https://doi.org/10.3390/diagnostics16223758

Vancouver

Fırat Y. Uncertainty and Geometric Image-Region Ranking in Artificial Intelligence-Based Panoramic Tooth Segmentation: A Multi-Source External Benchmark. Diagnostics. 2026;16(22):3758. doi:10.3390/diagnostics16223758

BibTeX
@article{Frat2026,
  author = {Fırat, Yelda},
  title = {Uncertainty and Geometric Image-Region Ranking in Artificial Intelligence-Based Panoramic Tooth Segmentation: A Multi-Source External Benchmark},
  journal = {Diagnostics},
  year = {2026},
  volume = {16},
  number = {22},
  pages = {3758},
  doi = {10.3390/diagnostics16223758}
}
Kostenlos starten →