Artificial-Intelligence-Based Cephalometric Landmark Detection in Lateral Cephalograms
KI-basierte kephalometrische Landmarkenerkennung in lateralen Kephalogrammen
Journal of Clinical Medicine · 30.07.2026 · 15 (15) · 5943
DOI: 10.3390/jcm15155943 ↗Auf einen Blick
Eine ResNet50-basierte Methode lokalisierte 15 Landmarken auf lateralen Kephalogrammen mit einer mittleren Fehlerdistanz von 1,25 mm. In 18,5 % der Vorhersagen lag der Fehler über 2,0 mm.
Fragestellung
Wie genau lokalisiert ein ResNet50-basiertes, einstufiges Regressions-CNN 15 Landmarken auf lateralen Kephalogrammen?
Methode
Retrospektive Einzelzentrumsstudie mit internem Holdout-Testset; 669 laterale Kephalogramme, davon 619 für das Training und 50 für den Test. Bewertung mit Euclidean localization errors und SDR.
Ergebnisse
Über 750 Landmarken betrug der mittlere Lokalisierungsfehler 1,25 ± 1,39 mm (95 %-KI 1,15–1,35 mm), der Median 0,72 mm. SDR: 64,5 % bei 1,0 mm, 81,5 % bei 2,0 mm, 94,4 % bei 4,0 mm.
Einschränkungen
Internes Holdout-Testset; externe Validität blieb unbestätigt.
Schlussfolgerung der Autor:innen
Im internen Testset lag der mittlere Lokalisierungsfehler unter dem 2,0-mm-Benchmark. 18,5 % der Vorhersagen überschritten 2,0 mm; Landmarken sollten von Kieferorthopäd:innen überprüft werden.
Kernaussagen
- Mittlerer Lokalisierungsfehler: 1,25 mm
- SDR: 81,5 % innerhalb von 2,0 mm
- Externe Validität wurde nicht bestätigt
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 Journal of Clinical Medicine, online erschienen am 30.07.2026. Verfasst von Manami Yamaguchi und 4 weiteren Autor:innen. Beteiligte Einrichtung: Department of Orthodontics, School of Dentistry, Kanagawa Dental University, Yokosuka 238-8580, Japan. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 39 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Takeda Science Foundation Medical Research.
Abstract (Originalsprache)
Background/Objectives: Accurate landmark identification underpins reliable cephalometric analysis. This study evaluated a ResNet50-based, single-stage regression convolutional neural network for direct automatic localization of 15 landmarks on lateral cephalograms.
Methods
This retrospective study included 669 lateral cephalograms (669 patients): 619 for training and 50 randomly selected for an internal holdout test set. One of five orthodontists annotated each cephalogram, and coordinates served as the reference standard. One orthodontist independently re-annotated all test images after more than 2 weeks to assess reproducibility. Model performance was evaluated using Euclidean localization errors and success detection rates (SDR).
Results
Across 750 landmark predictions, mean localization error was 1.25 ± 1.39 mm (95% confidence interval, 1.15–1.35 mm) and median error was 0.72 mm. SDRs within 1.0, 2.0, and 4.0 mm were 64.5%, 81.5%, and 94.4%, respectively. A statistically significant overall difference was observed among the 15 landmarks (Friedman χ2(14) = 28.84, p = 0.011). Point A had the numerically largest mean error (1.66 mm) and the mandibular central incisor the smallest (1.04 mm). The mean difference between original and repeated annotations was 0.52 ± 0.92 mm.
Conclusions
In this single-center internal holdout test set, mean localization error was below the 2.0 mm benchmark. However, 18.5% of predictions exceeded 2.0 mm, and external validity remains unconfirmed. Artificial-intelligence-generated landmarks should be verified by orthodontists, and external validation is required before broader clinical use.
Schlagwörter
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Department of Orthodontics, School of Dentistry, Kanagawa Dental University, Yokosuka 238-8580, Japan.
- Life Science Center for Survival Dynamics, Tsukuba Advanced Research Alliance, 1-1-1 Tennodai, Tsukuba 305-8577, Japan.
- Laboratory of Data-Driven Biology, Department of Integrative Cellular Informatics, Center for Neurological Diseases and Cancer, Nagoya University Graduate School of Medicine, Tsurumai 65, Showa-ku, Nagoya 466-8550, Japa…
- EDIAND Inc., Tokyo 135-0062, Japan.
ORCID-Profile: Manami Yamaguchi, Masato Tsutsumi
Förderung
- Takeda Science Foundation Medical Research
Zitieren
APA
Yamaguchi, M., Tsutsumi, M., Kuroda, Y., Soeda, Y., & Yamaguchi, T. (2026). Artificial-Intelligence-Based Cephalometric Landmark Detection in Lateral Cephalograms. Journal of Clinical Medicine, 15(15), 5943. https://doi.org/10.3390/jcm15155943
Vancouver
Yamaguchi M, Tsutsumi M, Kuroda Y, Soeda Y, Yamaguchi T. Artificial-Intelligence-Based Cephalometric Landmark Detection in Lateral Cephalograms. Journal of Clinical Medicine. 2026;15(15):5943. doi:10.3390/jcm15155943
BibTeX
@article{Yamaguchi2026,
author = {Yamaguchi, Manami and Tsutsumi, Masato and Kuroda, Yasuhiro and Soeda, Yoshiki and Yamaguchi, Tetsutaro},
title = {Artificial-Intelligence-Based Cephalometric Landmark Detection in Lateral Cephalograms},
journal = {Journal of Clinical Medicine},
year = {2026},
volume = {15},
number = {15},
pages = {5943},
doi = {10.3390/jcm15155943}
}
EUVIMED