EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Artificial-Intelligence-Based Cephalometric Landmark Detection in Lateral Cephalograms

KI-basierte kephalometrische Landmarkenerkennung in lateralen Kephalogrammen

Manami Yamaguchi iD, Masato Tsutsumi iD, Yasuhiro Kuroda, Yoshiki Soeda, Tetsutaro Yamaguchi

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.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

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

Artificial Intelligencedeep learningdiagnostic imaginglateral cephalogram

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}
}
Kostenlos starten →