Journal de l'Association dentaire de Californie

ISSN : (Imprimé) (En ligne) Page d'accueil de la revue :[Link]/journals/ucda20

Applications de l'intelligence artificielle en orthodontie

Felicia Miranda, Selene Barone, Maxime Gillot, Baptiste Baquero, Luc

Anchling, Nathan Hutin, Marcela Gurgel, Najla Al Turkestani, Yanjie Huang,
Camila Massaro, Daniela Garib, Antonio Ruellas, Karine Evangelista, Aaron
Aliaga-Del Castillo, Marilia Yatabe, Hina Shah, Jonas Bianchi, John Carlos Prieto
et Lucia Cevidanes

Pour citer cet article :Felicia Miranda, Selene Barone, Maxime Gillot, Baptiste Baquero, Luc Anchling,
Nathan Hutin, Marcela Gurgel, Najla Al Turkestani, Yanjie Huang, Camila Massaro, Daniela Garib,
Antonio Ruellas, Karine Evangelista, Aaron Aliaga-Del Castillo, Marilia Yatabe, Hina Shah, Jonas Bianchi,
Juan Carlos Prieto et Lucia Cevidanes (2023) Applications de l'intelligence artificielle en orthodontie,
Journal of the California Dental Association, 51 : 1, 2195585, DOI :
10.1080/19424396.2023.2195585

Pour créer un lien vers cet article :[Link]

© 2023 Les auteurs. Publié par Taylor & Mise en ligne : 13 avril
Francis Group, LLC.

Soumettez votre article à cette revue Vues des articles :

Voir les articles connexes Afficher les données Crossmark

Articles citant : 1 Voir les articles citant

Les conditions générales d’accès complètes sont disponibles sur

[Link]
JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE
2023, VOL. 51, NON. 1 , 2195585
[Link]

Applications de l'intelligence artificielle en orthodontie

Felicia Miranda, DDS, MS, PhDun B, Sélène Barone, DDS, MSune,c, Maxim Gillott, BSannonce, Baptiste Baquero, BSannonce, Luke
Anchling, BSannonce, Nathan Hutin, BSannonce, Marcela Gurgel, DDS, MS, PhDun, Najla Al Turkestani, DDS, MSun,e, 1999 .
Yanjie Huang, MSun, Camilla Massaro, DDS, MS, PhDF, Daniela Garib, DDS, MS, Ph.D.b, Antonio Wheels, DDS, MS, PhDg,
Karine Evangelista, DDS, MS, Ph.D.F, Aaron Aliaga-Del Castle, DDS, MS, PhDun, Marilia Yatabe, DDS, MS, PhDun, Nous Shah,
MSh, Jonas Bianchi, DDS, MS, Ph.D. je, John Carlos Prieto, MS, PhDh, et Lucia Cevidanes, DDS, MS, PhDun

unDépartement d'orthodontie et de dentisterie pédiatrique, École de médecine dentaire, Université du Michigan, Ann Arbor, Michigan, États-Unis ;bDépartement
d'orthodontie, École dentaire de Bauru, Université de São Paulo, Bauru, São Paulo, Brésil ;cDépartement des sciences de la santé, École de médecine dentaire, Université
Magna Graecia de Catanzaro, Catanzaro, Italie ;dDépartement d'Imagerie, Modélisation et Informatique, CPE Lyon, Lyon, France ;eDépartement de dentisterie
restauratrice et esthétique, Faculté de médecine dentaire, Université King Abdulaziz, Djeddah, Arabie Saoudite ;FDépartement d'orthodontie et de dentisterie
pédiatrique, École de médecine dentaire, Université fédérale de Rio de Janeiro, Rio de Janeiro, Brésil ;gDépartement d'Orthodontie, École de Dentisterie, Université
Fédérale de Goiás, Goiânia, Brésil ;hDépartement de psychiatrie, Université de Caroline du Nord, Chapel Hill, Caroline du Nord, États-Unis ;jeDépartement d'orthodontie,
Université du Pacifique, San Francisco, Californie, États-Unis

ABSTRAIT HISTOIRE DE L'ARTICLE

Objectif:Ce manuscrit décrit des stratégies pour évaluer la précision de plusieurs outils diagnostiques d’intelligence Reçu le 23 novembre 2022
artificielle (IA) en orthodontie, des plateformes d’analyse d’images open source disponibles, ainsi que l’utilisation de Révisé le 28 février 2023
modèles de surface et de superpositions tridimensionnels (3D). Accepté le 16 mars
Résultats:Les avancées décrites dans ce manuscrit présentent des perspectives sur les controverses MOTS CLÉS
quant à savoir si l’IA est plus intelligente que les cliniciens et peut remplacer les décisions cliniques Orthodontie; l'imagerie,
humaines. Un diagnostic orthodontique approfondi nécessite une analyse 3D complète des relations tridimensionnel;
entre la dentition, le squelette cranio-facial et les tissus mous. Les prévisions indiquent que la intelligence artificielle
technologie d’impression 3D fournira plus de 60 % de tous les besoins en soins dentaires d’ici 2025, et les
sociétés d’orthodontie ainsi que les sociétés de surveillance à distance utilisent déjà la technologie d’IA
désormais disponible.
Conclusions :Les applications de l’IA en orthodontie reposent sur sa mise en œuvre dans les enregistrements d’images diagnostiques,
l’analyse de données pour la pratique clinique et les applications de recherche. La formation continue et la validation des outils d’imagerie
orthodontique IA sont essentielles pour améliorer les performances et la généralisabilité de ces méthodes.

Introduction solutions pour des analyses plus rapides et moins détaillées. De telles évaluations de

cliniciens en IA sont susceptibles de favoriser l'amélioration du diagnostic orthodontique,

L'évolution numérique en dentisterie a désormais conduit à la collecte de données
de la planification du traitement, de l'évaluation de la croissance et du développement,
multi-sources, notamment des informations cliniques, la surveillance à distance,
de l'évaluation des progrès et des résultats du traitement, de la phase de rétention et du
des photographies, des céphalogrammes latéraux, des radiographies
suivi à long terme. Comme ces avancées technologiques sont désormais largement
panoramiques et des examens d'imagerie tridimensionnelle (3D) tels que la
disponibles, il est important que les cliniciens soient préparés et familiarisés avec les
tomodensitométrie à faisceau conique (CBCT). modèles dentaires numériques,
outils d’imagerie orthodontique de l’IA.
photogrammétrie 3D.1Les technologies émergentes incluent les systèmes et bases
Ce manuscrit décrit 1) les stratégies d'évaluation de la
de données basés sur le cloud, qui utilisent des approches de science des données
précision de plusieurs outils d'intelligence artificielle en
et des méthodes d'apprentissage automatique pour effectuer la gestion,
orthodontie, 2) les outils d'analyse d'images open source et
l'intégration, le traitement et la visualisation des données.2 à 4
l'utilisation de modèles de surface 3D et de superpositions.
Les progrès décrits dans ce manuscrit n'amélioreront les soins aux
patients que si les cliniciens gardent à l'esprit ce qui a été appris des
Drs. Thomas Graber : « Tous ces cas nécessitent un diagnostic très Stratégies pour évaluer la précision des outils actuellement
minutieux. Vous demandez quel protocole, quel appareil utiliser, mais disponibles dans plusieurs dossiers de diagnostic
la première chose est cette analyse très minutieuse et approfondie des orthodontique
problèmes orthodontiques.5Le diagnostic approfondi enseigné par les
Céphalogramme latéral
Drs. Graber demande aux cliniciens d'apprendre à utiliser les outils
d'intelligence artificielle pour améliorer l'analyse des relations entre la Depuis son introduction en 1931, le céphalomètre est devenu un outil
dentition, le squelette cranio-facial et les tissus mous dans les trois orthodontique fondamental dans l'évaluation des malocclusions tant pour
dimensions ; plutôt que de s'appuyer aveuglément sur l'automatisation les cliniciens que pour les chercheurs.6Différents céphalométriques

CONTACTEZ MOIFélicia Miranda felmiran@[Link]

© 2023 Les auteurs. Publié par Taylor & Francis Group, LLC.
Il s'agit d'un article en libre accès distribué sous la licence Creative Commons Attribution-NonCommercial-NoDerivatives ([Link] qui permet la réutilisation, la distribution et
la reproduction non commerciales sur n'importe quel support, à condition que l'œuvre originale soit correctement citée et ne soit pas modifiée, transformée ou construite de quelque manière que ce soit. Les conditions
dans lesquelles cet article a été publié autorisent la publication du manuscrit accepté dans un référentiel par le ou les auteurs ou avec leur consentement.
2 F. MIRANDA ET AL.

des analyses ont été proposées visant à identifier des points anatomiques Radiographies panoramiques
spécifiques et à mesurer plusieurs distances, angles et rapports. Pendant
La radiographie panoramique est la modalité d’imagerie la plus couramment
des décennies, l’identification manuelle des points de repère était la seule
utilisée en dentisterie pour améliorer le dépistage dentaire et l’approche
option disponible pour le traçage céphalométrique, mais à ce jour, le
décisionnelle.8, 1999 .21Les images panoramiques sont complexes à analyser, soit en
développement technologique de l’IA constitue une alternative réellement
raison du grand nombre d’informations (qui incluent les pathologies dentaires et
importante.6-8Le développement récent de logiciels permet de collecter des
squelettiques, les anomalies et les dommages parodontaux), soit en raison de
images céphalométriques latérales numériques ou numérisées dans leurs
l’inévitable superposition de différentes structures anatomiques qui pourraient
bases de données pour effectuer une identification automatique des points
influencer la qualité de l’image.8, 1999 .21Dans ce scénario, l’IA pourrait constituer un
de repère et une analyse céphalométrique avec traçage et mesures.9Bien
soutien important pour les cliniciens dentaires, sans pour autant remplacer
que l’identification manuelle reste probablement la méthode la plus
l’interprétation humaine.22En dentisterie, l’IA peut trouver son application dans : 1)
largement utilisée, la transition vers les analyses assistées par l’IA présente
l’identification de structures anatomiques spécifiques (dent, condyle) ; 2) détection
des avantages en évitant des procédures fastidieuses et en minimisant les
d'états pathologiques (caries, lésions périapicales, perte osseuse, ostéoporose) ; 3)
erreurs subjectives systématiques et aléatoires.6Même si les logiciels d’IA
segmentation des éléments spécifiques (structure anatomique ou état
actuels sont déjà capables de détecter les points de référence, des
pathologique), définissant la forme exacte ; 4) classification des éléments
améliorations futures sont nécessaires.6L’intelligence artificielle avec
spécifiques (structure anatomique ou état pathologique) ; 5) à des fins médico-
apprentissage automatique et apprentissage profond a montré une grande
légales.8, 1999 .21, 1999 .23Comme indiqué dans la littérature, l’apprentissage profond
précision dans le calcul des résultats céphalométriques, mais nécessite
était principalement impliqué dans les procédures de diagnostic pour l’analyse
toujours que le spécialiste orthodontique vérifie la position de chaque point
dentaire, car l’identification des conditions pathologiques est plus difficile et
de repère après l’identification automatique.6, 1999 .dix
nécessite probablement davantage d’experts pour améliorer les résultats.24
Plusieurs approches d'IA ont récemment été mises en œuvre
Différents modèles automatisés ont été créés pour analyser les radiographies
pour l'analyse céphalométrique automatisée : apprentissage
panoramiques afin d'identifier, segmenter et distinguer les dents selon la
automatique, apprentissage profond, réseaux de neurones
dentition (permanente ou temporaire), le quadrant (supérieur droit, supérieur
convolutifs (CNN), réseau de neurones artificiels (ANN), logiciel
gauche, inférieur droit, inférieur gauche) et la catégorie (incisive, canine). ),
d'analyse céphalométrique Planmeca Romexis, solutions de
prémolaire, molaire).22, 1999 .25Même avec des images de mauvaise qualité, les
diagnostic automatique des céphalons (ACDS), solutions basées
modèles récents ont été améliorés pour obtenir de meilleurs résultats de
sur le Web. Applications de l'algorithme You-Only-Look-Once
segmentation.26On espère que toutes ces applications soutiendront la pratique
version 3 (YOLOv3).6-8, 1999 .11Plusieurs types d'applications et de
clinique orthodontique grâce aux résultats prometteurs de précision dans
logiciels Web ont été créés avec les mêmes objectifs : CephX (ORCA
l'identification des dents (96,94%) et dans la classification des dents (87%).25, 1999 .27
Dental AI, Las Vegas, NV), les logiciels WebCeph et AutoCAD,
Dolphin Imaging, Dentofacial Planner, Quick Ceph et FACAD,
AudaxCeph, OrisCeph Rx. .12-15Les études sur ces logiciels semblent
très prometteuses pour faciliter et améliorer la pratique clinique
orthodontique.16, 1999 .17Yu et ses collègues ont évalué un système
Tomodensitométrie à faisceau conique
lié à CNN et ont déterminé un résultat supérieur à 90 % en tenant
compte de la sensibilité, de la spécificité et de la précision du L’utilisation d’outils d’IA a montré une augmentation rapide des évaluations
diagnostic squelettique vertical et sagittal.12En termes de 3D du CBCT en orthodontie. L’analyse par imagerie CBCT est encore plus
placement de points de repère, l'utilisation de l'IA a été évaluée complexe et longue à analyser que les radiographies 2D conventionnelles.
dans différentes études qui, après avoir étudié 400 à 500 Les outils d’IA ont simplifié ce processus. En 2016, Wang et al. proposé une
céphalogrammes latéraux, ont montré une précision nouvelle méthode automatisée pour la segmentation des structures
encourageante dans la position des points de repère allant de maxillomandibulaires sur des scans CBCT basés sur une forêt aléatoire.28Des
88,43 % à 92 %.11, 1999 .18L'amélioration remarquable de ces outils a scans CBCT de 30 patients présentant une déformation dento-faciale ont été
également été confirmée puisque 80 points de repère ont été utilisés pour la formation et les tests. Qualitativement, la segmentation
analysés à l'aide du logiciel Automatic Cephalon-Diagnostic automatisée des structures cranio-faciales a montré une cohérence avec la
Solutions. Au total, 253 céphalogrammes latéraux numériques ont vérité terrain segmentée manuellement. Il est intéressant de noter que la
été inclus et la comparaison entre l'IA et les examinateurs humains méthode automatisée a pris environ 20 minutes pour la segmentation des
a montré une erreur moyenne de 0,9 mm.19 images CBCT,28ce qui est faible par rapport aux performances de
Un outil efficace basé sur l’IA devrait aider l’orthodontiste en lui synchronisation de la segmentation manuelle. Actuellement, d'autres
offrant également la possibilité de corriger facilement l’identification méthodes pour effectuer une segmentation automatisée des images CBCT
des points de repère prédits. Les applications Web pour l'analyse ont été proposées en utilisant des réseaux neuronaux convolutifs profonds
céphalométrique automatisée permettent désormais une analyse (CNN) avec des performances adéquates.29-31En 2022, Preda et al. décrit un
céphalométrique automatique et de vérifier l'emplacement des points nouveau modèle profond basé sur CNN pour la segmentation automatisée
directement sur la page Web.11Autre caractéristique essentielle, un des structures osseuses maxillo-mandibulaires.30Le modèle CNN a démontré
logiciel robuste doit fournir un résultat rapide et rapide pour l'analyse un coefficient de similarité des dés de 92,6 % avec les surfaces 3D
céphalométrique automatique. Le logiciel d'analyse céphalométrique segmentées manuellement. La segmentation automatisée a nécessité en
Planmeca Romexis permet actuellement aux utilisateurs d'obtenir un moyenne 39,07 secondes, contre 132,7 minutes avec le processus de
tracé céphalométrique automatique rapide, en quelques secondes, segmentation manuelle.30Une étude plus récente a utilisé un échantillon de
mais il nécessite une entrée spécifique : la radiographie latérale doit 618 images CBCT pour tester et entraîner une nouvelle méthode de
être réalisée par l'unité d'imagerie céphalométrique Planmeca pour segmentation de la région cranio-faciale.
permettre un calibrage et une orientation adéquats de l'analyse.20
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 3

structures utilisant l’UNETR.32Cette nouvelle méthode open source a montré identification de points de repère (ALI) dans CBCT à l'aide du logiciel
une performance de synchronisation impressionnante d'environ 24 Checkpoint (Stratovan Corporation, Davis, Californie) en comparaison
secondes par analyse avec un coefficient de dé de 0,96.32Un autre système avec une liste de points de repère de vérité terrain placée
basé sur CNN a été décrit pour effectuer la segmentation et la classification manuellement par des experts humains.39Un échantillon de 100 scans
des dents sur les scans CBCT.33Un échantillon de 186 analyses CBCT a été CBCT a été utilisé pour identifier 53 points de repère dans différentes
utilisé pour la formation, la validation et le test de cet algorithme. En structures cranio-faciales. La vérité terrain a été obtenue par
comparant la segmentation du modèle d'IA avec la vérité terrain, un identification manuelle des points de repère fournie par deux cliniciens.
coefficient de dé de 0,90 (SD 0,03) a été observé. Des performances élevées La fiabilité inter-examinateurs entre les deux cliniciens était excellente
ont été observées pour la classification des dents avec une précision de 96,6 pour la plupart des variables, cependant des résultats modérés ont été
% et une précision de 97,9 %. Les performances temporelles du modèle IA observés pour certains repères céphalométriques (ICC allant de 0,62 à
(13,7 ± 1,2 s) étaient nettement inférieures à celles du processus de 0,99).39En comparant les résultats de l'ALI avec la vérité terrain, une
segmentation manuelle (7 ± 1,2 h).33Les outils d'IA ont montré une grande distance d'erreur moyenne de 3,19 mm (SD 2,6) a été trouvée. Une
amélioration. autre étude a proposé une méthode open source pour
ment dans la segmentation automatique des structures cranio-faciales, identification automatique des points de repère dans les scans CBCT avec des
niveaux de précision plus élevés et de meilleures performances temporelles, . (ALICBCT) en utilisant les CNN.40Un échantillon de 56 scans CBCT a été
qui aidera les cliniciens et les chercheurs dans cette tâche complexe et utilisé avec 34 repères pré-étiquetés manuellement par deux cliniciens
chronophage. Une formation continue dans différentes structures avec experts dans les structures maxillaire, mandibule et dentaire.40L'outil
des échantillons plus hétérogènes, différentes conditions squelettiques d'IA utilisé comprenait la formation d'agents à se déplacer dans un
ainsi que différents protocoles d'acquisition d'images sont nécessaires environnement de scan CBCT multi-résolution jusqu'à atteindre la
pour améliorer les performances de ces outils. position finale d'un point de repère. Comparé aux repères placés
Des sociétés commerciales telles que Materialise,34Rélu35et diagnostic36 manuellement par le clinicien, l'algorithme ALICBCT a montré une
ont récemment commercialisé des outils de segmentation et erreur moyenne de localisation automatique des repères inférieure à
d'enregistrement basés sur l'IA pour les analyses CBCT et IOS. Cependant, 2 mm. L'IA améliore le processus d'identification des points de repère,
ces algorithmes ne sont pas basés sur les données FAIR, suivant des lignes notamment en ce qui concerne le temps requis pour cette procédure,
directrices visant à améliorer la trouvabilité, l'accessibilité, l'interopérabilité mais les cliniciens doivent encore affiner ou corriger manuellement les
et la réutilisation des actifs numériques pour la gestion et la gestion des positions des points de repère avant des évaluations rigoureuses. Bien
données scientifiques.37La précision de ces outils commerciaux basés sur l’IA que des efforts soient déployés pour améliorer la robustesse des outils
doit encore être validée par les cliniciens avant d’étendre leur utilisation à un d'identification automatique des points de repère, la précision et
environnement clinique ou de recherche. l'exactitude de l'identification des points de repère nécessitent encore
L'identification manuelle des points de repère est l'une des étapes les une formation et des tests approfondis avant qu'une identification
plus difficiles de l'analyse d'imagerie 3D. Une étude précédente a montré automatisée des points de repère pleinement précise puisse être
que les erreurs d'identification des points de repère dans le CBCT peuvent obtenue avec l'IA ( 2010 ).Figure 1).
varier de 0,1 à 4 mm en fonction de l'emplacement et de la densité de la
structure.38De nouvelles méthodes utilisant l’IA et l’apprentissage
Modèles dentaires numériques
automatique ont été proposées pour identifier automatiquement la position
des points de repère dans les analyses CBCT.39, 1999 .40Une étude antérieure a Les modèles dentaires constituent un élément essentiel de la collecte de données sur les
évalué l'exactitude d'une méthode automatisée pour patients pour le diagnostic orthodontique et la planification du traitement. Dans le

Figure 1.Séquence de développement d'outils d'IA en orthodontie.

4 F. MIRANDA ET AL.

Au cours des dernières années, les modèles dentaires ont subi une évolution ne permettent pas l’évaluation de la position critique des racines dentaires dans
technologique considérable, passant des modèles en plâtre classiques aux l’os. Il est important de noter que les mouvements dentaires qui peuvent paraître
modèles numérisés et, plus récemment, aux scans intra-oraux. Suite à ces simples dans les configurations numériques peuvent favoriser le mouvement des
changements, l'analyse des modèles dentaires numériques (DDM) a également dents en dehors de l’os alvéolaire ou entraîner des effets dentaires indésirables.
été ciblée par de nouveaux outils d'IA. La segmentation des DDM, l'identification De futures études liées aux enregistrements multimodaux des scans IOS et CBCT
des points de repère et l'enregistrement des DDM étaient quelques-unes des sont nécessaires pour faire avancer ce sujet et permettre une planification
nouvelles méthodes proposées pour l'amélioration du diagnostic, de la numérique plus précise du mouvement dentaire par des outils d'IA.
planification et de la recherche en orthodontie.
Logiciels commerciaux tels que OrthoAnalyzer (3Shape, Danemark),
Photographies du visage
SureSmile (Dentsply Sirona, États-Unis), ArchForm, Ortho Studio
(Maestro 3D, Italie), ClinCheck (Align Technology, États-Unis), uDesign Les photographies faciales sont couramment utilisées en orthodontie
(uLab Systems, Inc. Memphis, TN) et Autolign (Diorco, Corée) a ouvert la comme méthode auxiliaire de diagnostic et de suivi du traitement. Des
voie en matière de segmentation dentaire dans les modèles dentaires outils d'IA utilisant des photographies faciales ont été proposés pour
numériques. L'intérêt croissant pour la segmentation dentaire dans les évaluer l'attractivité du visage après le traitement, classer les photos
DDM est particulièrement lié à la possibilité de configurations orthodontiques cliniques et les besoins de traitement.48-51Un
virtuelles, de visualisation 3D du mouvement dentaire et de production algorithme CNN a été testé pour prédire l’âge apparent et l’attractivité
de dispositifs orthodontiques. Plusieurs méthodes ont été décrites ces du visage sur un échantillon de 150 photographies faciales de patients
dernières années pour effectuer une segmentation automatique des traités par thérapie orthognathique.50Au total, 2 164 images faciales
dents dans les DDM.41-46Une nouvelle méthode de segmentation annotées ont été utilisées. Il est intéressant de noter que l’algorithme
dentaire des DDM utilisant le graphe dynamique CNN (DGCNN) a été prédisait que les patients orthognathiques semblaient plus âgés que
proposée dans une étude récente utilisant un échantillon de 516 leur âge réel (1,75 ans de plus sur la photographie avant traitement et
modèles dentaires numériques.41Les tests ont été réalisés à l'aide de 30 0,82 ans de plus sur la photographie après traitement). Une
DDM et trois méthodes de segmentation dentaire ont été comparées : amélioration de l’attractivité du visage a également été prédite grâce à
l'algorithme basé sur DGCNN, l'algorithme du logiciel OrthoAnalyzer et l’algorithme.50Des questions demeurent quant à la subjectivité d'un
l'algorithme du logiciel Autolign. Le taux de réussite de la segmentation algorithme entraîné dans la prédiction de l'attractivité faciale, qui
promue par l'algorithme basé sur DGCNN (97,26 %) et l'algorithme du dépend d'un ensemble plus large de caractéristiques. De plus, aucun
logiciel OrthoAnalyzer (97,14 %) était supérieur à celui de l'algorithme test n’a été réalisé pour tester l’exactitude de cette méthode par
du logiciel Autolign (87,86 %). De plus, les performances temporelles rapport à une vérité terrain ou à des juges humains. L'attractivité du
obtenues avec l’algorithme basé sur DGCNN (57,73 s) étaient visage a également été évaluée à l'aide d'un algorithme basé sur CNN
nettement inférieures à celles des algorithmes du logiciel de pour tester l'influence de l'alignement dentaire et d'autres
comparaison.41 modifications faciales sur un échantillon de 40 femmes.49L’alignement
des dents antérieures supérieures ainsi que le port du rouge à lèvres
Une autre étude récente a décrit un cadre en deux étapes exploitant ont montré les impacts positifs les plus importants sur l’attractivité du
l’apprentissage profond du maillage (TS-MDL) pour la segmentation des visage. Des dents mal alignées et le port de lunettes ont montré une
dents et la localisation des points de repère.42Dans un échantillon de 136 réduction du score d’attractivité du visage.49Dans une autre étude, un
scans intra-oraux supérieurs (IOS), 66 repères ont été placés manuellement échantillon de 822 photographies faciales de face et du côté droit a été
dans l'IOS par deux orthodontistes expérimentés. Concernant la utilisé pour tester et entraîner un modèle d’apprentissage profond
segmentation dentaire, cette nouvelle méthode a montré, tant permettant de diagnostiquer la dysmorphose dento-faciale.48
quantitativement que qualitativement, de meilleures performances (même L'échantillon a été évalué par 5 cliniciens expérimentés et réparti entre
dans les zones difficiles telles que les régions cervicales et les parties la nécessité ou non d'une chirurgie orthognathique. L'algorithme de
extrêmes de l'arcade) et une meilleure efficacité de calcul par rapport à une CNN a montré une précision de 89,3 % sur la prédiction du besoin de
méthode basée sur GNN.42En ce qui concerne l'identification des points de chirurgie orthognathique à l'aide de photographies faciales.48
repère, une erreur absolue moyenne de 0,597 mm (écart-type de 0,761 mm) Cependant, une formation supplémentaire incluant d’autres données
pour la localisation de 66 points de repère a été trouvée pour une stratégie de diagnostic est nécessaire pour améliorer cet outil.
de localisation de points de repère en 2 étapes utilisant le TS-MDL.41, 1999 .42
Une nouvelle méthode d'identification automatique des points de repère
Surveillance dentaire
dans les scans intra-oraux (ALIIOS) a été proposée à l'aide de FlyByCNN.47
Des repères ont été placés manuellement sur chaque couronne dentaire par Ces dernières années, la technologie numérique a permis de modifier non
3 cliniciens dans un échantillon de 80 DDM. Un algorithme de segmentation seulement la pratique clinique, en améliorant le diagnostic et le plan de
du modèle dentaire a été utilisé avant la localisation automatique des traitement orthodontique, mais son développement a également impliqué le
repères pour isoler chaque couronne dentaire.47Un emplacement de repère suivi des patients avec des détails plus précis.52-54La télédentisterie semble
haute performance a été trouvé grâce à l'algorithme ALIIOS, mais une être un outil valable pour remplacer les visites en cabinet par une
formation et des tests continus sont encore nécessaires pour améliorer surveillance virtuelle régulière capable de réduire les coûts et les temps
l'application clinique de ce nouvel outil. passés au fauteuil.54-56Les systèmes utilisés pour la surveillance et la gestion
Ces dernières années, un intérêt accru concernant l’utilisation de l’IA pour la configuration à distance des patients appartiennent à la surveillance à distance basée sur
numérique pour la planification des aligneurs et la personnalisation des appareils l'intelligence artificielle et, à ce jour, ils comprennent le logiciel Dental
orthodontiques est apparu. Cependant, actuellement, les configurations numériques sont Monitoring (DM) et la plateforme de surveillance à distance verte (https://
réalisées presque exclusivement sur des modèles dentaires numériques, ce qui ne [Link]/).57-59Pendant l'orthodontie
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 5

traitement, ils peuvent être appliqués pour évaluer l'hygiène bucco- les bases de données nationales et les politiques de partage de données
dentaire du patient, les progrès de la thérapie par aligneurs posent des défis pratiques pour réellement faire progresser notre
transparents, le degré d'expansion palatine rapide, l'avancement de la compréhension de la croissance du visage et de la réponse au traitement.
thérapie par fil droit fixe, l'utilisation d'un appareil de rétention Avant de décrire en détail comment les approches d'IA et d'apprentissage
amovible, la surveillance des troubles temporo-mandibulaires ou automatique ont modifié nos procédures d'analyse d'images 3D open
l'efficacité des procédures de corticotomie.52, 1999 .60-62 source dans cette section du manuscrit, nous décrivons ci-dessous quatre
En 2015, DM a été présentée comme la « première solution défis importants dans les solutions de gestion des données (rentabilité et
d'orthodontie connectée au monde » car elle permet de gérer indications en fonction du problème clinique), la segmentation
virtuellement le suivi orthodontique grâce à la visualisation des photos/ (identification ). de chaque structure anatomique d'intérêt), Repérage ou
vidéos que les patients réalisent à l'aide d'un écarteur de joue dédié et superposition (en utilisant des structures stables comme référence) et
de leur smartphone (Surveillance dentaire. Guide de l'utilisateur du Quantification (composantes de morphologie et position dans l'espace 3D) :
médecin [4.01]. Surveillance dentaire. Disponible à,[Link]
[Link]/doctor/resources/guides).52Il fournit trois plateformes
intégrées : l'application (où les patients peuvent télécharger leurs Défis de la collecte et de la gestion des données Le diagnostic des
photos et recevoir des commentaires cliniques), la plateforme d'analyse anomalies maxillo-mandibulaires peut reposer sur des enregistrements
(où un spécialiste peut évaluer à la fois les urgences éventuelles et la provenant de différentes sources : examen clinique, photographies 2D ou
qualité des photos), et le Doctor Dashboard peut visualiser les images 3D, télésurveillance, céphalogramme latéral, radiographie panoramique,
et donner des instructions aux patients) (Surveillance dentaire. Guide CBCT, CT, Image par résonance magnétique (IRM) et DDM. Si un diagnostic
de l'utilisateur du médecin [4.01]. Surveillance dentaire. Disponible à, repose par exemple uniquement sur des modèles dentaires numériques et
[Link] des photographies, le manque d'informations sur le squelette et les tissus
nombreux outils implémentés ont été créés pour améliorer le logiciel, mous peut conduire à un diagnostic erroné et à une planification de
comme GoLive®, une option dédiée au suivi du changement des traitement inadéquate.
aligneurs, ou 3D Monitoring Light, une fonction spécifique pour Dans un effort pour construire des bases de données plus grandes
calculer les mouvements dentaires.55, 1999 .58, 1999 .63Ces dernières intégrant des dossiers de diagnostic multimodaux, les National Institutes of
années, l'utilisation de ce logiciel est devenue très courante, Health exigent désormais que toutes les études décrivent un plan de gestion
permettant une réduction de 23 % du nombre de visites en face-à-face et de partage des données, favorisant les principes de trouvabilité,
pour les patients bénéficiant d'un traitement par aligneurs d'accessibilité, d'interprétabilité et de reproductibilité (FAIR).66La surveillance
transparents.64Cependant, pour tirer une conclusion clinique, il est de la gestion des données indique désormais quelles normes de données
obligatoire de disposer d’images de bonne qualité pour l’évaluation et communes seront appliquées aux données scientifiques et aux
la quantification. Une étude récente a montré des mesures métadonnées associées pour permettre l'interopérabilité des ensembles de
comparables entre les DDM générés par DM et ceux obtenus par le données et des ressources. La gestion sécurisée des données dans le cloud
scanner intra-oral iTero Element, avec des erreurs limitées à 0,5 mm.58 nécessite encore des développements supplémentaires avant que de telles
données standardisées puissent être disponibles en orthodontie.
Grin Remote Monitoring Platform est l'un des logiciels les plus
populaires disponibles pour la surveillance à distance des patients Des défis en matière d'acquisition d'imagerie
orthodontiques ([Link] Il a les mêmes modalités subsistent également en ce qui concerne le choix par le
fonctionnelles que le DM, mais, à ce jour, il n’existe aucune preuve clinicien des modalités d'imagerie, des scanners et des
scientifique soutenant cet outil à des fins cliniques ([Link] protocoles. Alors qu’il existe une explosion d’outils d’IA
L’intelligence artificielle pourrait être un facteur clé essentiel pour pour la numérisation 3D, les photographies et les rayons
l’avenir de la télédentisterie. Sans aucun doute, la collecte de tous ces X, le CBCT actuel est l’imagerie 3D de choix pour le
éléments (photos numériques, vidéos, modèles numériques générés, diagnostic des évaluations squelettiques.67
mesures linéaires et angulaires) constitue une source potentielle de
données orthodontiques pour de futurs objectifs cliniques fondés sur
des preuves.

Défis de segmentation
Outils d'analyse d'images open source et utilisation de Bien que l'évaluation des coupes transversales multiplanaires soit
modèles de surface et de superpositions 3D limitée aux évaluations 2D de chaque tranche et pose des défis en
matière de standardisation de la section transversale à analyser,68
Défis pratiques
Les représentations 3D de l'anatomie cranio-faciale permettent des
Le plus grand défi pour améliorer le diagnostic et les thérapies des évaluations visuelles et quantitatives de l'ensemble des surfaces
affections craniomaxillo-faciales est de traduire les algorithmes et les anatomiques 3D reconstruites à partir de scans CBCT. Il faut
développements logiciels vers la création de modèles de patients distinguer les rendus virtuels 3D (Figure 2a) et les maillages ou
holistiques.65Une analyse complète des dossiers de chaque patient est une modèles de surface 3D générés à partir de cartes d'étiquettes
compilation d'algorithmes conviviaux pour les cliniciens qui bénéficient volumétriques 3D (Figure 2b). Les rendus sont très rapides et ne
désormais des technologies d'IA pour fournir un diagnostic mini-invasif, une nécessitent pas d’IA, mais la robustesse des algorithmes d’IA pour
planification du traitement et des évaluations des résultats du traitement. la segmentation de l’anatomie détaillée dans CBCT et DDM, ainsi
Même avec la disponibilité d'outils d'IA pour diverses analyses de dossiers que leur accessibilité commerciale ou open source restent
orthodontiques, la nécessité de mettre en place difficiles.69-74
6 F. MIRANDA ET AL.

Figure 2.((a) Rendu 3D virtuel. (b) Modèles de surface 3D générés à partir de cartes d'étiquettes volumétriques 3D.

Défis d’enregistrement d’images (un)Volume84les changements ne capturent pas les changements de forme car
Pour un diagnostic de base standardisé ou des évaluations longitudinales, les changements structurels à des endroits spécifiques ne sont pas
les scans CBCT et leurs modèles de surface 3D respectifs nécessitent une suffisamment reflétés dans les changements de volume ; L'évaluation du
orientation dans un système de coordonnées commun.75puis volume ne révèle pas l'emplacement et la direction des changements
enregistrement en utilisant un choix de région/zones de référence cibles. Le prolifératifs ou de résorption, ce qui serait pertinent pour l'évaluation
choix de la référence pour le recalage peut également être basé sur des des résultats cliniques.
repères, des surfaces ou l'intensité du gris des voxels. Différents domaines (b)Distances de surface linéaires 3D dans les maillages triangulaires
et sources de référence pour l’enregistrement conduiront à différentes je. Basé surobserve des repères définis: : : : : : : : : : : : : : : : : : : : :80,
interprétations des résultats.76-79 1999 .85, 1999 .86Bien que les distances linéaires 3D constituent une
simplification de changements morphologiques complexes,
Défis des mesures quantitatives elles fournissent une évaluation clinique pertinente des
Les changements faciaux peuvent être quantifiés en obtenant des changements dans l’espace liés aux différences entre les points
mesures dans des radiographies 2D, des coupes transversales de scans temporels. Cependant, il y a souvent un manque de littérature
3D ou dans des modèles de surface 3D à deux moments ou plus ou sur les définitions opérationnelles appropriées pour les points
entre des scans ou des modèles de surface enregistrés par rapport à de repère dans les 3 plans de l'espace (coronal, sagittal et axial),
une structure de référence stable. Les mesures linéaires et angulaires ce qui conduit à des erreurs et à une variabilité dans la
basées sur des points de repère peuvent camoufler le remodelage localisation des points de repère. Gunz et coll.81et Andresen et
osseux, car la soustraction entre des points temporels par exemple est coll.85et Subsol et coll.87a proposé l'utilisation de semi-repères,
utilisée comme représentation de la croissance et peut prêter à c'est-à-dire des repères plus des vecteurs et des plans tangents
confusion sur ce qui se passe sur les points de repère en tant que qui définissent leur emplacement, et a apporté de nettes
sommets).80Méthodes morphométriques avancées (c'est-à-dire avancées vers l'étude de courbes ou de surfaces en 3D, faisant
mesurant la morphologie/la forme) utilisant des semi-repères,81 référence à des dizaines de milliers de points 3D pour définir la
matrices de distances inter-repères (EDMA),82 géométrie. Pour les évaluations cliniques, les défis demeurent
distances courbes ou morphométrie basée sur le tenseur83peuvent 1) la prise de conscience des limites basées sur les mesures
désormais bénéficier des approches d’IA, générant des résultats d’IA qui dérivées de repères 3D ; 2) le choix de sites anatomiques
doivent être facilement interprétés par les cliniciens. Les méthodes actuelles repères qui « représentent » différentes composantes des
de quantification des déplacements dentaires et squelettiques et du modifications maxillo-mandibulaires. Quantification des
remodelage osseux du maxillaire et de la mandibule comprennent : changements de direction dans chaque plan de l'espace 3D(3D
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 7

Composants), 1999 .75exprime différentes quantités de mesure les distances linéaires 3D les plus proches entre les surfaces, et
changements dans les trois axes de l'espace, et les questions non les distances correspondantes entre les points anatomiques sur
cliniques nécessitent des informations plus précises concernant deux ou plusieurs images obtenues longitudinalement (Figure 4a). Pour
l'emplacement et la quantité de changements dans chaque cette raison, les mesures du point le plus proche ne parviennent pas à

direction (axes x, y et z). En particulier, les cliniciens planifient quantifier les mouvements de rotation et de translation importants, et

les résultats attendus du traitement en fonction des cette méthode ne peut pas être utilisée pour des évaluations

mouvements et déplacements antérieurs, postérieurs, longitudinales quantitatives de la croissance ou des changements de

inférieurs, supérieurs, médiaux ou latéraux (figure 3). La traitement, ni des adaptations physiologiques, telles que le remodelage

quantification des changements de direction dans chaque plan osseux qui suit une intervention chirurgicale. Cette analyse standard est

de l'espace 3D (composants 3D) peut être obtenue par les actuellement utilisée par la plupart des logiciels commerciaux et

distances entre les projections des points de repère 3D et académiques, mais ne cartographie pas les surfaces correspondantes

nécessite un système de coordonnées x, y, z commun sur la base de la géométrie anatomique et sous-estime généralement les
mouvements de rotation et de translation importants.
standardisé à travers les points temporels et tous les patients,
dans le logiciel Slicer. .
(b)Mesures de correspondance de forme.89La correspondance entre
ii. Basé surdes milliers de points dans des maillages triangulaires définis
automatiquement dans les modèles surfaciques :
des milliers de points de surfaces est générée par le calcul de

(un)Mesures du point le plus procheentre les surfaces peut afficher les modèles basés sur des points à l'aide d'une description
changements avec des cartes à code couleur comme proposé par paramétrique des limites pour le calcul de l'analyse de forme.
Gerig et al.88Cependant, la méthode du point le plus proche Les modèles de surface virtuelle 3D sont convertis

Figure [Link] des changements de direction (les déplacements antérieurs, supérieurs et médiaux étaient considérés comme des valeurs positives). (a) Quantification des changements pour
Pogonion dans les directions antéropostérieure, supéro-inférieure et dans la rotation du plan mandibulaire. (b) Quantification des changements de direction du condylion dans tous les plans.

Graphique 4.(a) Distances des points les plus proches indiquées dans le modèle 3D postopératoire d'un an ; (b) Distances signées correspondantes indiquées dans un modèle 3D pré-chirurgical ; (c) Distances
correspondantes indiquées dans un modèle 3D postopératoire d'un an ; (d) Vecteurs correspondants affichés dans le modèle 3D pré-chirurgical. Notez que différentes valeurs de plage entraînent des différences dans les
cartes de couleurs.
8 F. MIRANDA ET AL.

en une description harmonique sphérique correspondante toute information de santé protégée/personnelle93cela mettra les sujets en
(SPHARM), qui est ensuite échantillonnée en surfaces danger d’être identifiés. L'imagerie numérique et la communication en
triangulées (SPHARM-PDM). Ce travail présente une médecine (DICOM) est devenue une norme en médecine93, 1999 .94et stocke le

amélioration de la mesure des résultats par rapport à l'analyse nom, la date de naissance, le sexe, etc., sous forme de métadonnées. L'outil

basée sur la correspondance du point le plus proche (Figure Slicer Batch Anonymize effectue une suppression automatisée des
métadonnées avec une option permettant d'effectuer une anonymisation
4bd). Les défis avec SPHARM-PDM sont que cette méthode
par dégradation afin de supprimer les traits du visage de la peau avant que
d'analyse de forme est actuellement très gourmande en
les données ne soient partagées.95
calculs, le paramétrage de surface ne peut être appliqué qu'à
des surfaces fermées et l'anatomie complexe peut ne pas être
correctement représentée et nécessiter un contrôle de la Orientation standardisée
L'établissement d'un système de coordonnées commun est essentiel pour
qualité de la correspondance point à point. .
permettre des comparaisons de groupes et des mesures cohérentes entre
(c)Mesures angulaires 3Dpeut être représenté par le tangage, le
les sujets. Afin d'obtenir des systèmes de coordonnées communs
roulis et le lacet et peut être utilisé pour évaluer la rotation de
automatisés pour chaque application clinique, nos travaux en cours utilisent
l'ensemble du crâne, uniquement de la mandibule ou du
les outils d'IA du logiciel Slicer pour orienter toutes les analyses d'études/
maxillaire. Les évaluations utilisant chacune des trois vues
patients (CBCT ou IOS), en utilisant d'abord ALICBCT.40ou ALIIOS.47Dans les
(sagittale, coronale ou axiale) ont permis de mesurer ces angles
CBCT pour l'orientation standardisée de la position globale de la tête, nous
par l'intersection de deux lignes basées sur les coordonnées de
avons utilisé ALICBCT pour déterminer le plan de Francfort - orbital bilatéral
points de repère ou par l'intersection de deux plans provenant
et Porion - perpendiculaire au plan médio-sagittal - Sela, Nasion et Basion ;
chacun de moments différents. Le défi des évaluations
pour l'orientation du maxillaire, nous utilisons le plan occlusal-occlusal des
angulaires est qu’elles nécessitent également la cohérence d’un
dents postérieures et l'incisal de l'incisive centrale supérieure droite –
système de coordonnées x, y, z commun standardisé à
perpendiculaire au plan médio-sagittal du maxillaire – PNS, ANS, A ; et pour
différents moments de tous les patients.
l’orientation de la mandibule, nous utilisons le plan occlusal – occlusal des
dents postérieures et incisal de l’incisive centrale supérieure droite –
Procédures d'analyse d'images 3D open source étape par étape à l'aide parallèle au système de coordonnées standardisé du plan horizontal Slicer.
de l'IA Dans les IOS pour l’orientation standardisée du plan occlusal des arcades
supérieure et inférieure), nous utilisons le plan occlusal – occlusal des dents
Nous décrivons ici la mise en œuvre de modules craniomaxillo-faciaux
postérieures et incisif de l’incisive centrale supérieure droite – parallèle au
open source automatisés du logiciel 3D Slicer, ainsi que ses
système de coordonnées standardisé du plan horizontal Slicer. L'orientation
applications cliniques. Cet article propose des approches de gestion
standardisée automatisée (ASO) comprend ensuite un algorithme itératif du
des données pour l'extraction, l'enregistrement, la visualisation et la
point le plus proche pour orienter tous les modèles par rapport aux scans de
quantification de données multisources. Ces applications intègrent des
référence précédemment orientés (Figure 5), établissant une orientation
images de différentes modalités avec des analyses de données
commune pour tous les modèles et rapprochant les scans du même patient
cliniques et biologiques, des études d'utilisateurs et d'autres données
acquis à différents moments.
hétérogènes.
Une description étape par étape des procédures
d'analyse d'images comprend (1) l'anonymisation des
données ; (3) Orientation automatisée et standardisée
de la tête (système de coordonnées commun), (3) Construction automatisée de fichiers volumétriques 3D qui étiquettent
Construction automatisée de cartes d'étiquettes en couleur les structures anatomiques d'intérêt
volumétriques 3D (segmentations) et de modèles de (Segmentations) et modèles de surface
surface et/ou de mandibule comme référence, (5) Segmentation automatique du crâne multi-structures (AM ASSS)..32
identification automatique de points de repère (6) AMASSS est un module 3D Slicer AI convivial qui traite avec précision
quantification automatisée de ; Composants 3D ; une segmentation complète du visage en 5 minutes environ, ce qui
nécessiterait autrement une moyenne de 7 heures de travail manuel
par des cliniciens expérimentés. AMASSS intègre des transformateurs
UNEt (UNETR) de pointe du cadre Medical Open Network for Artificial
Anonymisation des enregistrements de diagnostic 3D
Intelligence (MONAI). Cet outil a été entraîné et nos modèles testés à
Un outil d'anonymisation entièrement automatisé pour les données
l'aide de 618 images volumétriques CBCT anonymisées de la tête
d'images médicales et un algorithme de dégradation pour les
acquises avec plusieurs paramètres provenant de différents centres.
tomodensitométries à faisceau conique (CBCT) sont disponibles sous forme
Les résultats d'une validation croisée 5 fois ont montré une précision et
d'extension accessible via le logiciel 3DSlicer.90L'anonymisation est cruciale
une robustesse élevées avec un score Dice allant jusqu'à 0,962 ± 0,02.
pour protéger la vie privée des sujets humains avant que les données
puissent être analysées, partagées et/ou diffusées publiquement. Des
initiatives telles que Facebase91et le Commons de données d'imagerie92viser
collecter des ensembles de données et organiser un système multicentrique, multiprotocole,Segmentation automatique du modèle dentaire.96La base de
données multimodalités Slicer et les mettre à disposition du public L'outil DentalModelSeg est une approche d'apprentissage profond qui restitue un
dans le but d’améliorer la recherche dentaire, buccale et craniofaciale. objet 3D à partir de différents points de vue et capture des instantanés pouvant
Néanmoins, le partage des données des centres cliniques ou des être utilisés pour extraire les caractéristiques de l'image 2D pour la tâche de
institutions médicales présente un défi car il ne devrait pas y avoir segmentation des couronnes dentaires et une tâche de classification des
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 9

Graphique [Link] standardisée en CBCT (a) et IOS (b).

mandibules entre le haut et le bas, produisant des étiquettes pour les En fait, pour les méthodes d'enregistrement basées sur les voxels qui
couronnes dentaires, suivant le « système de numérotation universel ». utilisent les cartes d'étiquettes volumétriques 3D comme entrée de la région
de référence, ces cartes d'étiquettes multiplanaires doivent être légèrement
Enregistrement d'images étendues (1 à 2 voxels) au-delà des limites réelles de l'os afin de fournir le
Pour les analyses CBCT longitudinales ou les analyses d'un groupe de des informations complexes sur les niveaux de gris sont nécessaires pour la
patients, l'enregistrement des images acquises à différents moments détection automatique des limites osseuses lors de l'enregistrement basé
permettra d'évaluer la croissance et/ou la réponse au traitement. sur les voxels. Il est important de noter que les cartes d'étiquettes
volumétriques 3D des structures anatomiques de référence pour
Enregistrement basé sur Voxel pour les évaluations [Link] l'enregistrement ne sont pas des modèles de surface 3D « propres » et ne
enregistrements entièrement automatisés basés sur les voxels de la base sont utilisées que comme références pour masquer les structures
crânienne, du maxillaire et/ou de la mandibule sont effectués dans 3D Slicer anatomiques qui changent avec la croissance et le traitement. Les méthodes
CMFReg, en utilisant les analyses respectives et les régions automatisées de d'enregistrement basées sur les voxels comparent en fait voxel par voxel les
segmentations de référence générées avec AMASSS (2010).Figure 6) des analyses valeurs de niveau de gris dans deux images CBCT pour calculer les
du temps 2 orientées et approchées à l'aide d'ASO. Nous avons formé des paramètres de rotation et de translation entre elles. Il est important de
modèles AMASSS de régions de référence pour l'enregistrement à la base comprendre que tous les enregistrements « basés sur des voxels » ne sont
crânienne (pour des évaluations faciales globales par rapport aux structures pas similaires en termes de méthodologie et de précision, car ils peuvent
crâniennes qui terminent leur croissance au début de l'enfance).76, 1999 .77 utiliser différentes structures de référence, différents nombres d'itérations
et au niveau régional (pour évaluer le remodelage osseux maxillaire et de correspondance de voxels, ou s'exécuter pendant 10 minutes et calculer
mandibulaire).78, 1999 .79La principale force de la méthode d'enregistrement basée 1 000 comparaisons du meilleur ajustement parmi des milliers. de voxels).
sur les voxels est que l'enregistrement ne dépend pas de la précision avec laquelle Après l'enregistrement, les cartes d'étiquettes volumétriques 3D doivent
les cartes d'étiquettes volumétriques 3D représentent la vérité anatomique, ni de être modifiées davantage pour une définition plus fine des contours
l'emplacement d'un nombre limité de points de repère. Dans anatomiques osseux réels du patient.

Graphique [Link] de base crânienne (a), maxillaire (b) et mandibulaire (c) créés pour l'enregistrement basé sur les voxels.
dix F. MIRANDA ET AL.

Les implications cliniques pouvant être dérivées des obtenu à partir de l'IOS qui affiche une bien meilleure résolution
enregistrements/superpositions 3D dépendent des structures d'image. Par exemple, différents modèles de maillage de surface
sélectionnées comme référence pour l'enregistrement. Les cliniciens 3D peuvent être chargés simultanément dans le logiciel Slicer, et
doivent se familiariser et se former aux nouvelles technologies pour les coordonnées des points de repère (x, y et z) sont générées et
éviter les malentendus et les interprétations incorrectes des images 3D. affichées pour chaque point de repère sur T1 et les modèles de
L'enregistrement sur différentes régions de référence conduira à surface T2 enregistrés. Deux types d’évaluation quantitative des
différentes interprétations des résultats. différences entre les points de repère peuvent être effectués :

Enregistrement basé sur la surface et les points de repère pour les (a) À un moment donné (référence ou suivi) : les distances linéaires
évaluations [Link] points de repère correspondants ou les régions 3D correspondent aux distances euclidiennes entre les points
de surface d'intérêt sont placés sur des modèles de surface et l'outil Slicer CMFreg de repère définis par l'utilisateur pour la caractérisation des
enregistre ensuite les modèles en faisant correspondre les coordonnées des dimensions, par exemple avant le traitement.
points de repère correspondants ou des points sélectionnés dans les maillages de (b) Différences entre deux points temporels (T1 et
surface. Pour les scans intra-oraux, le ruggae palatin est souvent utilisé comme T2) : les distances linéaires 3D dans chaque plan
référence stable pour l'arcade supérieure et le bord mucogingival comme de l'espace pour les déplacements du maxillaire
référence pour l'arcade inférieure. Pour enregistrer les scans intra-oraux dans les et/ou de la mandibule peuvent être mesurées. Le
scans CBCT, le centre des couronnes cliniques de toutes les dents est utilisé module AQ3DC du logiciel 3D Slicer peut être
comme référence (Figure 7). calculé pour tout un dossier de liste de points de
repère en un ou plusieurs points temporels,
Mesures quantitatives quantifiant la direction transversale (axe x),
[Link] changements de volume peuvent être mesurés dans le logiciel choisi par antéro-postérieure (axe y) et verticale (axe z). en
l'utilisateur, notamment dans des exemples open source tels que Slicer et ITK-SNAP, pour utilisant le logiciel Slicer.
refléter les changements globaux de taille, comme pour les voies respiratoires, les - Basé surdes milliers de points dans des maillages triangulaires définis automatiquement

condyles ou la greffe osseuse. dans les modèles de surface: : : : : : : : : : : : : : : : : : : : :

(a) Les distances de surface 3D calculées aux sommets des maillages

Distances de surface linéaires 3D dans des maillages triangulaires. triangulaires peuvent être calculées commepoints les plus proches
- Basé surobserve des repères définis: : : : : : : : : : : : : : : : : : : : : entre des surfaces maillées non correspondantes. Le calcul des
distances de surface peut être stocké sous forme de distances
Les points de repère 3D identifiés avec ALICBCT ou ALIIOS peuvent être linéaires 3D codées par couleur dans les formats de fichier .[Link]
corrigés à l'aide des 3 vues (axiale, sagittale et coronale) dans le ou .vtk dans le module Slicer Model to Model Distance.97
module Annotations du logiciel 3D Slicer et à l'aide d'un modèle de Les distances linéaires 3D du point le plus proche mesurent les distances
surface de référence pour assurer la cohérence de l'emplacement des les plus proches entre les sommets des maillages triangulaires dans
points de repère. L’inconvénient des repères sur les segmentations deux surfaces, et non les distances correspondantes entre les points
dentaires du CBCT, en utilisant les trois vues en coupe comme anatomiques sur deux ou plusieurs modèles obtenus
référence, est lié aux artefacts d’image, notamment en présence de longitudinalement ;Figure 4a). Même si cette analyse standard ne
restaurations. Pour éviter de telles interférences, il est également utile cartographie pas les surfaces correspondantes basées sur la géométrie
de superposer le scan intra-oral (fichier .stl) au CBCT et de placer des anatomique, si elle est utilisée en conjonction avec des superpositions
repères sur les surfaces dentaires. semi-transparentes, l'affichage graphique de la

Graphique 7.(a) Enregistrement de repères relatifs aux rugosités palatines dans l'IOS maxillaire et à la jonction mucogingivale dans l'IOS mandibulaire. (b) Enregistrement de surface basé sur les
régions d'intérêt sur les rugae palatines. (c) Enregistrement de l'IOS sur les scans CBCT par rapport aux repères placés au centre des couronnes dentaires.
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 11

des cartes à code couleur peuvent aider les cliniciens et les chercheurs à Orthodontie et dentisterie pédiatrique de l'École de médecine dentaire de
comprendre les changements complexes de la surface globale. l'Université du Michigan.
(b)Correspondance de forme, calculé à l'aide du module SPHARM-PDM Maxim Gillottest un développeur logiciel du CPE Lyon en France.
du logiciel Slicer, calcule des modèles de surface basés sur des
Baptiste Baquero, BSest un développeur logiciel du CPE Lyon en
points, où tous les modèles ont le même nombre de maillages France.
triangulaires et de sommets dans des emplacements
Luke Anchling, BSest un développeur logiciel du CPE Lyon en France.
correspondants (homologues). Les distances de surface et les Actuellement, il est chercheur au Département d'orthodontie et de dentisterie
vecteurs correspondants peuvent ensuite être calculés et affichés pédiatrique de l'École de médecine dentaire de l'Université du Michigan.
graphiquement dans Slicer (Figure 4b-d).
Nathan Huttinest un développeur logiciel du CPE Lyon en France. Actuellement, il
est chercheur au Département d'orthodontie et de dentisterie pédiatrique de
l'École de médecine dentaire de l'Université du Michigan.
Mesures angulaires [Link] mesures angulaires 3D peuvent être réalisées
dans le module AQ3DC du logiciel 3D Slicer, soit pour la caractérisation de la Marcela Gurgel, DDS, MS, PhDest chercheur postdoctoral et professeur adjoint
morphologie du visage à tout moment, soit pour la comparaison des au Département d'orthodontie et de dentisterie pédiatrique de l'École de
médecine dentaire de l'Université du Michigan.
changements de rotation entre les points temporels. Des valeurs positives et
négatives peuvent être utilisées pour indiquer des rotations dans différentes Najla Al Turkestani, DDS, MSest candidat au doctorat au Département
d'orthodontie et de dentisterie pédiatrique de l'École de médecine dentaire de
directions, comme une rotation dans le sens des aiguilles d'une montre ou
l'Université du Michigan. Elle est professeure adjointe de clinique au Département
dans le sens inverse des aiguilles d'une montre. Le choix des points de
de dentisterie restauratrice et esthétique, Faculté de médecine dentaire,
repère ou des avions à sélectionner dépend du type d'évaluation que les Université King Abdulaziz, Djeddah, Arabie Saoudite.
chercheurs effectueraient pour répondre à leurs objectifs. Par exemple, les
Yanjie Huang, MSest candidat au DDS à la School of Dentistry de
rotations mandibulaires entre deux points temporels peuvent être évaluées
l'Université du Michigan.
des manières suivantes : le pas peut être mesuré comme l'angle obtenu par
Camila Massaro, DDS, MS, [Link] professeur adjoint au
l'intersection des plans passant par le condylion droit et gauche et le
Département d'orthodontie, École de médecine dentaire, Université
pogonion passant par le pogonion et le point moyen entre la droite et la fédérale de Goiás, Goiânia, Brésil.
gauche. condylion en vue sagittale ; le roulis est calculé par l'intersection de
Daniela Garib, DDS, MS, [Link] professeur au Département
deux lignes passant par les condylions droit et gauche en vue coronale ; le
d'orthodontie, École dentaire de Bauru, Université de São Paulo,
lacet est calculé par l'intersection de deux lignes passant par les condylions Brésil.
droit et gauche dans la vue axiale (Figure 3a).

Anthony Wheels, DDS, MS, PhDest professeur agrégé au Département

d'orthodontie et de dentisterie pédiatrique, École de médecine
dentaire, Université fédérale de Rio de Janeiro, Rio de Janeiro, Brésil.
Considérations finales Karine Evangelista, DDS, MS, [Link] professeur agrégé au Département
d'orthodontie, École de médecine dentaire, Université fédérale de Goiás,
Les outils d'intelligence artificielle en orthodontie font progresser
Goiânia, Brésil.
le rôle et facilitent les analyses des phénotypes d'imagerie chez les
Château Aaron Aliaga-Del, DDS, MS, PhDest professeur agrégé clinique au
patients nécessitant une correction orthodontique, orthopédique
Département d'orthodontie et de dentisterie pédiatrique de l'École de médecine
et/ou chirurgicale. Cela comprend des procédures automatisées dentaire de l'Université du Michigan.
pour l’anonymisation des images, la segmentation, l’identification
Marilia Yatabe, DDS, MS, [Link] professeur adjoint de clinique au département
des points de repère, l’orientation standardisée, l’enregistrement
d'orthodontie et de dentisterie pédiatrique de l'école de médecine dentaire de
et la quantification/classification/caractérisation. L’objectif à long l'université du Michigan.
terme du développement d’outils d’IA est de valider les
Nous Shah, MSest instructeur de recherche au Département de psychiatrie.
performances cliniques des procédures automatisées de la boîte à Université de Caroline du Nord, Chapel Hill.
outils pour la quantification automatique des images.
Jonas Bianchi, DDS, MS, [Link] professeur adjoint au Département
d’orthodontie. Université du Pacifique, San Francisco, États-Unis.

Remerciements John Charles Prieto, MS, PhDest professeur adjoint de recherche au

Département de psychiatrie. Université de Caroline du Nord, Chapel Hill.
Soutenu par le NIDCR R01 024450 et l'AAOF - Prix d'enseignement et de recherche
Lucia Cevidanes, DDS, MS, PhDest professeur de médecine
familial Graber - Bourse de développement du corps professoral en orthodontie.
dentaire Thomas et Doris Graber.

Notes sur les contributeurs

Felicia Miranda, DDS, MS, PhDest chercheur postdoctoral au ORCID

Département d'orthodontie de l'École dentaire de Bauru, Université de
São Paulo, Brésil. Actuellement, elle est chercheuse postdoctorale au Jonas Bianchi DDS, MS, Ph.D. [Link]
Département d'orthodontie et de dentisterie pédiatrique de la School
of Dentistry de l'Université du Michigan.
Les références
Sélène Barone, DDS, MSest doctorant au Département des sciences de la
santé, École de médecine dentaire, Université Magna Graecia de Catanzaro, [PubMed] Jacox LA, Mihas P, Cho C, Lin FC, Ko CC. Comprendre l'adoption de
Italie. Actuellement, elle est chercheuse au Département de la technologie par les orthodontistes : une étude [Link] J Orthod
12 F. MIRANDA ET AL.

Orthopédie Dento-Faciale.2019;155(3):432-442. est ce que je:10.1016/[Link]. [ Article gratuit PMC ] [ PubMed ] 21. Hwang JJ, Lee JH, Han SS, et al. Analyse du support pour
2018.08.018. le modèle de détection de l'ostéoporose par radiographie panoramique dentaire.
2. Alyass A, Turcotte M, Meyre D. De l'analyse du big data à la médecine Dentomaxillofac Radiol.2017;46(7):20170006. est ce que je:10.1259/dmfr. 20170006.
personnalisée pour tous : défis et opportunité[Link] Med
Génomique.2015;8(1):3 est ce que je:10.1186/s12920-015-0108-y. [ Article gratuit PMC ] [ PubMed ] 22. Chandrashekar G, AlQarni S, Bumann EE, Lee Y. Modèle
[ Article gratuit PMC ] [ PubMed ] [ Cross Ref ] 3. Cai L, Zhu Y. Les défis de la qualité des données et de d'apprentissage profond collaboratif pour la segmentation et l'identification des dents à
l'évaluation de la qualité des données à l'ère du Big Data.J. Données Sci.2015;14:2 est ce que je:est ce que l'aide de radiographies [Link] Biol Med.
je:10.5334/dsj-2015-002. 2022;148:105829. est ce que je:est ce que je: 10.1016/[Link].2022.105829.
[ PubMed ] 4. Li P, Kong D, Tang T et al. Planification de traitement orthodontique basée sur des [ Article gratuit PMC ] [ PubMed ] 23. Lee JH, Han SS, Kim YH, Lee C, Kim I. Application d'un
réseaux de neurones [Link]ésentant scientifique.2019;9(1):2 est ce que je:est ce que réseau neuronal convolutionnel entièrement profond à l'automatisation de la
je:10.1038/s41598-018-38439-w. segmentation dentaire sur les radiographies [Link] Surg Oral Med Oral
5. Série de podcasts de l’École de médecine dentaire de l’Université du Michigan. Pathol Oral Radiol.2020;129(6):635-642. est ce que je:est ce que je: 10.1016/[Link].
Thérapie par mentonnière.[Link] [ PubMed ] 24. Crois J, Ekert T, Meinhold L, et al. Apprentissage profond pour la détection
v=LQFa_S9iss&list=PL824FB49D6CECCC25&index=4. Consulté le 19 novembre radiographique de la perte osseuse [Link]ésentant scientifique.2019;9(1):8
[ Article gratuit PMC ] [ PubMed ] [ Cross Ref ] 6. Subramanian AK, Chen Y, Almalki A, est ce que je:10.1038/s41598-019-44839-3.
Sivamurthy G, Kafle D. Analyse céphalométrique en orthodontie utilisant [ Article gratuit PMC ] [ PubMed ] 25. Zhou T, Hou S, Liu Y, Dang P, Lu H, Shi H. Teeth U-Net :
l'intelligence artificielle - Une revue complè[Link] Res Int.. 2022 un modèle de segmentation d'images radiographiques panoramiques dentaires pour la
;2022 : 1880113 . est ce que je:10.1155/2022/1880113. sémantique du contexte et l'amélioration du [Link] Biol Med. 2022
[ Article gratuit PMC ] [ PubMed ] 7. Monill-Gonzalez A, Rovira-Calatayud L, d'Oliveira NG, ;152:106296. est ce que je:est ce que je: 10.1016/[Link].2022.106296.
Ustrell-Torrent JM. Intelligence artificielle en orthodontie : où en sommes-nous ? Un [ Article gratuit PMC ] [ PubMed ] 26. Wirtz A, Mirashi SG, Wesarg S. Segmentation
examen de la porté[Link] Craniofac Res.2021;24(Supplément 2) :6-15. est ce que je: automatique des dents dans des images radiographiques panoramiques à l'aide d'un
est ce que je: 10.1111/ocr.12517. modèle de forme couplé en combinaison avec un réseau neuronal. Article présenté à :
8. Schwendicke F, Golla T, Dreher M, Krois J. Réseaux de neurones convolutifs pour le Medical Image Computing and Computer Assisted Intervention – MICCAI 2018 ; 2018;
diagnostic d'images dentaires : une revue de la portée.J Dent. 2019;91:103226. Cham.
est ce que je:est ce que je: 10.1016/[Link]. [ PubMed ] 27. Krois J, Garcia Cantu A, Chaurasia A, et al. Généralisabilité des modèles
[ PubMed ] 9. Kunz F, Stellzig-Eisenhauer A, Zeman F, Boldt J. Intelligence artificielle d'apprentissage profond pour l'analyse d'images [Link]ésentant scientifique.
en orthodontie : évaluation d'une analyse céphalométrique entièrement 2021;11(1):6 est ce que je:10.1038/s41598-021-85454-5.
automatisée utilisant un réseau neuronal convolutionnel personnalisé. [ PubMed ] 28. Wang L, Gao Y, Shi F et al. Segmentation automatisée de l'image CBCT
J Orofac Orthop.2020;81(1):52-68. est ce que je:10.1007/ dentaire avec des forêts aléatoires séquentielles préalablement guidé[Link]
s00056-019-00203-8. Physique.2016;43(1):3 est ce que je:10.1118/1.4938267.
[ Article gratuit PMC ] [ PubMed ] 10. Arik SO, Ibragimov B, Xing L. Céphalométrie quantitative [ Article gratuit PMC ] [ PubMed ] 29. Kim YH, Shin JY, Lee A, Park S, Han SS, Hwang HJ. Mesure
entièrement automatisée utilisant des réseaux de neurones convolutifs.J Med Imaging automatisée de l'épaisseur corticale de la tête du condyle mandibulaire sur des images
(Bellingham).2017;4(1):014501. est ce que je:[Link] CBCT à l'aide d'une méthode d'apprentissage [Link]ésentant scientifique.2021
[ Article gratuit PMC ] [ PubMed ] 11. Kim H, Shim E, Park J, Kim YJ, Lee U, Kim Y. Analyse ;11(1):14852; est ce que je:10.1038/s41598-021-94362-7.
céphalométrique entièrement automatisée basée sur le Web par apprentissage en profondeur. [ PubMed ] 30. Preda F, Morgan N, Van Gerven A et al. Segmentation automatisée basée sur
Programmes de méthodes informatiques Biomed.2020;194:105513. est ce que je:10.1016/ un réseau neuronal à convolution profonde du complexe maxillo-facial à partir de la
[Link]. 2020.105513. tomodensitométrie à faisceau conique : une étude de validation.J Dent.2022
[ PubMed ] [ Cross Ref ] 12. Yu HJ, Cho SR, Kim MJ, Kim WH, Kim JW, Choi J. ;124:104238. est ce que je:est ce que je:10.1016/[Link].2022.104238.
Classification squelettique automatisée avec céphalométrie latérale basée sur [ Article gratuit PMC ] [ PubMed ] 31. Wang H, Minnema J, Batenburg KJ, Forouzanfar
l'intelligence artificielle.J Dent Res.2020;99(3):249-256. est ce que je:10.1177/ T, Hu FJ, Wu G. Segmentation d'images CBCT multiclasses pour l'orthodontie
0022034520901715. avec apprentissage profond.J Dent Res.2021;100(9):943-949. est ce que je:
[ PubMed ] 13. Yassir YA, Salman AR, Nabbat SA. La précision et la fiabilité de 10.1177/ 00220345211005338.
WebCeph pour l'analyse céphalométrique.J Taibah Univ Med Sci. 2022 [ PubMed ] 32. Gillot M, Baquero B, Le C, et al. Segmentation automatique
;17(1):57-66. est ce que je:est ce que je:10.1016/[Link].2021.08.010. multi-anatomique de la structure du crâne des tomodensitométries à
[ PubMed ] 14. Meric P, Naoumova J. Analyse céphalométrique entièrement faisceau conique à l'aide de l'UNETR [Link] Un.2022;17(10):e0275033. est
automatisée basée sur le Web : comparaisons entre les tracés assistés par ce que je:10.1371/[Link].0275033.
application, informatisés et [Link] J Orthod.2020;33(3):142-149. est ce [ Article gratuit PMC ] [ PubMed ] 33. Shaheen E, Leite A, Alqahtani KA, et al. Un nouveau système
que je:10.5152/ TurcOrthod.2020.20062. d'apprentissage en profondeur pour la segmentation et la classification des dents multiclasses
[ PubMed ] 15. Juneja M, Garg P, Kaur R et al. Un examen des techniques de détection de sur tomodensitométrie à faisceau conique. Une étude de validation.J Dent. 2021;115:103865. est
points de repère céphalomé[Link]ôle du processus de signal biomédical. 2021 ce que je:est ce que je:10.1016/[Link].2021.103865.
;66:102486. est ce que je:est ce que je: 10.1016/[Link].2021.102486. 34. Imite.[Link]
[ PubMed ] 16. Park JH, Hwang HW, Moon JH et al. Identification automatisée des mimicinnovation-suite. Consulté le 27 février
repères céphalométriques : partie 1 – comparaisons entre les dernières 35. Réticence.[Link] Consulté le 27 février
méthodes d'apprentissage profond YOLOV3 et [Link] orthopédique.2019 [ Article gratuit PMC ] [ PubMed ] 36. Ezhov M, Gusarev M, Golitsyna M, et al. Système d’intelligence
;89(6):903-909. est ce que je:10.2319/022019-1. artificielle cliniquement applicable pour le diagnostic dentaire avec [Link]ésentant
[ Article gratuit PMC ] [ PubMed ] [ Cross Ref ] 17. Nishimoto S, Sotsuka Y, Kawai scientifique.2021;11(1):15006; est ce que je:10.1038/s41598-021-94093-9.
K, Ishise H, Kakibuchi M. Détection de repères céphalométriques sur [ PubMed ] 37. Wilkinson MD, Dumontier M, Aalbersberg IJ, et al. Les principes directeurs FAIR
ordinateur personnel avec apprentissage en profondeur.J Craniofac Surg. pour la gestion et la gestion des données [Link]ées scientifiques. 2016
2019;30(1):91-95. est ce que je:[Link] ;3(1):1 est ce que je:est ce que je:10.1038/sdata.2016.18.
[ Article gratuit PMC ] [ PubMed ] 18. Lee JH, Yu HJ, Kim MJ, Kim JW, Choi J. Détection [ PubMed ] 38. Lagravere MO, Low C, Flores-Mir C, et al. Fiabilités intra-examinateur et
automatisée de points de repère céphalométriques avec régions de confiance à l'aide inter-examinateur de l'identification des points de repère sur les
de réseaux neuronaux convolutifs bayé[Link]é bucco-dentaire BMC.2020;20(1):2 est céphalogrammes latéraux numérisés et les images de tomodensitométrie à
ce que je:10.1186/s12903-020-01256-7. faisceau conique tridimensionnelles formaté[Link] J Orthod Orthopédie Dento-
[ Article gratuit PMC ] [ PubMed ] 19. Hwang HW, Park JH, Moon JH et al. Identification Faciale.2010;137(5):598-604. est ce que je:10.1016/[Link].2008.07.018.
automatisée de repères céphalométriques : partie 2-Pourrait-il être meilleur que [ PubMed ] 39. Ghowsi A, Hatcher D, Suh H et al. Identification automatisée de points
l'humain ? Angle orthopédique.2020;90(1):69-76. est ce que je:10.2319/022019-1. de repère sur tomodensitométrie à faisceau conique : précision et fiabilité. Angle
[ PubMed ] 20. Bulatova G, Kusnoto B, Grace V, Tsay TP, Avenetti DM, Sanchez FJC. orthopédique.2022;92(5):642-654. est ce que je:10.2319/122121-9.
Évaluation de l’identification automatique de points de repère céphalométriques 40. Gillot MB, Ruellas A, Gurgel M et al. Identification automatique des points de
à l’aide de l’intelligence [Link] Craniofac Res. 2021;24(Supplément 2) repère dans les tomodensitométries à faisceau conique.J Dent Res. 2022;#Spec
:37-42. est ce que je:est ce que je: 10.1111/ocr.12542. Iss_:0098. est ce que jeest ce que je: 10.1111/ocr.12642.
 JOURNAL DE L'ASSOCIATION DENTAIRE DE CALIFORNIE 13

[ PubMed ] 41. Im J, Kim JY, You HS, et al. Précision et efficacité de la segmentation automatique des [ PubMed ] 58. Morris RS, Hoye LN, Elnagar MH, et al. Précision de la
dents dans les modèles dentaires numériques grâce à l'apprentissage profond. surveillance dentaire Modèles dentaires numériques 3D utilisant le mode
Représentant scientifique.2022;12(1):9 est ce que je:10.1038/s41598-022-13595-2. photographie et vidé[Link] J Orthod Orthopédie Dento-Faciale.2019
[ Article gratuit PMC ] [ PubMed ] 42. Wu TH, Lian C, Lee S, et al. Apprentissage profond du maillage en ;156(3):420-428. est ce que je:10.1016/[Link].2019.02.014.
deux étapes pour la segmentation automatisée des dents et la localisation des points de repère [ PubMed ] 59. Hansa I, Katyal V, Semaan SJ, Coyne R, Vaid NR. Surveillance à
sur les scans intra-oraux [Link] transmédicale IEEE.2022;41(11) : 3158-3166 . est ce que je: distance basée sur l'intelligence artificielle des patients orthodontiques :
est ce que je: 10.1109/TMI.2022.3180343. applicabilité clinique et [Link]-orthodoxe.2021;27(2):138-156.
[ PubMed ] 43. Woodsend B, Koufoudaki E, Lin P et al. Développement de la est ce que je:10.1053/[Link].2021.05.010.
reconnaissance automatisée de points de repère (ALR) intra-orale pour les [ PubMed ] 60. Sangalli L, Savoldi F, Dalessandri D, et al. Effets de la surveillance numérique à

mesures de résultats dentaires et [Link] J Orthod.2022;44(1):43-50. est ce distance sur l'hygiène bucco-dentaire des patients orthodontiques : une étude

que je:10.1093/ejo/cjab012. [Link]é bucco-dentaire BMC.2021;21(1):4 est ce que je:10.1186/

[ Article gratuit PMC ] [ PubMed ] 44. Tian S, Dai N, Zhang B, Yuan F, Yu Q, Cheng X. s12903-021-01793-9.

Classification et segmentation automatiques des dents sur un modèle dentaire 3D à [ Article gratuit PMC ] [ PubMed ] 61. Minervini G, Russo D, Herford AS, et al. Télédentisterie

l'aide de réseaux d'apprentissage profond hié[Link]ès IEEE. 2019 dans la prise en charge des patients présentant des troubles dentaires et

;7 : 84817-84828 . est ce que je:est ce que je: 10.1109/ACCESS.2019.2924262. [Link] Res Int..2022;2022 : 7091153 ; est ce que je:

[ Article gratuit PMC ] [ PubMed ] 45. Lian C, Wang L, Wu TH, et al. Apprentissage approfondi 10.1155/2022/7091153.

des fonctionnalités de maillage multi-échelle pour l’étiquetage automatisé des surfaces [ PubMed ] 62. Hannequin R, Ouadi E, Racy E, Moreau N. Suivi clinique du
dentaires brutes à partir de scanners intra-oraux [Link] transmédicale IEEE.2020 traitement orthodontique Invisalign accéléré par corticotomie avec
;39(7) : 2440-2450 . est ce que je:est ce que je: 10.1109/TMI. surveillance [Link] J Orthod Orthopédie Dento-Faciale.2020
[ Article gratuit PMC ] [ PubMed ] 46. Chen Q, Huang J, Salehi HS, et al. Analyse hiérarchique de la
;158(6):878-888. est ce que je:10.1016/[Link].2019.06.025.
morphologie de la surface occlusale basée sur CNN pour classer le type de dent postérieure à
[ PubMed ] 63. Moylan HB, Carrico CK, Lindauer SJ, Tufekci E. Précision d'une
application de surveillance de traitement orthodontique basée sur smartphone :
l'aide d'images augmentées à partir de modèles de surface dentaire [Link] de
une étude [Link] orthopédique.2019;89(5):727-733. est ce que je:
méthodes informatiques Biomed.2021;208:106295. est ce que je:10.1016/[Link]. 2021.106295.
10.2319/100218-710.1.
[ PubMed ] 64. Al-Moghrabi D, Pandis N, McLaughlin K, Johal A, Donos N,
[ PubMed ] 47. Baquero BP, King D, Aristizabal J et al. ALIDDM : identification
Fleming PS. Évaluation de l'efficacité d'une application mobile sur mesure
automatique de repères dans les modèles dentaires numériques.J Dent
pour augmenter la durée de port des appareils de rétention
Res.2022;#Spec Iss_:0847.[Link]
thermoplastiques : un essai contrôlé randomisé.Eur J Orthod.2020
51am-3668353/aliddm-automatic-landmark-identification-in-digital-dental-
;42(5):571-579. est ce que je:10.1093/ejo/cjz088.
models:1-1.
[ PubMed ] 65. Bianchi J, Paniagua B, De Oliveira Wheels AC, et al. Les modules
[ PubMed ] 48. Jeong SH, Yun JP, Yeom HG, Lim HJ, Lee J, Kim BC. Discrimination basée
craniomaxillo-faciaux du slicer 3D soutiennent la prise de décision spécifique au
sur l'apprentissage profond des profils de tissus mous nécessitant une chirurgie
patient pour des soins de santé personnalisés dans la recherche dentaire.
orthognatique par des photographies [Link]ésentant scientifique.2020
Apprentissage multimodal Clin Decis Support Clin Proc basé sur l'image 2020
;10(1):1 est ce que je:10.1038/s41598-020-73287-7.
;12445 : 44-53. est ce que je:10.1007/978-3-030-60946-7_5
[ PubMed ] 49. Obwegeser D, Timofte R, Mayer C et al. Utiliser l’intelligence
66. Principes ÉQUITABLES.[Link]
artificielle pour déterminer l’influence de l’esthétique dentaire sur
Consulté le 20 novembre
l’attractivité du visage par rapport à d’autres modifications [Link] J
[ PubMed ] 67. American Academy of O, Maxillofacial R. Recommandations cliniques
Orthod.2022;44(4):445-451. est ce que je:10.1093/ejo/cjac016.
concernant l'utilisation de la tomodensitométrie à faisceau conique en
[ PubMed ] [ Cross Ref ] 50. Patcas R, Bernini DAJ, Volokitin A, Agustsson E, Rothe R,
orthodontie. [corrigée] Énoncé de position de l'Académie américaine de
Timofte R. Application de l'intelligence artificielle pour évaluer l'impact du
radiologie buccale et [Link] Surg Oral Med Oral Pathol Oral Radiol.
traitement orthognathique sur l'attractivité du visage et l'âge estimé.
2013;116(2):238-257. est ce que je:est ce que je:10.1016/[Link].2013.06.002.
Chirurgie maxillo-faciale orale Int J.2019;48(1):77-83. est ce que je:10.1016/[Link]étaire.
68. Fayed MM, Pazera P, Katsaros C. Sites optimaux pour la pose de mini-
2018.07.010.
implants orthodontiques évalués par tomodensitométrie à faisceau
[ PubMed ] 51. Ryu J, Lee YS, Mo SP, Lim K, Jung SK, Kim TW. Application de la
[Link] orthopédique.2010;80(5):939-951. est ce que je:
technique d’intelligence artificielle de deep learning à la classification de photos
10.2319/121009-709.1.
orthodontiques [Link]é bucco-dentaire BMC.2022;22(1):4 est ce que je:
[ PubMed ] 69. Brosset S, Dumont M, Bianchi J, et al. Auto-segmentation 3D des condyles
10.1186/s12903-022-02466-x.
[Link] Int Conf IEEE Light Med Biol Soc. 2020;2020 : 1270-1273. est ce que
52. Sangli L, Savoldi F, Dalessandri D, Visconti L, Massetti F, Bonetti S. je:est ce que je: 10.1109/EMBC44109.2020.9175692.
Surveillance numérique à distance pendant la phase de rétention du [ PubMed ] 70. Chen S, Wang L, Li G et al. Apprentissage automatique en orthodontie :
traitement orthodontique : une étude prospective de faisabilité.Coréen J introduction d'un outil d'auto-segmentation 3D et de recherche automatique de points
Orthod.2022;52(2):123-130. est ce que je:10.4041/kjod.2022.52.2.123. de repère d'images CBCT pour évaluer la constriction maxillaire chez les patients canins
[ PubMed ] 53. Kuriakose P, Greenlee GM, Heaton LJ, Khosravi R, Tressel W, Bollen AM. inclus unilaté[Link] orthopédique.2020;90(1):77-84. est ce que je:
L'évaluation de l'expansion palatine rapide à l'aide d'un logiciel de surveillance à 10.2319/012919-5.
[Link] de la Fédération mondiale des orthodontistes.2019 [ PubMed ] 71. Dumont M, Prieto JC, Brosset S, et al. Classification spécifique au patient du
;8(4):165-170. est ce que je:est ce que je: 10.1016/[Link]. canal radiculaire dentaire et de la forme de la [Link] Shape Med. 2020
[ PubMed ] 54. Giudice A, Barone S, Muraca D, et al. La télédentisterie peut-elle ;12474 : 145-153. est ce que je:10.1007/978-3-030-61056-2_12.
améliorer le suivi des patients pendant la propagation du covid-19 ? [ PubMed ] 72. Fan Y, Beare R, Matthews H et al. Méthode de transformation des bassins versants
une étude pilote [Link] J Environ Res Santé Publique.2020 basée sur des marqueurs pour une segmentation mandibulaire entièrement automatique à
;17(10):3399; est ce que je:10.3390/ijerph1. partir d’images [Link] Radiol.2019;48(2):20180261. est ce que je:est ce que
[ PubMed ] 55. Hansa I, Seman SJ, Vaid NR. Résultats cliniques et perspectives je:10.1259/dmfr.20180261.
des patients de Dental Monitoring(R) Une étude de cohorte rétrospective [ PubMed ] 73. Lie WN. Segmentation automatique de la cible par seuillage d'image
de GoLive(R) avec Invisalign(R).Orthod Prog.2020;21(1):1 est ce que je: localement [Link] de trans-image IEEE.1995;4(7):1036-1041. est ce
10.1186/s40510-020-00316-6. que je:10.1109/83.392347.
[ PubMed ] 56. Hansa I, Katyal V, Ferguson DJ, Vaid N. Résultats du traitement [ PubMed ] 74. Ma WY, Manjunath BS. EdgeFlow : une technique de détection des
par aligneurs clairs avec et sans surveillance dentaire : une étude de limites et de segmentation d'[Link] de trans-image IEEE. 2000
cohorte ré[Link] J Orthod Orthopédie Dento-Faciale.2021 ;9(8):1375-1388. est ce que je:10.1109/83.855433.
;159(4):453-459. est ce que je:10.1016/[Link].2020.02.010. [ PubMed ] 75. Ruellas AC, Tonello C, Gomes LR, et al. Un système de coordonnées
57. Vaid NR. Soins orthodontiques pilotés par l’intelligence artificielle (IA) : une tridimensionnelles commun pour l'évaluation des changements de [Link]
quête vers l’utopie ?Semi-orthodoxe.2021;27(2):57-61. est ce que je:10. J Orthod Orthopédie Dento-Faciale.2016;149(5):645-656. est ce que je:10.1016/j.
1053/[Link].2021.05.001. iode.2015.10.021.
14 F. MIRANDA ET AL.

[ PubMed ] 76. Cevidane LH, Heymann G, Cornelis MA, DeClerck HJ, Tulloch JF. [Link] transmédicale IEEE.2000;19(11):1053-1063. est ce
Superposition de modèles tridimensionnels de tomodensitométrie à que je:10.1109/42.896780.
faisceau conique de patients en [Link] J Orthod Orthopédie [ Article gratuit PMC ] [ PubMed ] 86. Dean D, Hans MG, Bookstein FL, Subramanyan K.
Dento-Faciale.2009;136(1):94-99. est ce que je:10.1016/[Link].2009. 01 Données marquantes de l'étude tridimensionnelle sur la croissance de Bolton-Brush :
018. ontogenèse et dimorphisme sexuel de la cohorte des standards de [Link]
[ PubMed ] 77. Cevidanes LH, Styner MA, Proffit WR. Analyse d'images et Palatine Craniofac J.2000;37(2):145-156. est ce que je:[Link]
superposition de modèles de tomodensitométrie à faisceau conique 10.1597/1545-1569 (2000)037<0145:TDBBGS>[Link];2.
[Link] J Orthod Orthopédie Dento-Faciale.2006;129(5):611-618. est [ Article gratuit PMC ] [ PubMed ] 87. Subsol G, Thirion JP, Ayache N. Un schéma de
ce que je:10.1016/[Link].2005.12.008. construction automatique d'atlas anatomiques morphométriques
[ PubMed ] 78. Ruellas AC, Huanca Ghislanzoni LT, Gomes MR, et al. tridimensionnels : application à un atlas de crâ[Link] Image Anale.1998
Comparaison et reproductibilité de 2 régions de référence pour ;2(1):37-60. est ce que je:10.1016/s1361-8415(01)80027-x.
l'enregistrement régional maxillaire par tomodensitométrie à [ Article gratuit PMC ] [ PubMed ] 88. Gerig G, Jomier M, Chakos M. Valmet : un nouvel
faisceau [Link] J Orthod Orthopédie Dento-Faciale.2016 outil de validation pour évaluer et améliorer la segmentation d'objets 3D. Article
;149(4):533-542. est ce que je:10.1016/[Link].2015.09.026. présenté à : Conférence internationale sur le calcul d’images médicales et
[ PubMed ] 79. Ruellas AC, Yatabe MS, Souki BQ, et al. Superposition mandibulaire 3D : l’intervention assistée par ordinateur. 4e Conférence internationale de Trecht ;
comparaison des régions de référence pour l'enregistrement basé sur les voxels. 2001; Les Pays-Bas.
PLoS Un.2016;11(6):e0157625. est ce que je:10.1371/journal. pone.0157625. [ Article gratuit PMC ] [ PubMed ] 89. Styner M, Oguz I, Xu S, et al. Cadre pour l'analyse
statistique de la forme des structures cérébrales à l'aide de SPHARM-PDM.J. Aperçu.
[ PubMed ] 80. Moyers RE, Bookstein FL. L'inopportunité de la céphalométrie 2006;1071 : 242-250 ; est ce que je:10.54294/owxzil.
[Link] J Orthod.1979;75(6):599-617. est ce que je:10.1016/ 90. Vue du slicer 3D. Consulté le 22 novembre
0002-9416 (79)90093-9. 91. Visionneuse Face Base. Consulté le 22 novembre
[ PubMed ] 81. Gunz P, Mitteroecker P, Bookstein [Link]-repères en trois 92. Imaging Data Commons hidcg. Consulté le 22 novembre
dimensions. Morphométrie moderne en anthropologie physique. New [ PubMed ] 93. Mildenberger P, Eichelberg M, Martin E. Introduction
York, New York : Springer ;2005. 73-98. à la norme [Link] Radiol.2002;12(4):920-927. est ce que
[ PubMed ] 82. Kenyhercz MW, Klales AR, Kenyhercz WE. Taille et forme des molaires dans je:10.1007/s0.
l'estimation de l'ascendance biologique : une comparaison de l'emplacement relatif des [ PubMed ] 94. Theyers AE, Zamyadi M, O'Reilly M, et al. Comparaison multisite de logiciels de
cuspides à l'aide de la morphométrie géométrique et des distances entre les points dégradation d'IRM sur plusieurs [Link] Psychiatrie. 2021;12:617997. est ce que
d'intérê[Link] J Phys Anthropol.2014;153(2):269-279. est ce que je:10.1002/ vote.22429. je:est ce que je: 10.3389/fpsyt.2021.617997.
[ PubMed ] 95. Diaz O, Kushibar K, Osuala R, et al. Préparation des données pour
[ Article gratuit PMC ] [ PubMed ] 83. Paniagua B, Alhadidi A, Cevidanes L, Styner M, l'intelligence artificielle en imagerie médicale : un guide complet des
Oguz I. Caractérisation de l'asymétrie mandibulaire à l'aide de la morphométrie plateformes et outils en libre accès.Médecine Physique.2021;83:25–3 est ce que
tensorielle généralisé[Link] IEEE Int Symp Biomed Imaging. 2011 je:10.1016/[Link].2021.02.007.
;2011 : 1175-1178. est ce que je:est ce que je: 10.1109/ISBI.2011.5872611. [ PubMed ] 96. Deleat-Besson R, Le C, Zhang W, et al. Fusion et annotation des
[ PubMed ] 84. Thompson PM, MacDonald D, Mega MS, Holmes CJ, Evans AC, dents et des racines à partir de la segmentation automatisée d'images
Toga AW. Détection et cartographie d'une structure cérébrale anormale multimodales. Article présenté à : Apprentissage multimodal pour l'aide à
avec un atlas probabiliste des surfaces corticales.J Comput Assist Tomogr. la décision clinique ;2021; Cham.
1997;21(4):567-581. est ce que je:10.1097/00004728-199707000-00008. 97. Didacticiels vidéo Modèle à modèle Distance et
ShapePopulationViewer.[Link]
[ Article gratuit PMC ] [ PubMed ] 85. Andresen PR, Bookstein FL, Conradsen K, Ersboll BK, Marsh JL, v=YourQsAw&list= PLl4LKTeqIlaeBYEHGp1E-0xc510B_bC2Z&index=1.
Kreiborg S. Modélisation de la croissance limitée à la surface appliquée à l'homme Consulté le 23 novembre