Generelized Anatomical Landmark Detection In Cephalometric: A Comparative Study

Abstract

The detection of anatomical landmarks on lateral cephalograms is crucial for precise cephalometric analysis. These landmarks, representing specific structures, are essential for orthodontic diagnosis, treatment planning, and outcome evaluation. However, manual marking of these landmarks is a tedious, time-consuming, subjective, and laborious task. Given these limitations, it is imperative to develop automatic and accurate methods for landmark detection. The objective of our work is to compare the results obtained with different architectures, to assist physicians in registration and segmentation practices. Our approach is based on the U-net architecture, including U-net2D and GU2net, trained for automatic identification of landmarks. To conduct this study, we used databases containing radiographic images. Gu2Net model demonstrated better results over Unet2d in terms of MRE values for all datasets, for the cephalometric dataset the Gu2Net scored 1.16±1.02 mm, Unet2d scored 18.60±32.02 mm, similar to the previous dataset, hand and chest datasets scored respectfully 0.81±4.00 mm and 11.81±48.03 mm with GU2Net, and for the Unet2d 2.04±12.33 mm and 56.85±135.63 mm ==================================================================================================== La d´etection des rep`eres anatomiques sur les c´ephalogrammes lat´eraux est cruciale pour une analyse c´ephalom´etrique pr´ecise. Ces rep`eres, repr´esentant des structures sp´ecifiques, sont essentiels pour le diagnostic orthodontique, la planification du traitement et l’´evaluation des r´esultats. Cependant, le marquage manuel de ces rep`eres est une tˆache fastidieuse, longue, subjective et laborieuse. Compte tenu de ces limitations, il est imp´eratif de d´evelopper des m´ethodes automatiques et pr´ecises pour la d´etection des rep`eres. L’objectif de notre travail est de comparer les r´esultats obtenus avec diff´erentes architectures, afin d’aider les m´edecins dans les pratiques de recalage et de segmentation. Notre approche est bas´ee sur l’architecture U-net, y compris U-net2D et GU2net, entraˆın´ee pour l’identification automatique des rep`eres. Pour mener cette ´etude, nous avons utilis´e des bases de donn´ees contenant des images radiographiques. Le mod`ele Gu2Net a d´emontr´e de meilleurs r´esultats par rapport `a Unet2d en termes de valeurs MRE pour tous les ensembles de donn´ees. Pour l’ensemble de donn´ees c´ephalom´etriques, Gu2Net a obtenu un score de 1,16±1,02 mm, tandis que Unet2d a obtenu 18,60±32,02 mm. De mani`ere similaire, pour les ensembles de donn´ees de la main et le thorax, Gu2Net a respectivement obtenu 0,81±4,00 mm et 11,81±48,03 mm, tandis que Unet2d a obtenu 2,04±12,33 mm et 56,85±135,63 mm.