Traducido del inglés al español - www.onlinedoctranslator.

com

Aprendizaje profundo y visión por

computadora: dos pilares prometedores que
impulsan el futuro de la ortodoncia
Rosalia Leonardi, Antonino Lo Giudice, Gaetano Isola y
Concetto Spampinato

Actualmente, los avances y la asequibilidad de los datos digitales han aumentado la

demanda de agilizar y automatizar varias tareas de diagnóstico y clínicas. En este sentido,
la Inteligencia Artificial es una herramienta extraordinaria destinada a apoyar el
diagnóstico, plan de tratamiento y pronóstico y al seguimiento de los avances de los
tratamientos de ortodoncia. Este documento tiene como objetivo ayudar a los
ortodoncistas a familiarizarse con varias de las aplicaciones pioneras de la IA y
proporcionar un desglose de varias de las aplicaciones pioneras de la IA con especial
atención al aprendizaje profundo y la visión por computadora en ortodoncia para una
innovación continua. (Semin Orthod 2021; 27: 62–68)© 2021 Publicado por Elsevier Inc.

Introducción El término se aplica frecuentemente al proyecto de

T
desarrollar sistemas dotados de los procesos
La introducción de la Inteligencia Artificial (IA) en
intelectuales característicos de los humanos, como la
el campo médico ha asumido el desafío de
capacidad de razonar, tener percepción visual,
respaldar las evaluaciones para el diagnóstico, la
descubrir significados, generalizar o aprender de
terapia, el pronóstico y el seguimiento del paciente.
experiencias pasadas.
Si bien las películas de Hollywood y las novelas de ciencia ficción
El "aprendizaje automático" (ML) es un subconjunto de
retratan la inteligencia artificial como los androides que se apoderan
la IA (Figura 1), y originalmente se describió como un
del mundo, la evolución actual de las tecnologías de inteligencia
programa que aprende a realizar una tarea o toma una
artificial no es tan aterradora. En cambio, la inteligencia artificial ha
decisión automáticamente a partir de los datos, en lugar de
evolucionado para proporcionar muchos beneficios específicos en
tener el comportamiento programado explícitamente. ML
diferentes campos.
se caracteriza por técnicas matemáticas y estadísticas que
La inteligencia artificial (IA) es la capacidad de una
permiten a las máquinas mejorar sus habilidades mediante
computadora digital o un robot controlado por computadora
la experiencia. Los métodos de AA se clasifican en función
para realizar tareas comúnmente asociadas con seres
de los modelos y algoritmos utilizados.1 Los enfoques
inteligentes. Por lo tanto, la IA en sí es un término general que
metodológicos para el aprendizaje incluyen el aprendizaje
describe las computadoras que imitan la inteligencia humana y
supervisado, el aprendizaje no supervisado, el aprendizaje
los sistemas informáticos capaces de realizar tareas que
semi-supervisado, el aprendizaje reforzado y el
normalmente requieren inteligencia humana.
autoaprendizaje. La realización del aprendizaje automático
implica la creación de un modelo, que se entrena con
Decano de la Facultad de Odontología, Presidente de Ortodoncia, algunos datos de entrenamiento y luego puede procesar
Departamento de Ortodoncia, Universidad de Catania, Catania, Italia; datos adicionales para hacer predicciones. Se han utilizado
Profesor adjunto, Departamento de Ortodoncia, Universidad de Catania, e investigado varios tipos de modelos para sistemas de
Catania, Italia; Profesor asistente, Departamento de Periodoncia,
aprendizaje automático, que incluyen redes neuronales
Universidad de Catania, Catania, Italia; Profesor del Departamento de
artificiales (ANN), árboles de decisión, máquinas de
Ingeniería Informática y de Telecomunicaciones de la Universidad de
Catania, Catania, Italia. vectores de soporte (SVM), análisis de regresión, redes
Autor de correspondencia en: Departamento de Ortodoncia Facultad bayesianas y algoritmos genéticos (GA).
de Odontología, Universidad de Catania, Policlínico Universitario “Vittorio
Emanuele”, Via Santa Sofia 78 95123, Catania, Italia. Correo electrónico:
Sin embargo, los dos tipos principales de métodos de aprendizaje
rleonard@unict.it
automático que se utilizan actualmente en la atención médica son el
© 2021 Publicado por Elsevier Inc. 1073-8746 /
aprendizaje supervisado y no supervisado. En el aprendizaje supervisado,
12 / 1801- $ 30.00 / 0https://doi.org/10.1053/
j.sodo.2021.05.002 la máquina se entrena utilizando datos para

62 Seminarios en Ortodoncia, Vol 27, No 2, 2021: pp 62-68

 Aprendizaje profundo y visión por computadora: dos pilares prometedores que impulsan el futuro de la ortodoncia
Figura 1. Inteligencia artificial y sus subconjuntos.
qué verdad básica está disponible y está bien "etiquetada".
Significa que algunos datos ya están etiquetados con la
respuesta correcta. El aprendizaje supervisado se utiliza
normalmente en el contexto de la clasificación.
El aprendizaje no supervisado, por otro lado, no hace
uso de etiquetas de salida, es una técnica de
aprendizaje automático donde un modelo no necesita
ser supervisado. De hecho, se permite que el modelo
funcione por sí solo para descubrir información
mediante la detección de estructuras inherentes o
regularidades en los datos. Se ocupa de los datos sin
etiquetar y se usa comúnmente para tareas como
agrupación en clústeres o categorización.
El aprendizaje profundo es una subcategoría del aprendizaje
automático, aunque la inteligencia artificial, el aprendizaje
automático y el aprendizaje profundo son tres términos que a
menudo se usan indistintamente para describir el software que
se comporta de manera inteligente. Sin embargo, es útil
comprender las distinciones clave entre ellos. Puede pensar en
el aprendizaje profundo, el aprendizaje automático y la
inteligencia artificial como un conjunto de muñecas rusas
anidadas entre sí, comenzando por la más pequeña y
trabajando. El aprendizaje profundo es un subconjunto del
aprendizaje automático, y el aprendizaje automático es un
subconjunto de la IA, que es un término general para cualquier
programa informático que hace algo inteligente (Figura 1).
63
El aprendizaje automático y el aprendizaje
profundo son responsables de los importantes
avances recientes en la tecnología de visión por
computadora. Este es uno de los tipos de IA más
poderosos y convincentes que es casi seguro que
todos hayan experimentado de muchas maneras
sin siquiera saberlo. La visión por computadora se
enfoca en replicar partes de la complejidad del
sistema visual humano y permitir que las
computadoras identifiquen y procesen objetos en
imágenes y videos. Las tareas típicas de visión por
computadora incluyen clasificación de imágenes,
segmentación de áreas de interés, detección y
reconocimiento de objetos. Hasta hace poco, la
visión por computadora solo funcionaba en una
capacidad limitada. Gracias a los avances en
inteligencia artificial y especialmente a las
innovaciones en el aprendizaje profundo, que han
remodelado las arquitecturas de las ANN clásicas,
Uno de los factores impulsores detrás del crecimiento de la
visión por computadora es la cantidad de datos que se pueden
generar hoy que luego se utilizan para entrenar y mejorar la
visión por computadora, lo que permite que los modelos
utilicen miles de variables predictoras ricas.2 La visión por
computadora está ayudando hoy a un número cada vez mayor
de médicos a diagnosticar mejor a sus pacientes,
64 Leonardi y col.
controlar la evolución de las enfermedades y prescribir los
tratamientos adecuados. La tecnología no solo ayuda a los
profesionales médicos a ahorrar tiempo en las tareas rutinarias
y a dar más tiempo a los pacientes. Las implicaciones de la
visión por computadora para el uso médico basadas en tareas
como el análisis de imágenes médicas, el análisis predictivo o el
monitoreo de la atención médica sugieren una serie de
beneficios para la industria de la salud.
El campo emergente de la visión por computadora se centra
en entrenar a las computadoras para que reproduzcan la vista
humana y la comprensión de los objetos que se encuentran
frente a ella. Para lograrlo, la visión por computadora
aprovecha los algoritmos de inteligencia artificial que procesan
imágenes. El objetivo de la visión por computadora en la
atención médica es hacer un diagnóstico más rápido y preciso
que el que podría hacer un médico. Actualmente, los casos de
uso más extendidos para la visión por ordenador y la asistencia
sanitaria están relacionados con el campo de la radiología y la
imagen. Las soluciones impulsadas por inteligencia artificial
están encontrando un apoyo cada vez mayor entre los médicos
debido a su diagnóstico de enfermedades y afecciones a partir
de varias exploraciones, como rayos X, resonancia magnética o
tomografía computarizada.
Las áreas que pueden beneficiarse de la aplicación de la
Inteligencia Artificial en el campo médico son el diagnóstico
y la planificación del tratamiento, el tratamiento
personalizado, la investigación de ensayos clínicos y los
registros de salud electrónicos inteligentes. En la mayoría
de estos campos intervienen el aprendizaje profundo y la
visión por computadora. El objetivo de este documento es
proporcionar un desglose de varias de las aplicaciones
pioneras de la IA con especial atención al aprendizaje
profundo y la visión por computadora en ortodoncia para la
innovación continua.
Diagnóstico, planificación del tratamiento, resultados del
tratamiento y patrón de crecimiento
Las partes más importantes del tratamiento de ortodoncia
son determinar el plan de tratamiento, los resultados y el
seguimiento de los pacientes.3 La IA puede automatizar el
trabajo manual y acelerar el proceso de diagnóstico,
planificación del tratamiento, resultados del tratamiento y
patrón de crecimiento.4 En este sentido, la IA es
particularmente útil en áreas donde la información de
diagnóstico que examina un médico ya está digitalizada.
Actualmente, los avances y la asequibilidad en los datos
digitales han aumentado recientemente la demanda de la
profesión de ortodoncia para automatizar el análisis
cefalométrico y varias tareas de diagnóstico que alguna vez
fueron realizadas por el médico, entre estas: análisis
cefalométrico, segmentación de hueso anatómico-
estructura a partir de imágenes de tomografía computarizada
de haz cónico (CBCT) y decisión del plan de tratamiento. Se han
realizado varios intentos de automatizar el análisis
cefalométrico,5 tanto en imágenes 2D (radiografía lateral
cefalométrica) como en imagen 3D (CBCT), con el objetivo de
reducir el tiempo necesario para obtener el análisis, mejorar la
precisión de la identificación de los puntos de referencia y
reducir los errores debidos a la subjetividad de los clínicos.6-8
Desde hace 20 años, la identificación automática de puntos de
referencia se ha llevado a cabo de diferentes formas que
involucran visión por computadora, inteligencia artificial y
técnicas de aprendizaje profundo, con una confiabilidad y
precisión cada vez mayores de los puntos de referencia.
Actualmente, el algoritmo de inteligencia artificial
entrenado es capaz de analizar y anotar automáticamente
puntos de referencia cefalométricos en imágenes
radiológicas en una fracción de segundo, incluso cuando se
usa en una computadora personal estándar, con una
precisión comparable a la de examinadores humanos
experimentados (que se considera el oro actual estándar).
Sin embargo, se ha cuestionado la utilidad de un análisis
cefalométrico 3D basado en mediciones cefalométricas 2D y
puntos de referencia (por ejemplo, verFigura 2), por lo que
las búsquedas con inteligencia artificial y visión por
computadora en este campo se han ralentizado. Además,
métodos más precisos y fiables para realizar la
superposición cefalométrica,9 que los basados en puntos
de referencia, se han introducido (es decir, superposición
basada en vóxeles y coincidencia de superficie con
superficie), lo que da como resultado que los puntos de
referencia cefalométricos estén desactualizados.
Recientemente, se han aplicado técnicas de aprendizaje
automático y aprendizaje profundo para la segmentación
completamente automática de los huesos maxilares y
mandibulares, las vías respiratorias superiores y para la
evaluación de la edad del hueso esquelético.10-12 En las
imágenes médicas en 3D, la segmentación se define como
la construcción de modelos de superficies virtuales en 3D
para que coincidan con los datos volumétricos.13. En otras
palabras, significa separar un elemento específico (por
ejemplo el maxilar, la mandíbula y la vía aérea superior) y
eliminar todas las demás estructuras de no interés para una
mejor visualización y análisis, esto permite la evaluación del
tamaño, forma y volumen de la estructura anatómica ya
segmentada14-17 (Figura 2). La segmentación de los datos de
imágenes médicas se está volviendo cada vez más
importante en los últimos años y se utiliza principalmente
para el diagnóstico, los resultados del tratamiento
(evaluaciones intermedias) y la planificación quirúrgica.
La segmentación manual parece ser el
método con mayor precisión y se basa en el
desempeño de un médico. En el manual
 Aprendizaje profundo y visión por computadora: dos pilares prometedores que impulsan el futuro de la ortodoncia sesenta y cinco

Figura 2. Máscara de segmentación de la mandíbula (A) y modelos renderizados en 3D obtenidos con métodos de segmentación manual (verde)
y completamente automático (gris) (B). Los dos modelos se superponen perfectamente. Además, vea cómo las mediciones lineales 2D del
conjunto de datos cefalométricos convencionales no pueden detectar con precisión la dimensión de las estructuras 3D, en este caso, la
distancia gonion-menton.

enfoque, la segmentación la realiza el usuario corte a corte.
Luego, el software combina todos los cortes para formar un
volumen 3D.13 Sin embargo, la segmentación manual lleva
mucho tiempo, es tediosa y requiere experiencia. Por tanto, son
deseables los métodos automatizados. En consecuencia, se han
defendido y desarrollado experimentalmente sistemas
completamente automatizados para segmentar cualquier
estructura a partir de imágenes CBCT. Recientemente, la
aplicación de la IA, a través de su paradigma de aprendizaje
profundo, ha mostrado resultados muy prometedores en la
segmentación automatizada de estructuras anatómicas de CT y
CBCT. En particular, redes neuronales convolucionales (CNN)18
han dado lugar a una serie de avances en la segmentación de
CBCT,19 especialmente cuando se compara con métodos
anteriores que emplean características generales hechas a
mano, gracias al aprendizaje de características específicas de la
tarea directamente a partir de los datos. Prácticamente, con la
segmentación completamente automática el
El médico no necesita seleccionar límites y valores de
umbral ni rastrear ninguna estructura anatómica, ya
que estos pasos los realiza automáticamente el
software, el médico solo necesita cargar el archivo
DICOM. Esto es revolucionario en la práctica clínica
"digital".Figura 2 (A, B) muestra dos ejemplos de
segmentación automática de la mandíbula basada
en redes neuronales convolucionales (CNN). Una vez
que la mandíbula está segmentada y reconstruida
en 3D, se pueden obtener medidas de volumen, área
y superficie.
Otra aplicación clínica del aprendizaje automático
y el aprendizaje profundo es la posibilidad de
segmentar automáticamente la cavidad sino-nasal y
la vía aérea faríngea en las exploraciones CBCT (Fig.
3).12 En este sentido, la vía aérea superior siempre ha
sido un área de interés en ortodoncia durante
mucho tiempo, con temas como la relación entre el
crecimiento y desarrollo del tipo facial, y la
66 Leonardi y col.

Figura 3. Segmentación completamente automática de la cavidad sino-nasal y la vía aérea faríngea basada en redes neuronales
convolucionales.

potencial del médico para modificar las vías respiratorias.20
También existe una tendencia en ortodoncia a utilizar los
datos cuantitativos de las vías respiratorias de los pacientes
antes y después del tratamiento para determinar los
efectos de una intervención particular en las dimensiones
de las vías respiratorias.21 Además, un objetivo futuro de la
segmentación completamente automática de CBCT será la
reconstrucción 3D de los dientes y la raíz a partir de
imágenes CBCT, con la ventaja de planificar una terapia de
ortodoncia personalizada, especialmente para casos
complicados (Figura 4).
Para la planificación del tratamiento de ortodoncia se ha
diseñado un sistema experto en toma de decisiones (ES),
basado en aprendizaje automático y redes neuronales
artificiales (ANN).22 Este ES no solo puede ayudar a los
ortodoncistas y estudiantes menos experimentados en el
aprendizaje, sino que también puede ayudar a los pacientes a
obtener una comprensión clara de sus planes de tratamiento.
En lo que respecta a los resultados del tratamiento, la IA se ha
aplicado para predecir los resultados del tratamiento de tejidos
blandos.4 En este sentido, ANN fue
se utiliza para pronosticar el cambio en la curvatura de los
labios después del tratamiento de ortodoncia con o sin
extracciones y los resultados del tratamiento en Clase II y
Clase III. La IA se ha aplicado también para la clasificación
de patrones de crecimiento con una tasa de éxito del 64%
en la clasificación de buenos o malos cultivadores en
función de los cambios en sus relaciones sagitales.23
El aprendizaje profundo también está involucrado en
el campo del trato personalizado. La medicina está
experimentando una revolución que comienza a liderar
una medicina P4 proactiva, predictiva, preventiva,
personalizada y participativa. La necesidad de un
tratamiento personalizado y un enfoque P4 se ha
sentido también en ortodoncia, como se discutió
durante los simposios del Consorcio para Avances en
Ortodoncia en Ciencia y Tecnología (COAST). Estas
reuniones proporcionaron una serie de talleres
altamente interactivos sobre el tema de 'Terapia de
Ortodoncia Personalizada y de Precisión.24-26
Sin embargo, el proceso de empleo de la IA en
ortodoncia se está retrasando en comparación con otros

Figura 4. Modelo 3D derivado de CBCT y modelo prototipo de un arco maxilar con un canino impactado desplazado
palatalmente. Al utilizar estos modelos, es posible personalizar eficazmente la terapia de ortodoncia, en particular el diseño
del aparato de ortodoncia, basándose en consideraciones biomecánicas específicas.
 Aprendizaje profundo y visión por computadora: dos pilares prometedores que impulsan el futuro de la ortodoncia
campos médicos ya que está respaldado por escasa evidencia
científica. En este sentido, aparecen menos de 200 artículos en
Pubmed que utilizan la “inteligencia artificial” y la “ortodoncia”
como estrategia de investigación de cadenas, por lo que se
alienta encarecidamente a realizar más estudios y esfuerzos
rápidos para abordar este tema.
Conclusiones
La inteligencia artificial ya forma parte de nuestra vida diaria. Ya
sea que estemos usando nuestros teléfonos inteligentes,
navegando por Internet, comprando productos en línea,
usando la navegación o escuchando canciones en nuestro
servicio de transmisión de música favorito, la IA está afectando
nuestras elecciones de una forma u otra.
Quizás, el futuro de la práctica de la ortodoncia, al menos
para los casos clínicos simples, ya no estará impulsado por los
aparatos sino por la Inteligencia Artificial, pero antes de que se
convierta en una realidad se deben enfrentar y superar varios
problemas. Quedan por abordar serias preocupaciones con
respecto a la licencia, la responsabilidad, la confidencialidad del
paciente y el tratamiento de ortodoncia de bricolaje (bricolaje)
no supervisado.
En realidad, el diagnóstico clásico se puede
interpretar como una interacción entre un médico
y un paciente, donde el médico identifica la
enfermedad y sugiere un tratamiento, y el
paciente decide si acepta o rechaza la opinión
médica. Este paradigma podría ser transformado
por el desarrollo del aprendizaje profundo: en tal
caso, el paciente entregará sus datos personales
a una máquina, que producirá, como salida, un
diagnóstico y un mejor tratamiento. Sin embargo,
este escenario implica varios problemas, que
reducen la posibilidad de un proceso de análisis
de datos automático completo. En segundo lugar,
otra cuestión consiste en el contraste entre la
naturaleza de un humano y una máquina. Una
máquina proporciona un diagnóstico de una
enfermedad considerando solo un componente
racional, mientras que un paciente toma una
decisión considerando un componente tanto
racional como irracional.
Los mejores resultados se obtienen así cuando ML
trabaja en apoyo del personal de salud, actuando como
un "segundo par de ojos", proporcionando un medio de
integración cultural entre humanos y máquinas
inteligentes, evitando así conflictos, básicamente
irrelevantes, entre cognitivos, humanos y artificiales.
métodos, en resumen, ser más “inteligentes”.
67
Muchos desafíos, como los problemas
metodológicos, incluidos los legales y éticos, y la
integración clínica y los problemas de utilidad, deben
superarse para hacer realidad la promesa de IA y ML en
ortodoncia, teniendo en cuenta que el progreso suele
ser como dos caras de la misma moneda. con ventajas y
desventajas, y entre estas últimas el hecho de que la IA
puede impulsar la ortodoncia de bricolaje por parte de
los pacientes. De hecho, la tecnología digital no está
exenta de peligros y aspectos negativos.
La mayor disponibilidad de impresoras 3D y
herramientas digitales también ha permitido la aparición
del bricolaje, lo que aumenta la posibilidad de un
diagnóstico y una terapia sin ortodoncistas en el futuro. Ha
habido varios informes nuevos de pacientes que intentan
su propio tratamiento de ortodoncia con aparatos caseros.
Además, algunas empresas ahora están proporcionando
alineadores de entrega directa sin que el paciente tenga
que ser evaluado y diagnosticado adecuadamente por
ortodoncistas con los obvios riesgos involucrados.27 Por
tanto, la IA y la ML deben estar regidas por ortodoncistas,
no al revés, ya que no podemos permitir, por el bien de
nuestros pacientes, que nuestra práctica clínica esté
controlada por la IA.
Entonces, ¿qué será de la ortodoncia en esta época de
IA? Nuestro destino va a cambiar. La práctica de la
ortodoncia nunca desaparecerá, pero nuestro papel como
médicos depende de lo que hagamos a continuación.28
¿Cómo debemos prepararnos para estos tiempos
venideros? El paso más obvio es adaptar la
educación clínica al mundo digital.
Referencias
1. Sidey-Gibbons JAM, Sidey-Gibbons CJ. Aprendizaje automático en
medicina: una introducción práctica.Método BMC Med Res.
2019; 19 (1): 64.
2. Obermeyer Z, Emanuel EJ. Predecir el futuro: macrodatos,
aprendizaje automático y medicina clínica.N Engl J Med.
2016; 375 (13): 1216–1219.
3. Jung SK, Kim TW. Nuevo enfoque para el diagnóstico de
extracciones con aprendizaje automático de redes neuronales.
Soy J Orthod Dentofacial Orthop. 2016; 149 (1): 127-133.
4. Asiri SNT, Tadlock LP, Schneiderman E, Buschang PH. Aplicaciones de la
inteligencia artificial y el aprendizaje automático en ortodoncia.
Ortodoncia APOS Trends. 2020; 10 (1): 17–24.
5. Leonardi R, Giordano D, Maiorana F. Una evaluación de redes
neuronales celulares para la identificación automática de puntos
de referencia cefalométricos en imágenes digitales. J Biomed
Biotechnol. 2009; 2009: 717102.
6. Leonardi R, Giordano D, Maiorana F, et al. Análisis cefalométrico
automático.Ortod de ángulo. 2008; 78 (1): 145–151.
7. Hwang HW, Park JH, Moon JH, et al. Identificación automatizada
de puntos de referencia cefalométricos: Parte 2: ¿Podría ser
mejor que el humano?Ortod de ángulo. 2020; 90 (1): 69–76.
68
8. Park JH, Hwang HW, Moon JH, et al. Identificación automatizada de
puntos de referencia cefalométricos: Parte 1: Comparaciones entre
los últimos métodos de aprendizaje profundo YOLOV3 y SSD.Ortod de
ángulo. 2019; 89 (6): 903–909.
9. Bazina M, Cevidanes L, Ruellas A, et al. Precisión y fiabilidad de la
superposición basada en vóxeles tridimensionales de Dolphin.
Soy J Orthod Dentofacial Orthop. 2018; 153 (4): 599–606.
10. Spampinato C, Palazzo S, Giordano D, et al. Aprendizaje profundo para
la evaluación automatizada de la edad ósea esquelética en imágenes
de rayos X.Med Image Anal. 2017; 36: 41–51.
11. Spampinato C, Pino C, Giordano D, Leonardi R.Segmentación 3D
automática de la mandíbula para la evaluación de la asimetría
facial MeMeA 2012 - 2012. Simposio IEEE Medida Medida Appl.
2012: (6226659): 247–250. Actas, art.
12. Leonardi R, Lo Giudice A, Farronato M, et al. Segmentación
completamente automática de la cavidad sino-nasal y la vía aérea
faríngea basada en redes neuronales convolucionales (CNN).
Soy J Orthod Dentofacial Orthop. 2021. en prensa.
13. Weissheimer A, Menezes LM, Sameshima GT, et al. Precisión del software de
imágenes para el análisis tridimensional de las vías respiratorias superiores.
Soy J Orthod Dentofacial Orthop. 2012; 142 (6): 801–813.
14. Lo Giudice A, Leonardi R, Ronsivalle V, et al. Evaluación de los cambios
en la cavidad / cámara pulpar después de una expansión maxilar
rápida transmitida por los dientes y por los huesos. Un estudio CBCT
que utiliza un análisis de desviación y superposición basado en la
superficie.Clin Oral Inv. 2020. https://doi.org/10.1007/s00784-
020-03539-3. En línea antes de la impresión.
15. Leonardi R, Muraglie S, Lo Giudice A, et al. Evaluación de la simetría y
morfología mandibular en pacientes adultos con mordida cruzada
posterior unilateral: un estudio CBCT utilizando una técnica de
emparejamiento de superficie a superficie.Eur J Orthod. 2020.
dieciséis. Lo Giudice A, Rustico L, Ronsivalle V, et al. Evaluación de los
cambios del volumen y la forma de la cavidad orbitaria después de la
expansión maxilar rápida (RME) transmitida por el diente y por el
hueso.Head Face Med. 2020 Septiembre; 16 (1): 21.
17. Lo Giudice A, Ronsivalle V, Grippaudo C, et al. Un paso antes de la
evaluación de la impresión 3D de la precisión del software de
imágenes para el análisis tridimensional de la mandíbula: a
Leonardi y col.
estudio comparativo utilizando una técnica de emparejamiento de
superficie a superficie. Materiales (Basilea). Junio de 2020; 13 (12): 2798.
18. Minnema J, van Eijnatten M, Kouw W y col. Segmentación de
imágenes de TC de hueso para fabricación aditiva médica
utilizando una red neuronal convolucional.Comput Biol
Med. 2018; 103: 130-139.
19. Zhu Y, Wei R, Gao G y col. Segmentación completamente automática en imágenes de
resonancia magnética de próstata basada en una red de convolución completa en
cascada.Imágenes de resonancia magnética J. 2019; 49 (4): 1149-1156.
20. El H, Palomo JM. Medición de la vía aérea en 3 dimensiones: un
estudio de fiabilidad y precisión.Soy J Orthod Dentofacial
Orthop. 2010; 137. S50 e51-59; discusión S50-52.
21. Zimmerman JN, Vora SR, Pliska BT. Fiabilidad de la evaluación de las vías
respiratorias superiores mediante CBCT.Eur J Orthod. 2019; 41: 101– 108.
22. Zarei A, El-Sharkawi M, Hairfield M, et al. Un sistema inteligente
para predecir el resultado del tratamiento de ortodoncia.Redes
neuronales, 2006. IJCNN '06. Conferencia conjunta internacional.
2006.
23. Lux CJ, Stellzig A, Volz D y col. Un enfoque de red neuronal para el
análisis y clasificación del crecimiento craneofacial humano.
Envejecimiento del desarrollo del crecimiento. 1998; 62: 95–106.
24. Nickel JC, Covell Jr DA, Frazier-Bowers SA, et al. Prefacio al
taller de innovadores de COAST 2016 sobre terapia de
ortodoncia personalizada y de precisión.Orthod Craniofac
Res.2017; 20 (Supl. 1): 5–7.
25. Iwasaki LR, Covell Jr DA, Frazier-Bowers SA, et al. Terapia de
ortodoncia personalizada y de precisión.Orthod Craniofac
Res. 2015; 18 (Supl. 1): 1–7.
26. Iwasaki LR, Covell Jr DA, Frazier-Bowers SA, et al. Prefacio al
taller de innovadores de COAST 2018: superando la brecha
de biología y tecnología en ortodoncia y cuidado
craneofacial.Orthod Craniofac Res. 2019; 22 (Supl. 1): 5–7.
27. Tarraf NE, Darendeliler MA. Presente y futuro de la ortodoncia
digital.Seminario de Ortodoncia. 2018; 24: 376–385.
28. Coiera E. El destino de la medicina en la época de la IA. Lanceta.
2018; 392 (10162): 2331–2332.