Antoine Galibourg soutiendra sa thèse intitulée « Estimation de l’âge dentaire chez le sujet vivant : application des méthodes d’apprentissage machine chez les enfants et les jeunes adultes » le lundi 20 juin 2022.
La soutenance se tiendra à 14h en salle des actes, faculté de santé – département de chirurgie dentaire 3, Chemin des Maraichers 31062 Toulouse.
Composition du Jury :
Mme Delphine TARDIVO, Rapporteure
Mme Véronique ALUNNI, Examinatrice
M. Norbert TELMON, Directeur de thèse
Mme Delphine MARET-COMTESSE, Co-directrice de thèse
M. Paul MONSARRAT, Co-directeur de thèse
Résumé [FR]
Exposé du problème : Chez l’individu vivant, l’estimation de l’âge dentaire est un paramètre utilisé en orthopédie ou en orthodontie dentofaciale, ou en pédiatrie pour situer l’individu sur sa courbe de croissance. En médecine légale l’estimation de l’âge dentaire permet d’inférer l’âge chronologique sous forme d’une régression ou d’une classification par rapport à un âge clé. Il existe des méthodes physiques et radiologiques. Si ces dernières sont plus précises, il n’existe pas de méthode universelle. Demirjian a créé il y a presque 50 ans la méthode radiologique la plus utilisée, mais elle est critiquée pour sa précision et pour l’utilisation de tables de références basées sur un échantillon de population franco-canadien.
Objectif : L’intelligence artificielle et plus particulièrement l’apprentissage machine a permis le développement de différents outils ayant une capacité d’apprentissage sur une base de données annotées. L’objectif de cette thèse a été de comparer la performance de différents algorithmes d’apprentissage machine; dans un premier temps par rapport à deux méthodes classiques d’estimation de l’âge dentaire, puis entre elles en ajoutant des prédicteurs supplémentaires.
Matériel et méthode : Dans une première partie, les différentes méthodes d’estimation de l’âge dentaire sur des individus vivants enfants et jeunes adultes sont présentées. Les limites de ces méthodes sont exposées et les possibilités d’y répondre avec l’utilisation de l’apprentissage machine sont proposées. A partir d’une base de données de 3605 radiographies panoramiques d’individus âgés de 2 à 24 ans (1734 filles et 1871 garçons), différentes méthodes d’apprentissage machine ont été testées pour estimer l’âge dentaire. Les précisions de ces méthodes ont été comparées entre elles et par rapport à deux méthodes classiques de Demirjian et Willems. Ce travail a abouti à la parution d’un article dans l’International Journal of Legal Medicine. Dans une deuxième partie, les différentes méthodes d’apprentissage machine sont décrites et discutées. Puis les résultats obtenus dans l’article sont remis en perspective avec les publications sur le sujet en 2021. Enfin une mise en perspective des résultats des méthodes d’apprentissage machine par rapport à leur utilisation dans l’estimation de l’âge dentaire est réalisée.
Résultats : Les résultats montrent que toutes les méthodes d’apprentissage machine présentent une meilleure précision que les méthodes classiques testées pour l’estimation de l’âge dentaire dans les conditions d’utilisation de ces dernières. Elles montrent également que l’utilisation du stade de maturation des troisièmes molaires sur une plage d’utilisation étendue à 24 ans ne permet pas l’estimation de l’âge dentaire pour une question légale.
Conclusion : Les méthodes d’apprentissage machine s’intègrent dans le processus global d’automatisation de la détermination de l’âge dentaire. La partie spécifique d’apprentissage profond semble intéressante à investiguer pour des tâches de classification de l’âge dentaire.
Abstract [EN]
Statement of the problem: In the living individual, the estimation of dental age is a parameter used in orthopedics or dentofacial orthodontics or in pediatrics to locate the individual on its growth curve. In forensic medicine, the estimation of dental age allows to infer the chronological age for a regression or a classification task. There are physical and radiological methods. While the latter are more accurate, there is no universal method. Demirjian created the most widely used radiological method almost 50 years ago, but it is criticized for its accuracy and for using reference tables based on a French-Canadian population sample. Objective: Artificial intelligence, and more particularly machine learning, has allowed the development of various tools with a learning capacity on an annotated database.
The objective of this thesis was to compare the performance of different machine learning algorithms first against two classical methods of dental age estimation, and then between them by adding additional predictors.Material and method: In a first part, the different methods of dental age estimation on living children and young adults are presented. The limitations of these methods are exposed and the possibilities to address them with the use of machine learning are proposed. Using a database of 3605 panoramic radiographs of individuals aged 2 to 24 years (1734 girls and 1871 boys), different machine learning methods were tested to estimate dental age. The accuracies of these methods were compared with each other and with two classical methods by Demirjian and Willems. This work resulted in an article published in the International Journal of Legal Medicine. In a second part, the different machine learning methods are described and discussed. Then, the results obtained in the article are put in perspective with the publications on the subject in 2021. Finally, a perspective of the results of the machine learning methods in relation to their use in dental age estimation is made.
Results: The results show that all machine learning methods have better accuracy than the conventional methods tested for dental age estimation under the conditions of their use. They also show that the use of the maturation stage of third molars over an extended range of use to 24 years does not allow the estimation of dental age for a legal issue.
Conclusion: Machine learning methods fit into the overall process of automating dental age determination. The specific part of deep learning seems interesting to investigate for dental age classification tasks.