Sistema Automatizado para Detecção de Landmarks Cefalométricos Utilizando Deep Learning e Suporte Diagnóstico via Modelos de Linguagem

• Gustavo C. Rosa IFTM
• Danielli A. Lima IFTM
• Cícero L. Costa IFTM

DOI: https://doi.org/10.5753/sbcas_estendido.2026.21587

Resumo

A análise cefalométrica é importante no planejamento ortodôntico e cirúrgico, mas a marcação manual dos pontos anatômicos é demorada e sujeita a variações. Este artigo propõe um sistema automatizado de detecção de landmarks cefalométricos com apoio diagnóstico por modelo de linguagem natural. O método utiliza extração de regiões de interesse e regressão de landmarks com aprendizado profundo pré-treinado, avaliado no dataset IEEE ISBI 2015 com 19 pontos anatômicos. As medidas angulares detectadas são enviadas a um modelo de linguagem via API para geração de relatórios interpretativos. Os resultados mostram desempenho compatível com a literatura, com ≈ 80% dos landmarks dentro da margem clínica de 2 mm, contribuindo para avaliações preliminares e modernização dos fluxos diagnósticos craniofaciais.

Referências

Bao, H., Zhang, K., Yu, C., Li, H., Cao, D., Shu, H., Liu, L., and Yan, B. (2023). Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence. BMC Oral Health, 23(1):191.

Chen, R., Ma, Y., Chen, N., Lee, D., and Wang, W. (2019). Cephalometric landmark detection by attentive feature pyramid fusion and regression-voting. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 873–881. Springer.

de Queiroz Tavares Borges Mesquita, G., Vieira, W. A., Vidigal, M. T. C., Travençolo, B. A. N., Beaini, T. L., Spin-Neto, R., Paranhos, L. R., and de Brito Júnior, R. B. (2023). Artificial intelligence for detecting cephalometric landmarks: a systematic review and meta-analysis. Journal of digital imaging, 36(3):1158–1179.

Lindner, C., Wang, C.-W., Huang, C.-T., Li, C.-H., Chang, S.-W., and Cootes, T. F. (2016). Fully automatic system for accurate localisation and analysis of cephalometric landmarks in lateral cephalograms. Scientific reports, 6(1):33581.

Menezes, L. d. S., Silva, T. P., Lima dos Santos, M. A., Hughes, M. M., Mariano Souza, S. d. R., Leite Ribeiro, P. M., Freitas, P. H. L. d., and Takeshita, W. M. (2023). Assessment of landmark detection in cephalometric radiographs with different conditions of brightness and contrast using the an artificial intelligence software. Dentomaxillofacial Radiology, 52(8):20230065.

Schwendicke, F., Chaurasia, A., Arsiwala, L., Lee, J.-H., Elhennawy, K., Jost-Brinkmann, P.-G., Demarco, F., and Krois, J. (2021). Deep learning for cephalometric landmark detection: systematic review and meta-analysis. Clinical oral investigations, 25(7):4299–4309.

Schwendicke, F. a., Samek, W., and Krois, J. (2020). Artificial intelligence in dentistry: chances and challenges. Journal of dental research, 99(7):769–774.

Song, Y., Qiao, X., Iwamoto, Y., and Chen, Y.-w. (2020). Automatic cephalometric landmark detection on x-ray images using a deep-learning method. Applied Sciences, 10(7):2547.

Wang, C.-W., Huang, C.-T., Hsieh, M.-C., Li, C.-H., Chang, S.-W., Li, W.-C., Vandaele, R., Marée, R., Jodogne, S., Geurts, P., et al. (2015). Evaluation and comparison of anatomical landmark detection methods for cephalometric x-ray images: a grand challenge. IEEE transactions on medical imaging, 34(9):1890–1900.

Ye, H., Cheng, Z., Ungvijanpunya, N., Chen, W., Cao, L., and Gou, Y. (2023). Is automatic cephalometric software using artificial intelligence better than orthodontist experts in landmark identification? BMC Oral Health, 23(1):467.

Zhou, L., Li, Y., and Li, Z. (2026). Large language model-based support for cephalometric analysis in class ii malocclusion diagnosis in stomatology. In ElCon Conference of Young Researchers in Communication and Networking, Signal Processing & Analysis, Biomedical and Environmental Engineering. IEEE.