側顱影像分析是一個常用於牙齒矯正等等檢查的分析，它的關鍵在於如何從側面X光臉部圖片中準確地標註牙齒、骨骼和軟組織結構等等的標誌，因為這些點是作為數據角度和距離的後續定性評估標準，提供醫生病人的顱面狀況的診斷訊息，並影響醫生的治療計畫的決定。由於顱骨和個體的X光成像質量解剖類型的變化，而不是可以容易靠定位側顱影像中來找點，簡單來說，就是每個人的臉都長得不一樣，有長有短，有寬有窄，所以沒有一個固定的找點標準。而標註這19個側顱影像的點是非常耗時且耗力的，即使是一個對於這類牙齒矯正非常有經驗的牙齒矯正醫師，親自下去做點的標記，也是必須花大約20分鐘才能標註完成一個病人的側顱影像圖，此外，若長時間的工作，容易造成標註不正確或不精準的問題，最後影響病人的治療結果，因此，藉由電腦的神經網路模型與深度學習技術去幫助牙齒矯正醫生以快速、一致、且精準的方式標註這19個點會是最好的，不只節省了醫師的時間，也省了不少力氣與體力。而在過去有許多電算機領域的學者提出不少計算機技術的視覺發展和機器學習等等方法來解決這個問題，並在2015年十，IEEE生物醫學影像國際研討會(ISBI)發起了側顱影像分析的挑戰，讓世界各地的學者、學生來一起發展此解決辦法，讓大家一起改進並進步，然而，它離實際臨床實踐的目標還很遠，因為報告結果中最好的準確性只是大約 73% 的檢測結果符合臨床公認的精確度2.0 毫米的範圍。開發全自動側顱影像分析標點模型的困難點在於兩個方面，首先，通過將顱骨對象投影到具有重疊結構的二維灰度圖像中獲得側顱影像圖，因此很難提取有用的圖像通過手工製作的方法進行功能。其次，整體醫療由於訓練成本高，用於訓練的成像數據集通常是不夠的，所以在模型訓練時，常常會發生過擬合的問題，導致測試數據性能不佳的問題。而最近，卷積神經網路（CNN）技術取得了巨大的成就在廣泛的計算機視覺應用中取得成功，包括圖像分類、人臉辨識等等影像分析領域，由於CNN神經網路架構可以出色的自動從圖像中學習出有用的特徵，因此，研究人員開始使用CNN架構來做醫療影像分析，並持續研究此神經網路架構。
在本文中，我將側顱影像分析視為一個分類問題與多層次回歸問題，並使用三階段式的CNN神經網路架構來進行第十點的預測，因為第十點是最多人常常預測不準的點。