Pour évaluer l’adhérence de la céramique aux tissus dentaires, les tests macroscopiques de résistance au cisaillement (SBS) sont couramment utilisés. Ces tests sont suivis d’une analyse microscopique pour déterminer le mode de rupture. La majorité des études utilisent un microscope optique (MO), bien que cela puisse conduire à des erreurs d’interprétation. D’autres méthodes incluent la microscopie électronique à balayage (MEB), mais elles demandent un temps de préparation important.

Dans cette étude, nous proposons une nouvelle méthode utilisant un réseau neuronal convolutif faiblement supervisé pour une analyse plus efficace. 155 images de microscopie optique ont été labellisées (classifiée) à l’aide d’images de MEB et de profilométrie optique. Un réseau neuronal convolutif EfficientNet-B3 a été entraîné avec des techniques de régularisation pour pallier les limitations de données et le déséquilibre des classes.

Le F1 score permet d’évaluer les méthodes de classification, et est de 100 maximum. Les résultats préliminaires montrent que les observateurs humains sur microscopie optique seule n’obtiennent qu’un faible F1 score de 45,47, qui monte à 97,43 lorsqu’on leur permet de visualiser des échantillons représentatifs en MEB. Le réseau neuronal quant à lui, sur MO seule, atteint 87,12. Le réseau neuronal montre un potentiel élevé pour l’analyse des modes de rupture avec un score F1 prometteur, indiquant une possibilité de développement futur pour cette tâche. L’extension de l’ensemble de données pourrait améliorer la classification des ruptures cohésives.