Las telerradiografías laterales proporcionan información importante sobre parámetros dentales, esqueléticos y de tejidos blandos que son críticos para el diagnóstico ortodóncico y la planificación del tratamiento. Varios métodos de aprendizaje automático se han utilizado previamente para la localización automatizada de puntos de referencia relevantes para el diagnóstico en las telerradiografías laterales. En este estudio, aplicamos un conjunto de árboles de regresión para resolver este problema. Encontramos que a pesar del tamaño limitado de las imágenes etiquetadas manualmente, podemos mejorar el rendimiento de la detección de puntos de referencia mediante la ampliación del conjunto de entrenamiento utilizando una serie de transformaciones simples de imágenes. Además, demostramos el cálculo de características de segundo orden que codifican las ubicaciones relativas de los puntos de referencia, que son más importantes diagnósticamente que los puntos de referencia individuales.