論文の概要: Individual Tooth Detection and Identification from Dental Panoramic
X-Ray Images via Point-wise Localization and Distance Regularization
- arxiv url: http://arxiv.org/abs/2004.05543v1
- Date: Sun, 12 Apr 2020 04:14:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 05:21:09.754836
- Title: Individual Tooth Detection and Identification from Dental Panoramic
X-Ray Images via Point-wise Localization and Distance Regularization
- Title（参考訳）: 歯科用パノラマx線画像からの歯の個別検出と同定 : ポジショニングと距離正規化による検討
- Authors: Minyoung Chung, Jusang Lee, Sanguk Park, Minkyung Lee, Chae Eun Lee,
Jeongjin Lee, Yeong-Gil Shin
- Abstract要約: 提案したネットワークは、まずすべての解剖学的歯に対して中心点回帰を行い、各歯を自動的に識別する。
歯の箱は、パッチベースでカスケードニューラルネットワークを用いて個別に局所化される。
実験結果から,提案アルゴリズムは最先端手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 10.877276642014515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dental panoramic X-ray imaging is a popular diagnostic method owing to its
very small dose of radiation. For an automated computer-aided diagnosis system
in dental clinics, automatic detection and identification of individual teeth
from panoramic X-ray images are critical prerequisites. In this study, we
propose a point-wise tooth localization neural network by introducing a spatial
distance regularization loss. The proposed network initially performs center
point regression for all the anatomical teeth (i.e., 32 points), which
automatically identifies each tooth. A novel distance regularization penalty is
employed on the 32 points by considering $L_2$ regularization loss of Laplacian
on spatial distances. Subsequently, teeth boxes are individually localized
using a cascaded neural network on a patch basis. A multitask offset training
is employed on the final output to improve the localization accuracy. Our
method successfully localizes not only the existing teeth but also missing
teeth; consequently, highly accurate detection and identification are achieved.
The experimental results demonstrate that the proposed algorithm outperforms
state-of-the-art approaches by increasing the average precision of teeth
detection by 15.71% compared to the best performing method. The accuracy of
identification achieved a precision of 0.997 and recall value of 0.972.
Moreover, the proposed network does not require any additional identification
algorithm owing to the preceding regression of the fixed 32 points regardless
of the existence of the teeth.
- Abstract（参考訳）: 歯科用パノラマX線イメージングは、非常に少量の放射線量のために一般的な診断方法である。
歯科医院におけるコンピュータ支援自動診断システムでは, パノラマX線画像からの個々の歯の自動検出と同定が必須である。
本研究では,空間距離正規化損失を導入することにより,ポイントワイズな歯の局在化ニューラルネットワークを提案する。
提案するネットワークは最初, 各歯を識別する全ての解剖学的歯(32点)に対して中心点回帰を行う。
空間距離におけるラプラシアンの正規化損失を考慮し,32点に新たな距離正規化ペナルティを適用した。
その後、パッチベースでカスケードニューラルネットワークを用いて歯箱を個別に局所化する。
最終出力にマルチタスクオフセットトレーニングを用い、ローカライズ精度を向上させる。
既存の歯だけでなく, 欠損歯の局所化に成功し, 高精度な検出と同定が可能となった。
実験結果から, 提案アルゴリズムは, 歯肉検出の精度を最良な方法と比較して15.71%向上させることにより, 最先端の手法よりも優れていることが示された。
同定精度は0.997で、リコール値は0.972であった。
さらに,提案するネットワークでは,歯の有無に関わらず固定32点の先行回帰により,追加の識別アルゴリズムは不要である。
関連論文リスト
- A Sequential Framework for Detection and Classification of Abnormal
Teeth in Panoramic X-rays [1.8962225869778402]
本報告では,MICCAI 2023におけるパノラマX線検査における歯科審美と診断の解決策について述べる。
本手法は, 異常歯の検出・分類作業に適した多段階の枠組みから構成される。
論文 参考訳（メタデータ） (2023-08-31T13:47:01Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Developing a Novel Approach for Periapical Dental Radiographs
Segmentation [1.332560004325655]
提案するアルゴリズムは2段階で構成され,第1段階は前処理である。
このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。
実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-11-13T17:25:35Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳（メタデータ） (2021-09-24T13:00:26Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Tooth Instance Segmentation from Cone-Beam CT Images through Point-based
Detection and Gaussian Disentanglement [5.937871999460492]
本稿では,ガウス的不整形目的関数に基づいて個々の歯をアンタングルする点ベース歯像定位ネットワークを提案する。
実験結果から,提案アルゴリズムは検出精度を9.1%向上させることにより,最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-02-02T05:15:50Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳（メタデータ） (2020-11-14T12:50:32Z) - Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using
Image Sequence Classification [55.96221340756895]
前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。
本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。
マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。
このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
論文 参考訳（メタデータ） (2020-10-06T13:55:02Z) - An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray
Positions Classification [1.0672152844970149]
適応ヒストグラム等化と畳み込みニューラルネットワーク(CNN)に基づく新しい解法を提案する。
テストセットの精度と特異性は90%を超え、AUCは0.97に達した。
論文 参考訳（メタデータ） (2020-05-01T13:55:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。