論文の概要: An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification

• arxiv url: http://arxiv.org/abs/2005.01509v1
• Date: Fri, 1 May 2020 13:55:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 00:20:54.127942
• Title: An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification
• Title（参考訳）: デジタル歯科x線位置分類のための適応強化型ハイブリッドcnnモデル
• Authors: Yaqi Wang, Lingling Sun, Yifang Zhang, Dailin Lv, Zhixing Li, Wuteng Qi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0672152844970149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analysis of dental radiographs is an important part of the diagnostic process in daily clinical practice. Interpretation by an expert includes teeth detection and numbering. In this project, a novel solution based on adaptive histogram equalization and convolution neural network (CNN) is proposed, which automatically performs the task for dental x-rays. In order to improve the detection accuracy, we propose three pre-processing techniques to supplement the baseline CNN based on some prior domain knowledge. Firstly, image sharpening and median filtering are used to remove impulse noise, and the edge is enhanced to some extent. Next, adaptive histogram equalization is used to overcome the problem of excessive amplification noise of HE. Finally, a multi-CNN hybrid model is proposed to classify six different locations of dental slices. The results showed that the accuracy and specificity of the test set exceeded 90\%, and the AUC reached 0.97. In addition, four dentists were invited to manually annotate the test data set (independently) and then compare it with the labels obtained by our proposed algorithm. The results show that our method can effectively identify the X-ray location of teeth.
• Abstract（参考訳）: 歯科用X線写真解析は日常臨床における診断過程の重要な部分である。 専門家による解釈には、歯の検出と番号が含まれる。 本研究では, 歯科用x線を自動処理する適応型ヒストグラム等化・畳み込みニューラルネットワーク(cnn)を用いた新しい解法を提案する。 検出精度を向上させるために,事前知識に基づいてcnnのベースラインを補完する3つの前処理手法を提案する。 まず、画像のシャープ化と中央値フィルタリングを用いてインパルスノイズを除去し、エッジをある程度拡張する。 次に、HEの過度増幅ノイズの問題を克服するために適応ヒストグラム等化を用いる。 最後に, 歯科用スライスの6つの異なる部位を分類するマルチcnnハイブリッドモデルを提案する。 その結果,テストセットの精度と特異性は90%以上であり,AUCは0.97に達した。 さらに4名の歯科医が手動でテストデータセットに注釈を付け(独立して),提案アルゴリズムによって得られたラベルと比較した。 その結果,歯のX線位置を効果的に同定できることがわかった。

関連論文リスト

• Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints [3.5034434329837563]
  スウィントランスに基づく軽量な歯列アライメントニューラルネットワークを提案する。 まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを秩序な多チャンネルテクスチャに変換する。 次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。
  論文  参考訳（メタデータ） (2024-10-28T07:54:07Z)
• Statistical validation of a deep learning algorithm for dental anomaly detection in intraoral radiographs using paired data [0.0]
  本研究は, 深層学習アルゴリズムを用いた歯科医師の検出性能と, 画像評価を行う歯科医師の先行成績を比較した。 これらの結果の統計的意義は、マクネマール検定と二項仮説検定の両方を用いて広く証明されている。
  論文  参考訳（メタデータ） (2024-02-01T13:46:36Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Individual Tooth Detection and Identification from Dental Panoramic X-Ray Images via Point-wise Localization and Distance Regularization [10.877276642014515]
  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。
  論文  参考訳（メタデータ） (2020-04-12T04:14:14Z)
• Pose-Aware Instance Segmentation Framework from Cone Beam CT Images for Tooth Segmentation [9.880428545498662]
  コーンビームCT(CBCT)画像からの個々の歯のセグメンテーションは矯正構造の解剖学的理解に不可欠である。 CBCT画像中の重金属人工物の存在は、個々の歯の正確なセグメンテーションを妨げる。 本稿では,金属製品に対して堅牢なインスタンスセグメンテーションフレームワークを活用するために,ピクセルワイズラベリングのためのニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T07:57:34Z)

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。