論文の概要: Tooth Instance Segmentation from Cone-Beam CT Images through Point-based
Detection and Gaussian Disentanglement
- arxiv url: http://arxiv.org/abs/2102.01315v1
- Date: Tue, 2 Feb 2021 05:15:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 16:46:21.498566
- Title: Tooth Instance Segmentation from Cone-Beam CT Images through Point-based
Detection and Gaussian Disentanglement
- Title（参考訳）: 点型検出とガウス離散によるコーンビームCT像からの歯列分離
- Authors: Jusang Lee, Minyoung Chung, Minkyung Lee, Yeong-Gil Shin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.937871999460492
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Individual tooth segmentation and identification from cone-beam computed
tomography images are preoperative prerequisites for orthodontic treatments.
Instance segmentation methods using convolutional neural networks have
demonstrated ground-breaking results on individual tooth segmentation tasks,
and are used in various medical imaging applications. While point-based
detection networks achieve superior results on dental images, it is still a
challenging task to distinguish adjacent teeth because of their similar
topologies and proximate nature. In this study, we propose a point-based tooth
localization network that effectively disentangles each individual tooth based
on a Gaussian disentanglement objective function. The proposed network first
performs heatmap regression accompanied by box regression for all the
anatomical teeth. A novel Gaussian disentanglement penalty is employed by
minimizing the sum of the pixel-wise multiplication of the heatmaps for all
adjacent teeth pairs. Subsequently, individual tooth segmentation is performed
by converting a pixel-wise labeling task to a distance map regression task to
minimize false positives in adjacent regions of the teeth. Experimental results
demonstrate that the proposed algorithm outperforms state-of-the-art approaches
by increasing the average precision of detection by 9.1%, which results in a
high performance in terms of individual tooth segmentation. The primary
significance of the proposed method is two-fold: 1) the introduction of a
point-based tooth detection framework that does not require additional
classification and 2) the design of a novel loss function that effectively
separates Gaussian distributions based on heatmap responses in the point-based
detection framework.
- Abstract（参考訳）: 歯の個々の分割およびコーンビームCT画像からの識別は、矯正治療の術前前提条件である。
畳み込みニューラルネットワークを用いたインスタンスセグメンテーション手法は,個々の歯のセグメンテーションタスクにおいて画期的な結果を示し,様々な医用画像アプリケーションで用いられている。
点に基づく検出ネットワークは歯科画像において優れた結果を得るが, 類似したトポロジーと近近性から隣接歯を識別することは依然として難しい課題である。
本研究では,ガウス離散客観的関数に基づいて各歯を効果的に解離する点ベースの歯の局在化ネットワークを提案する。
提案したネットワークはまず,すべての解剖学的歯に対するボックスレグレッションを伴うヒートマップレグレッションを行う。
隣り合う全ての歯のヒートマップの画素ワイド乗算の和を最小化することにより、新しいガウスのゆがみのペナルティを用いる。
その後、ピクセルワイズラベリングタスクを距離マップ回帰タスクに変換して個々の歯の分割を行い、歯の隣接する領域における偽陽性を最小限に抑える。
実験結果から, 検出精度を9.1%向上させることで, 最新のアプローチを上回り, 個々の歯の区分において高い性能を発揮できることが示された。
提案手法の主な意義は, 1) 追加の分類を必要としない点ベース歯検出フレームワークの導入, 2) 点ベース検出フレームワークにおける熱マップ応答に基づいてガウス分布を効果的に分離する新規な損失関数の設計である。
関連論文リスト
- Processing and Segmentation of Human Teeth from 2D Images using Weakly
Supervised Learning [1.6385815610837167]
そこで本研究では,手動アノテーションの必要性を低減するために,歯のセグメンテーションに対する弱教師付きアプローチを提案する。
本手法は,キーポイント検出ネットワークからの出力ヒートマップと中間特徴マップを用いて,セグメント化プロセスの導出を行う。
本手法は, 実際の歯科応用において, 歯のセグメンテーションに費用対効果, 効率のよいソリューションを提供する。
論文 参考訳（メタデータ） (2023-11-13T15:25:55Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets
and Morphological Processing [0.0]
画像内のオブジェクトが分離されたセグメンテーションマップを得るための後処理ステージを提案する。
提案したポストプロセッシング段階により, 歯数の平均誤差は6.15%, ポストプロセッシングのない誤差は26.81%に減少した。
論文 参考訳（メタデータ） (2022-03-31T21:11:51Z) - 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) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - 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。