論文の概要: A fully automated method for 3D individual tooth identification and
segmentation in dental CBCT
- arxiv url: http://arxiv.org/abs/2102.06060v1
- Date: Thu, 11 Feb 2021 15:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:14:29.672919
- Title: A fully automated method for 3D individual tooth identification and
segmentation in dental CBCT
- Title(参考訳): 歯科用cbctにおける歯の3次元識別と分節化の完全自動化法
- Authors: Tae Jun Jang, Kang Cheol Kim, Hyun Cheol Cho, Jin Keun Seo
- Abstract要約: 本稿では,歯科用CBCT画像から3次元個別歯を同定・分別する完全自動化手法を提案する。
提案手法は,ディープラーニングに基づく階層型多段階モデルを構築することで,上記の課題に対処する。
実験結果から, 本法は歯の識別に93.35%のF1スコア, 個々の3次元歯のセグメンテーションに94.79%のDice類似係数を達成できた。
- 参考スコア(独自算出の注目度): 1.567576360103422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and automatic segmentation of three-dimensional (3D) individual
teeth from cone-beam computerized tomography (CBCT) images is a challenging
problem because of the difficulty in separating an individual tooth from
adjacent teeth and its surrounding alveolar bone. Thus, this paper proposes a
fully automated method of identifying and segmenting 3D individual teeth from
dental CBCT images. The proposed method addresses the aforementioned difficulty
by developing a deep learning-based hierarchical multi-step model. First, it
automatically generates upper and lower jaws panoramic images to overcome the
computational complexity caused by high-dimensional data and the curse of
dimensionality associated with limited training dataset. The obtained 2D
panoramic images are then used to identify 2D individual teeth and capture
loose- and tight- regions of interest (ROIs) of 3D individual teeth. Finally,
accurate 3D individual tooth segmentation is achieved using both loose and
tight ROIs. Experimental results showed that the proposed method achieved an
F1-score of 93.35% for tooth identification and a Dice similarity coefficient
of 94.79% for individual 3D tooth segmentation. The results demonstrate that
the proposed method provides an effective clinical and practical framework for
digital dentistry.
- Abstract(参考訳): コーンビームコンピュータ断層撮影(cbct)画像からの3次元(3d)個別歯の高精度・自動分割は,隣接歯とその周辺歯槽骨との分離が困難であるため,課題である。
そこで本研究では,歯科用CBCT画像から3次元個別歯を同定・分別する完全自動化手法を提案する。
提案手法は,深層学習に基づく階層的マルチステップモデルの開発により,前述の困難に対処した。
まず、上下顎パノラマ画像を自動的に生成し、高次元データによる計算複雑性と限られたトレーニングデータセットに関連する次元の呪いを克服する。
得られた2Dパノラマ画像を使用して、2D個々の歯を特定し、3D個々の歯の関心領域(ROI)をキャプチャします。
最後に、ゆるいロースとタイトなロースを用いて、正確な3d個別歯の分割を実現する。
実験結果から, 本法は歯の識別に93.35%のF1スコア, 個々の3次元歯のセグメンテーションに94.79%のDice類似係数を達成できた。
提案手法は, デジタル歯科治療に有効な臨床・実践的枠組みを提供するものである。
関連論文リスト
- A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。
深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。
歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
論文 参考訳(メタデータ) (2024-07-15T04:23:28Z) - An efficient method to automate tooth identification and 3D bounding box extraction from Cone Beam CT Images [33.7054351451505]
本稿では,CBCT画像から歯を自動検出,識別,抽出する手法を提案する。
歯は1段階の物体検出器を用いてピンポイントされラベル付けされる。
ほうき箱は、各歯の3次元表現を作成するために、切り離され、識別される。
論文 参考訳(メタデータ) (2024-07-08T12:59:28Z) - ID-to-3D: Expressive ID-guided 3D Heads via Score Distillation Sampling [96.87575334960258]
ID-to-3D(ID-to-3D)は、不整合表現を用いたIDとテキスト誘導型3次元頭部を生成する方法である。
前例のないアイデンティティ一貫性と高品質なテクスチャと幾何生成を実現する。
論文 参考訳(メタデータ) (2024-05-26T13:36:45Z) - 3D Structure-guided Network for Tooth Alignment in 2D Photograph [51.9046939030457]
矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。
本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。
本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
論文 参考訳(メタデータ) (2023-10-17T09:44:30Z) - An Implicit Parametric Morphable Dental Model [79.29420177904022]
歯および歯茎の3次元異形性モデルとして, 第一報を提出した。
これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。
我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
論文 参考訳(メタデータ) (2022-11-21T12:23:54Z) - Segmentation of 3D Dental Images Using Deep Learning [0.0]
3D画像のセグメンテーションは、多くの医学的分析と認識スキームにおいて、最近かつ重要なステップである。
本稿では,最適な3次元セグメンテーション出力を得るために,様々な効率的な手法をハイブリダイズする多相ディープラーニングシステムを提案する。
論文 参考訳(メタデータ) (2022-07-19T23:17:54Z) - 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) - 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) - Dense Representative Tooth Landmark/axis Detection Network on 3D Model [32.81858923141152]
本稿では, 歯科医師によるラベル付きデータセットを用いた深層学習手法を提案する。
本手法では, 歯の目印(尖点など)だけでなく, 歯の角化や傾斜を測定する軸も抽出できる。
提案したネットワークは3次元歯のモデルとして入力され,様々な種類の歯のランドマークと軸を予測する。
論文 参考訳(メタデータ) (2021-11-08T00:42:22Z) - 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)
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。