論文の概要: A convolutional neural network for teeth margin detection on 3-dimensional dental meshes

• arxiv url: http://arxiv.org/abs/2107.03030v1
• Date: Wed, 7 Jul 2021 06:16:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 14:12:53.659760
• Title: A convolutional neural network for teeth margin detection on 3-dimensional dental meshes
• Title（参考訳）: 3次元メッシュを用いた畳み込みニューラルネットワークによる歯周縁検出
• Authors: Hu Chen, Hong Li, Bifu Hu, Kenan Ma, Yuchun Sun
• Abstract要約: ネットワーク構造を評価するため,145本の歯科用メッシュを用いて,精度,リコール,精度を検証した。 拡張レイヤを持つすべてのネットワークはベースラインよりも優れており、最高のネットワークは検証データセットとテストデータセットの両方で0.877の精度を達成した。
• 参考スコア（独自算出の注目度）: 6.0156209806302074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We proposed a convolutional neural network for vertex classification on 3-dimensional dental meshes, and used it to detect teeth margins. An expanding layer was constructed to collect statistic values of neighbor vertex features and compute new features for each vertex with convolutional neural networks. An end-to-end neural network was proposed to take vertex features, including coordinates, curvatures and distance, as input and output each vertex classification label. Several network structures with different parameters of expanding layers and a base line network without expanding layers were designed and trained by 1156 dental meshes. The accuracy, recall and precision were validated on 145 dental meshes to rate the best network structures, which were finally tested on another 144 dental meshes. All networks with our expanding layers performed better than baseline, and the best one achieved an accuracy of 0.877 both on validation dataset and test dataset.
• Abstract（参考訳）: 本研究では, 3次元メッシュの頂点分類のための畳み込みニューラルネットワークを提案し, 歯のマージン検出に利用した。 隣り合う頂点の特徴の統計値を収集し、畳み込みニューラルネットワークで各頂点の新機能を計算するために拡張層を構築した。 頂点分類ラベルの入力と出力として、座標、曲率、距離を含む頂点特徴を取り出すために、エンドツーエンドのニューラルネットワークが提案された。 拡張層とベースラインネットワークのパラメータが異なるいくつかのネットワーク構造を1156の歯科メッシュを用いて設計・訓練した。 精度、リコール、精度は145のメッシュで検証され、最良のネットワーク構造を評価し、最終的に144のメッシュでテストされた。 拡張層を持つすべてのネットワークはベースラインよりもパフォーマンスが良く、バリデーションデータセットとテストデータセットの両方で0.877の精度を達成しました。

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)
• Research on Deep Learning Model of Feature Extraction Based on Convolutional Neural Network [0.32985979395737786]
  AlexNetとInceptionV3はより優れた画像認識結果を得るために選択された。 トレーニングされたAlexNetモデルの予測精度、特異性、感度は4.25ポイント向上した。 グラフィックス処理の使用率は、InceptionV3モードと比較して51%減少した。
  論文  参考訳（メタデータ） (2024-06-13T06:00:28Z)
• 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)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• A Hybrid Convolutional Neural Network with Meta Feature Learning for Abnormality Detection in Wireless Capsule Endoscopy Images [8.744537620217674]
  無線カプセル内視鏡画像における異常検出のためのハイブリッド畳み込みニューラルネットワークを提案する。 3つの並列畳み込みニューラルネットワークで構成され、それぞれに特有の特徴学習能力がある。 ネットワークトリオは、クラス内の分散を効果的に処理し、胃腸の異常を効率的に検出する。
  論文  参考訳（メタデータ） (2022-07-20T09:25:57Z)
• 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)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• 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)
• 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)
• The efficiency of deep learning algorithms for detecting anatomical reference points on radiological images of the head profile [55.41644538483948]
  U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。 U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
  論文  参考訳（メタデータ） (2020-05-25T13:51:03Z)
• 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)

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。