論文の概要: X2Teeth: 3D Teeth Reconstruction from a Single Panoramic Radiograph
- arxiv url: http://arxiv.org/abs/2108.13004v1
- Date: Mon, 30 Aug 2021 06:12:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 20:31:27.506359
- Title: X2Teeth: 3D Teeth Reconstruction from a Single Panoramic Radiograph
- Title(参考訳): x2teeth:単一パノラマx線写真による3次元歯の再建
- Authors: Yuan Liang, Weinan Song, Jiawei Yang, Liang Qiu, Kun Wang, Lei He
- Abstract要約: 我々は,タスクを歯の局在化と単一形状推定に分解する新しいConvNet X2Teethを開発した。
X2Teeth は 0.681 の再構成 IoU を達成し、エンコーダデコーダ法を $1.71X で、検索ベース法を $1.52X で大幅に上回っている。
- 参考スコア(独自算出の注目度): 14.187615351160021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D teeth reconstruction from X-ray is important for dental diagnosis and many
clinical operations. However, no existing work has explored the reconstruction
of teeth for a whole cavity from a single panoramic radiograph. Different from
single object reconstruction from photos, this task has the unique challenge of
constructing multiple objects at high resolutions. To conquer this task, we
develop a novel ConvNet X2Teeth that decomposes the task into teeth
localization and single-shape estimation. We also introduce a patch-based
training strategy, such that X2Teeth can be end-to-end trained for optimal
performance. Extensive experiments show that our method can successfully
estimate the 3D structure of the cavity and reflect the details for each tooth.
Moreover, X2Teeth achieves a reconstruction IoU of 0.681, which significantly
outperforms the encoder-decoder method by $1.71X and the retrieval-based method
by $1.52X. Our method can also be promising for other multi-anatomy 3D
reconstruction tasks.
- Abstract(参考訳): X線3次元歯の再建は歯科診断や多くの臨床手術において重要である。
しかし,1枚のパノラマX線写真から全空洞用歯の再建を調査する研究は行われていない。
写真からの単一オブジェクト再構成とは異なり、高解像度で複数のオブジェクトを構築するというユニークな課題がある。
この課題を克服するために,歯の局所化と単一形状推定にタスクを分解するConvNet X2Teethを開発した。
また,パッチベースのトレーニング戦略を導入することで,x2teethをエンド・ツー・エンドで最適なパフォーマンスをトレーニングできる。
広範な実験により, キャビティの三次元構造を推定し, 各歯の細部を反映することに成功した。
さらに、X2Teeth は 0.681 の再構成 IoU を達成し、エンコーダデコーダ法を $1.71X で、検索法を $1.52X で大幅に上回っている。
また,他のマルチ解剖学的3次元再構成作業にも期待できる。
関連論文リスト
- TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry
Guided Transformer [47.18526074157094]
歯科用歯冠および歯肉の詳細な3D情報を提供するために, 歯科用光学式歯内スキャナー (IOS) が広く用いられている。
既往の方法は複雑な境界においてエラーを起こしやすく、患者間で不満足な結果を示す。
マルチタスク3Dトランスフォーマアーキテクチャを用いて, 歯の局所的および大域的依存関係とIOS点群における歯肉の象牙質の両方をキャプチャするTSegFormerを提案する。
論文 参考訳(メタデータ) (2023-11-22T08:45:01Z) - 3D Structure-guided Network for Tooth Alignment in 2D Photograph [51.9046939030457]
矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。
本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。
本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
論文 参考訳(メタデータ) (2023-10-17T09:44:30Z) - Construction of unbiased dental template and parametric dental model for
precision digital dentistry [46.459289444783956]
CBCT画像から正確な歯科用アトラスを作製し, 歯のセグメンテーションを誘導するアンバイアスド歯科用テンプレートを開発した。
実際の被写体のCBCT画像159枚を収集して施工する。
論文 参考訳(メタデータ) (2023-04-07T09:39:03Z) - ToothInpaintor: Tooth Inpainting from Partial 3D Dental Model and 2D
Panoramic Image [35.72913439096702]
矯正治療では、クラウンとルートの両方からなる完全な歯のモデルが不可欠である。
本稿では, 部分的な3次元歯科モデルと2次元パノラマ画像とを入力として用いた, ToothInpaintor と呼ばれるニューラルネットワークを提案する。
我々は,ニューラルネットワークを用いて学習した潜伏空間に入力を投影し,入力に条件付けされた歯の完全なモデルを得ることに成功した。
論文 参考訳(メタデータ) (2022-11-25T18:15:22Z) - An Implicit Parametric Morphable Dental Model [79.29420177904022]
歯および歯茎の3次元異形性モデルとして, 第一報を提出した。
これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。
我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
論文 参考訳(メタデータ) (2022-11-21T12:23:54Z) - Teeth3DS: a benchmark for teeth segmentation and labeling from
intra-oral 3D scans [10.404680576890488]
この記事では、3DTeethSeg 2022 MICCAIチャレンジのフレームで作成された、Teeth3DSという最初の公開ベンチマークを紹介します。
歯牙3DSは、上顎と下顎を別々にカバーし、5年以上の専門経験を持つ矯正医・歯科医が取得し、検証した900人の患者から収集した1800個の口腔内スキャンでできている。
論文 参考訳(メタデータ) (2022-10-12T11:18:35Z) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$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) - A fully automated method for 3D individual tooth identification and
segmentation in dental CBCT [1.567576360103422]
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。
論文 参考訳(メタデータ) (2021-02-11T15:07:23Z) - 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) - Oral-3D: Reconstructing the 3D Bone Structure of Oral Cavity from 2D
Panoramic X-ray [17.34835093235681]
歯科用アーチの1枚のPX画像と先行情報から3次元口腔を再構築するフレームワークOral-3Dを提案する。
口腔3Dは, 3次元口腔構造を効率的にかつ効果的に再構築し, 臨床応用において重要な情報を示すことができることを示す。
論文 参考訳(メタデータ) (2020-03-18T18:02:57Z)
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。