論文の概要: Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans

• arxiv url: http://arxiv.org/abs/2109.11941v1
• Date: Fri, 24 Sep 2021 13:00:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 20:28:04.333691
• Title: Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans
• Title（参考訳）: 3次元口腔内スキャンにおける2段階メッシュ深層学習による自動歯列分割とランドマーク位置推定
• Authors: Tai-Hsien Wu, Chunfeng Lian, Sanghee Lee, Matthew Pastewait, Christian Piers, Jie Liu, Fang Wang, Li Wang, Christina Jackson, Wei-Lun Chao, Dinggang Shen, Ching-Chang Ko
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.55092443401416
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurately segmenting teeth and identifying the corresponding anatomical landmarks on dental mesh models are essential in computer-aided orthodontic treatment. Manually performing these two tasks is time-consuming, tedious, and, more importantly, highly dependent on orthodontists' experiences due to the abnormality and large-scale variance of patients' teeth. Some machine learning-based methods have been designed and applied in the orthodontic field to automatically segment dental meshes (e.g., intraoral scans). In contrast, the number of studies on tooth landmark localization is still limited. This paper proposes a two-stage framework based on mesh deep learning (called TS-MDL) for joint tooth labeling and landmark identification on raw intraoral scans. Our TS-MDL first adopts an end-to-end \emph{i}MeshSegNet method (i.e., a variant of the existing MeshSegNet with both improved accuracy and efficiency) to label each tooth on the downsampled scan. Guided by the segmentation outputs, our TS-MDL further selects each tooth's region of interest (ROI) on the original mesh to construct a light-weight variant of the pioneering PointNet (i.e., PointNet-Reg) for regressing the corresponding landmark heatmaps. Our TS-MDL was evaluated on a real-clinical dataset, showing promising segmentation and localization performance. Specifically, \emph{i}MeshSegNet in the first stage of TS-MDL reached an averaged Dice similarity coefficient (DSC) at $0.953\pm0.076$, significantly outperforming the original MeshSegNet. In the second stage, PointNet-Reg achieved a mean absolute error (MAE) of $0.623\pm0.718 \, mm$ in distances between the prediction and ground truth for $44$ landmarks, which is superior compared with other networks for landmark detection. All these results suggest the potential usage of our TS-MDL in clinical practices.
• Abstract（参考訳）: 歯科用メッシュモデルにおける歯の正確な分割と対応する解剖学的ランドマークの同定は, コンピュータ支援矯正治療において不可欠である。 これら2つのタスクを手作業で行うことは、時間を要する、退屈で、さらに重要なことは、患者の歯の異常と大規模な分散により、矯正医の経験に大きく依存する。 いくつかの機械学習に基づく手法は歯科用メッシュ(例えば口腔内スキャン)を自動的に分割するために歯科矯正領域に設計され応用されている。 対照的に、歯のランドマークの定位に関する研究は、まだ限られている。 本稿では,メッシュディープラーニング(TS-MDL)に基づく2段階の枠組みを提案する。 我々のTS-MDLは、まずエンド・ツー・エンドの \emph{i}MeshSegNet メソッド(すなわち、精度と効率を向上した既存の MeshSegNet の変種)を採用して、ダウンサンプルスキャンで各歯をラベル付けします。 セグメンテーション出力により誘導されたts-mdlは、さらに元のメッシュ上の各歯の関心領域(roi)を選択し、対応するランドマークヒートマップをレグレッションする先駆的ポイントネット(pointnet-reg)の軽量変種を構築する。 TS-MDLを実クラスタ上で評価し,有望なセグメンテーションとローカライゼーション性能を示した。 具体的には、TS-MDL の最初の段階での \emph{i}MeshSegNet は、平均的な Dice 類似度係数 (DSC) を$0.953\pm0.076$ で達成し、元の MeshSegNet を著しく上回った。 第2段階では、pointnet-regは平均絶対誤差 (mae) を0.623\pm0.718 \, mm$ とし、予測と地上真理の間の距離を44ドルのランドマークで達成した。 これらの結果から,臨床におけるTS-MDLの有用性が示唆された。

関連論文リスト

• Instance Segmentation and Teeth Classification in Panoramic X-rays [35.8246552579468]
  歯のセグメンテーションと認識は様々な歯科応用や歯科診断において重要である。 この記事では、U-NetとYOLOv8という2つのディープラーニングモデルのパイプラインを提供します。 我々は YOLOv8 と U-Net の機能を利用して, 歯のセグメンテーションの質と信頼性を改善した。
  論文  参考訳（メタデータ） (2024-06-06T04:57:29Z)
• 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)
• A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays [1.7366868394060984]
  本研究では, 深層学習技術を活用したパノラマX線画像からの歯のセグメンテーションと配向に対する包括的アプローチを提案する。 創傷セグメンテーションのために開発された人気モデルであるFUSegNetをベースとしたモデルを構築した。 主成分分析(PCA)により, 歯の配向を正確に推定する指向性バウンディングボックス(OBB)の生成を導入する。
  論文  参考訳（メタデータ） (2023-10-26T06:01:25Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• 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 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)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• 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。