論文の概要: Use of the Deep Learning Approach to Measure Alveolar Bone Level
- arxiv url: http://arxiv.org/abs/2109.12115v1
- Date: Fri, 24 Sep 2021 17:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 10:36:07.769954
- Title: Use of the Deep Learning Approach to Measure Alveolar Bone Level
- Title（参考訳）: 深層学習法による歯槽骨レベルの測定
- Authors: Chun-Teh Lee, Tanjida Kabir, Jiman Nelson, Sally Sheng, Hsiu-Wan Meng,
Thomas E. Van Dyke, Muhammad F. Walji, Xiaoqian Jiang, Shayan Shams
- Abstract要約: 目的は、Deep Convolutional Neural Network(ディープ・コンボリューショナル・ニューラル・ニューラルネットワーク)を使用して、歯槽骨のレベルを測定し、歯周診断を支援することであった。
3つのセグメンテーションネットワーク(骨面積, 歯, セメントエナメル接合部)と画像解析を統合することで, ディープラーニング(DL)モデルを開発した。
- 参考スコア（独自算出の注目度）: 4.92694463351569
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Abstract:
Aim: The goal was to use a Deep Convolutional Neural Network to measure the
radiographic alveolar bone level to aid periodontal diagnosis.
Material and methods: A Deep Learning (DL) model was developed by integrating
three segmentation networks (bone area, tooth, cementoenamel junction) and
image analysis to measure the radiographic bone level and assign radiographic
bone loss (RBL) stages. The percentage of RBL was calculated to determine the
stage of RBL for each tooth. A provisional periodontal diagnosis was assigned
using the 2018 periodontitis classification. RBL percentage, staging, and
presumptive diagnosis were compared to the measurements and diagnoses made by
the independent examiners.
Results: The average Dice Similarity Coefficient (DSC) for segmentation was
over 0.91. There was no significant difference in RBL percentage measurements
determined by DL and examiners (p=0.65). The Area Under the Receiver Operating
Characteristics Curve of RBL stage assignment for stage I, II and III was 0.89,
0.90 and 0.90, respectively. The accuracy of the case diagnosis was 0.85.
Conclusion: The proposed DL model provides reliable RBL measurements and
image-based periodontal diagnosis using periapical radiographic images.
However, this model has to be further optimized and validated by a larger
number of images to facilitate its application.
- Abstract（参考訳）: 要約: Aim: 目的は, 深部畳み込みニューラルネットワークを用いて歯槽骨レベルを測定し, 歯周診断を支援することであった。
材料と方法:3つのセグメンテーションネットワーク(骨領域, 歯, セメントエナメルジャンクション)と画像解析を統合し, 骨のx線レベルを測定し, 骨損失(rbl)ステージを割り当てることで, 深層学習(dl)モデルを開発した。
RBLの割合は, 各歯のRBLの段階を決定するために算出された。
2018年の歯周炎分類で仮診断を施行した。
RBL, ステージング, 予備診断は, 独立した検査者による測定値と診断値と比較した。
結果: セグメンテーションの平均サイコロ類似度係数 (dsc) は0.01。
DLと試験員によるRBL測定では有意差はなかった(p=0.65)。
ステージi, ii, iiiのrblステージ割り当ての受信機動作特性曲線下の面積は, それぞれ 0.89, 0.90, 0.90 であった。
診断精度は0.85。
結論: 提案したDLモデルは, 根尖部X線画像を用いた信頼性の高いRBL測定と画像に基づく歯周診断を提供する。
しかし、このモデルはより多くの画像によってさらに最適化され、検証されなければならない。
関連論文リスト
- Semi-Supervised Bone Marrow Lesion Detection from Knee MRI Segmentation Using Mask Inpainting Models [7.197545510697077]
骨髄病変(BML)は膝関節症(OA)の重要な指標である
MRIにおけるBMLの効果的な検出は、OAの診断と治療に不可欠である。
本稿では,高分解能膝関節MRIにおけるBML識別のためのマスク塗装モデルを用いた半教師付き局所異常検出法を提案する。
論文 参考訳（メタデータ） (2024-09-27T23:47:47Z) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - Bone mineral density estimation from a plain X-ray image by learning
decomposition into projections of bone-segmented computed tomography [4.872603360039571]
骨粗しょう症(英: osteoporosis)は、脆弱な骨の骨折を引き起こす骨疾患であり、日常生活活動の低下につながる。
骨の健康、低コスト、低用量、ユビキタスに利用可能な診断方法を頻繁に監視するためには、非常に期待されている。
本研究の目的は, 骨密度を原X線画像から推定し, 骨密度を計測することである。
論文 参考訳（メタデータ） (2023-07-21T11:49:30Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Deep Learning-Based Automatic Diagnosis System for Developmental
Dysplasia of the Hip [5.673030999857323]
本研究では,14個のキーポイントを自動的に検出する深層学習システムを提案する。
3つの解剖学的角度(中央辺角、T"オンニス角、シャープ角)を測り、DDHヒップをクロー基準に基づいてグレードI-IVに分類する。
論文 参考訳（メタデータ） (2022-09-07T19:50:30Z) - BMD-GAN: Bone mineral density estimation using x-ray image decomposition
into projections of bone-segmented quantitative computed tomography using
hierarchical learning [1.8762753243053634]
そこで本研究では,QCTを用いて生成的対位ネットワーク(GAN)を訓練し,X線画像を骨分節QCTの投影に分解する手法を提案する。
変形性膝関節症患者200名を対象に, 予測真理と地上真理のピアソン相関係数が0.888であった。
論文 参考訳（メタデータ） (2022-07-07T10:33:12Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - An End-to-end Entangled Segmentation and Classification Convolutional
Neural Network for Periodontitis Stage Grading from Periapical Radiographic
Images [0.013002050979054347]
根尖部X線から歯周炎を診断するためのエンド・ツー・エンド深層学習ネットワークHYNETSを開発した。
HyNETSはセグメンテーションネットワークと分類ネットワークを組み合わせて、エンドツーエンドの解釈可能なソリューションを提供する。
論文 参考訳（メタデータ） (2021-09-27T15:28:54Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳（メタデータ） (2020-05-14T09:24:48Z)
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。