論文の概要: Dense Representative Tooth Landmark/axis Detection Network on 3D Model

• arxiv url: http://arxiv.org/abs/2111.04212v2
• Date: Tue, 9 Nov 2021 03:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-10 12:19:24.989290
• Title: Dense Representative Tooth Landmark/axis Detection Network on 3D Model
• Title（参考訳）: 3dモデルを用いた高密度歯のランドマーク・軸検出ネットワーク
• Authors: Guangshun Wei, Zhiming Cui, Jie Zhu, Lei Yang, Yuanfeng Zhou, Pradeep Singh, Min Gu, Wenping Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.81858923141152
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) technology is increasingly used for digital orthodontics, but one of the challenges is to automatically and accurately detect tooth landmarks and axes. This is partly because of sophisticated geometric definitions of them, and partly due to large variations among individual tooth and across different types of tooth. As such, we propose a deep learning approach with a labeled dataset by professional dentists to the tooth landmark/axis detection on tooth model that are crucial for orthodontic treatments. Our method can extract not only tooth landmarks in the form of point (e.g. cusps), but also axes that measure the tooth angulation and inclination. The proposed network takes as input a 3D tooth model and predicts various types of the tooth landmarks and axes. Specifically, we encode the landmarks and axes as dense fields defined on the surface of the tooth model. This design choice and a set of added components make the proposed network more suitable for extracting sparse landmarks from a given 3D tooth model. Extensive evaluation of the proposed method was conducted on a set of dental models prepared by experienced dentists. Results show that our method can produce tooth landmarks with high accuracy. Our method was examined and justified via comparison with the state-of-the-art methods as well as the ablation studies.
• Abstract（参考訳）: 人工知能(AI)技術は、デジタル矯正にますます使われているが、課題の1つは、歯のランドマークや軸を自動的に正確に検出することである。 これは、複雑な幾何学的定義と、個々の歯と異なる種類の歯の間に大きな違いがあるためである。 そこで本研究では, 歯科医師のラベル付きデータセットを用いて, 矯正治療に不可欠な歯モデルにおける歯のランドマーク/軸検出法を提案する。 本手法は, 歯の目印を点(例えば, 尖点)として抽出するだけでなく, 歯の角化や傾斜を測定する軸も抽出できる。 提案するネットワークは3d歯モデル入力とし, 歯のランドマークや軸の種類を予測している。 具体的には, 歯面上に定義された密集場として, ランドマークと軸をエンコードする。 この設計選択と追加部品のセットにより、提案したネットワークは、所定の3次元歯モデルからスパースランドマークを抽出するのにより適している。 提案手法の広範囲な評価は, 経験者歯科医が作成した歯科モデルを用いて行った。 その結果, 歯のランドマークを高精度に生成できることがわかった。 本手法は,最先端法およびアブレーション法との比較により検討・正当化された。

関連論文リスト

• 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)
• 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)
• YOLOrtho -- A Unified Framework for Teeth Enumeration and Dental Disease Detection [4.136033167469768]
  YOLOrthoは歯列挙と歯科疾患検出のための統合された枠組みである。 我々は,3種類の注釈付きデータからなるDentex Challenge 2023データに基づくモデルを開発した。 このデータを十分に活用し,同時に歯の発見と疾患の同定を学習するために,本研究では,歯に付着する属性として疾患を定式化する。
  論文  参考訳（メタデータ） (2023-08-11T06:54:55Z)
• Accurate 3D Prediction of Missing Teeth in Diverse Patterns for Precise Dental Implant Planning [44.20366627432732]
  本研究は, 異なるパターンの欠損歯の正確な予測を行うための新しい枠組みを提示し, デジタルインプラント計画を容易にする。 提案手法は,健常者のCBCT画像から再構成した歯科用メッシュモデルのデータセット間のポイント・ツー・ポイント対応を推定することから始まる。 歯のディクショナリーは、確立されたポイントツーポイント対応に基づいて、歯の位置及び形状情報を符号化して、歯型毎に構築される。
  論文  参考訳（メタデータ） (2023-07-16T05:52:37Z)
• 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)
• 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)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• 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)

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。