論文の概要: Fully automatic integration of dental CBCT images and full-arch
intraoral impressions with stitching error correction via individual tooth
segmentation and identification
- arxiv url: http://arxiv.org/abs/2112.01784v1
- Date: Fri, 3 Dec 2021 08:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 16:16:07.709355
- Title: Fully automatic integration of dental CBCT images and full-arch
intraoral impressions with stitching error correction via individual tooth
segmentation and identification
- Title（参考訳）: 歯科用CBCT画像とフルアーチ内印象の完全自動統合と個別歯節分割と識別による縫合誤差補正
- Authors: Tae Jun Jang, Hye Sun Yun, Jong-Eun Kim, Sang-Hwy Lee, Jin Keun Seo
- Abstract要約: 口腔内スキャン(IOS)と歯科用コーンビームCT(CBCT)を1つの画像に統合する完全自動化手法を提案する。
IOSは狭い領域をスキャンするのに非常に正確であるが、フルアーチスキャン時に累積縫合誤差を生じる。
提案法は, CBCT由来の低品質歯面をIOSで補うだけでなく, 歯列全体にわたるIOSの累積縫合誤差を補正することを目的としている。
- 参考スコア（独自算出の注目度）: 1.4349468613117398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a fully automated method of integrating intraoral scan (IOS) and
dental cone-beam computerized tomography (CBCT) images into one image by
complementing each image's weaknesses. Dental CBCT alone may not be able to
delineate precise details of the tooth surface due to limited image resolution
and various CBCT artifacts, including metal-induced artifacts. IOS is very
accurate for the scanning of narrow areas, but it produces cumulative stitching
errors during full-arch scanning. The proposed method is intended not only to
compensate the low-quality of CBCT-derived tooth surfaces with IOS, but also to
correct the cumulative stitching errors of IOS across the entire dental arch.
Moreover, the integration provide both gingival structure of IOS and tooth
roots of CBCT in one image. The proposed fully automated method consists of
four parts; (i) individual tooth segmentation and identification module for IOS
data (TSIM-IOS); (ii) individual tooth segmentation and identification module
for CBCT data (TSIM-CBCT); (iii) global-to-local tooth registration between IOS
and CBCT; and (iv) stitching error correction of full-arch IOS. The
experimental results show that the proposed method achieved landmark and
surface distance errors of 0.11mm and 0.30mm, respectively.
- Abstract（参考訳）: 本稿では, 口腔内スキャン (ios) と歯科用コーンビームct (cbct) 画像の統合を, 画像の弱点を補うことによって完全に自動化する手法を提案する。
歯科用CBCTだけでは、画像解像度の制限と金属による人工物を含む様々なCBCTアーティファクトにより、歯面の正確な詳細を説明できないかもしれない。
IOSは狭い領域をスキャンするのに非常に正確であるが、フルアーチスキャン時に累積縫合誤差を生じる。
提案法は, CBCT由来の低品質歯面をIOSで補うだけでなく, 歯列全体にわたるIOSの累積縫合誤差を補正することを目的としている。
さらに、この統合はiosの歯肉構造とcbctの歯根の両方を1つの画像で提供する。
提案手法は4つの部分から構成される。
i) IOSデータ(TSIM-IOS)の個々の歯のセグメンテーション及び識別モジュール
(II)CBCTデータ(TSIM-CBCT)の個々の歯のセグメンテーション及び識別モジュール
(iii)iosとcbctの地域間歯の登録
(iv)全体iosのスタイリング誤り訂正。
実験の結果,提案手法は,それぞれ0.11mmと0.30mmのランドマークおよび表面距離誤差を達成した。
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) - Teeth Localization and Lesion Segmentation in CBCT Images using
SpatialConfiguration-Net and U-Net [0.4915744683251149]
歯の局所化と根尖部病変の分節化は臨床診断と治療計画にとって重要な課題である。
本研究では,2つの畳み込みニューラルネットワークを用いた深層学習手法を提案する。
この方法は、歯の局所化に対する97.3%の精度と、それぞれ0.97および0.88の有望な感度と特異性を達成し、その後の病変検出を行う。
論文 参考訳（メタデータ） (2023-12-19T14:23:47Z) - 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) - MARformer: An Efficient Metal Artifact Reduction Transformer for Dental CBCT Images [53.62335292022492]
金属歯のインプラントはCBCTイメージングの過程で不愉快な金属加工物をもたらす可能性がある。
歯科用CBCT画像から金属アーティファクト低減(MAR)を実現するための効率的なトランスフォーマーを開発した。
P2FFN (Patch-wise Perceptive Feed Forward Network) も提案されている。
論文 参考訳（メタデータ） (2023-11-16T06:02:03Z) - ToothSegNet: Image Degradation meets Tooth Segmentation in CBCT Images [13.572872371886577]
ToothSegNetは、トレーニング中に生成された劣化したイメージでセグメンテーションモデルを知る新しいフレームワークである。
ToothSegNetはより精密なセグメンテーションを生成し、最先端の医療画像セグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2023-07-05T01:41:24Z) - 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) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - 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) - 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) - 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。