Fugu-MT 論文翻訳(概要): Metal Artifact Reduction with Intra-Oral Scan Data for 3D Low Dose Maxillofacial CBCT Modeling

論文の概要: Metal Artifact Reduction with Intra-Oral Scan Data for 3D Low Dose Maxillofacial CBCT Modeling

arxiv url: http://arxiv.org/abs/2202.03571v1
Date: Tue, 8 Feb 2022 00:24:41 GMT
ステータス: 処理完了
システム内更新日: 2022-02-10 04:28:12.039037
Title: Metal Artifact Reduction with Intra-Oral Scan Data for 3D Low Dose Maxillofacial CBCT Modeling
Title（参考訳）: 3次元低線量顎顔面cbctモデリングのための口腔内スキャンデータによる金属人工物除去
Authors: Chang Min Hyun, Taigyntuya Bayaraa, Hye Sun Yun, Tae Jun Jang, Hyoung Suk Park, and Jin Keun Seo
Abstract要約: 高精度な3次元顎顔面CBCTモデリングのための2段階金属アーチファクト低減法を提案する。第1段階では、金属関連アーティファクトを緩和するために画像と画像の深層学習ネットワークが使用される。第2段階では、矯正された歯科用CBCT画像から骨を分割して3次元顎顔面モデルを構築する。
参考スコア（独自算出の注目度）: 0.7444835592104696
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Low-dose dental cone beam computed tomography (CBCT) has been increasingly used for maxillofacial modeling. However, the presence of metallic inserts, such as implants, crowns, and dental filling, causes severe streaking and shading artifacts in a CBCT image and loss of the morphological structures of the teeth, which consequently prevents accurate segmentation of bones. A two-stage metal artifact reduction method is proposed for accurate 3D low-dose maxillofacial CBCT modeling, where a key idea is to utilize explicit tooth shape prior information from intra-oral scan data whose acquisition does not require any extra radiation exposure. In the first stage, an image-to-image deep learning network is employed to mitigate metal-related artifacts. To improve the learning ability, the proposed network is designed to take advantage of the intra-oral scan data as side-inputs and perform multi-task learning of auxiliary tooth segmentation. In the second stage, a 3D maxillofacial model is constructed by segmenting the bones from the dental CBCT image corrected in the first stage. For accurate bone segmentation, weighted thresholding is applied, wherein the weighting region is determined depending on the geometry of the intra-oral scan data. Because acquiring a paired training dataset of metal-artifact-free and metal artifact-affected dental CBCT images is challenging in clinical practice, an automatic method of generating a realistic dataset according to the CBCT physics model is introduced. Numerical simulations and clinical experiments show the feasibility of the proposed method, which takes advantage of tooth surface information from intra-oral scan data in 3D low dose maxillofacial CBCT modeling.
Abstract（参考訳）: 低用量歯科用コーンビームCT(CBCT)は顎顔面のモデリングにますます利用されている。しかし, インプラント, クラウン, 歯の充填などの金属インサートの存在は, cbct画像における強度の高いストレッチとシェーディングアーティファクトを生じさせ, 歯の形態的構造の喪失を招き, 骨の正確な分節化を防止している。 2段階の金属アーティファクト低減法が提案されている3次元低用量顎顔面cbctモデリングの精度は, 放射線照射を必要としない口腔内スキャンデータから, 歯形事前情報を活用することが重要となる。第1段階では、金属関連アーティファクトを緩和するために画像と画像の深層学習ネットワークが使用される。学習能力を向上させるため,提案ネットワークは口腔内スキャンデータをサイドインプットとして活用し,補助歯のセグメンテーションのマルチタスク学習を行うように設計されている。第2段では、第1段で修正された歯科用CBCT画像から骨を分割して3次元顎顔面モデルを構築する。正確な骨分節については、口腔内スキャンデータの形状に応じて重み付け領域を決定する重み付けしきい値が適用される。臨床において, メタルアーティファクトフリーおよびメタルアーティファクト影響を受ける歯科用cbct画像のペアトレーニングデータセットを取得することが困難であるため, cbct物理モデルによる現実的なデータセットの自動生成法を導入する。 3次元低線量顎顔面CBCTモデルにおける口腔内スキャンデータから歯面情報を活用する方法の有効性をシミュレーションおよび臨床実験により明らかにした。

関連論文リスト

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)
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)
On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-09-01T10:10:46Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Nonlinear ill-posed problem in low-dose dental cone-beam computed tomography [1.039109674772348]
本報告では, 歯科用CBCTが標準CTより悪用されている理由について述べる。このような悪影響にもかかわらず, 歯科用CBCTシステムの需要は, コスト競争性や放射線線量が少なく, 急速に増大している。
論文参考訳（メタデータ） (2023-03-03T02:46:15Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Simulation-Driven Training of Vision Transformers Enabling Metal Segmentation in X-Ray Images [6.416928579907334]
本研究は,CTデータセットとCADインプラントを組み合わせたシミュレーションX線画像を生成することを提案する。 CBCT射影における金属セグメンテーションは、金属アーティファクト回避および還元アルゴリズムの前提条件となる。本研究は,CADモデルに基づくデータ生成の柔軟性が向上し,臨床データサンプリングとラベル付けの不足を克服する手段となる可能性が示唆された。
論文参考訳（メタデータ） (2022-03-17T09:58:58Z)
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 Learning-based Method for Online Adjustment of C-arm Cone-Beam CT Source Trajectories for Artifact Avoidance [47.345403652324514]
市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
論文参考訳（メタデータ） (2020-08-14T09:23:50Z)
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。