論文の概要: OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs

• arxiv url: http://arxiv.org/abs/2203.15856v1
• Date: Tue, 29 Mar 2022 18:57:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 14:40:15.187912
• Title: OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs
• Title（参考訳）: odontoai: 人間の体内ラベル付きデータセットと、歯科用パノラマx線写真の研究を促進するオンラインプラットフォーム
• Authors: Bernardo Silva, La\'is Pinheiro, Brenda Sobrinho, Fernanda Lima, Bruna Sobrinho, Kalyf Abdalla, Matheus Pithon, Patr\'icia Cury, Luciano Oliveira
• Abstract要約: 本研究では, 歯科用パノラマX線画像の公開データセットの構築について述べる。 我々はHuman-in-the-loop(HITL)の概念の恩恵を受け、ラベリング手順を高速化する。 その結果,HITLによるラベル付け時間短縮率は51%であり,連続作業時間390時間以上節約できた。
• 参考スコア（独自算出の注目度）: 53.67409169790872
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning has remarkably advanced in the last few years, supported by large labeled data sets. These data sets are precious yet scarce because of the time-consuming labeling procedures, discouraging researchers from producing them. This scarcity is especially true in dentistry, where deep learning applications are still in an embryonic stage. Motivated by this background, we address in this study the construction of a public data set of dental panoramic radiographs. Our objects of interest are the teeth, which are segmented and numbered, as they are the primary targets for dentists when screening a panoramic radiograph. We benefited from the human-in-the-loop (HITL) concept to expedite the labeling procedure, using predictions from deep neural networks as provisional labels, later verified by human annotators. All the gathering and labeling procedures of this novel data set is thoroughly analyzed. The results were consistent and behaved as expected: At each HITL iteration, the model predictions improved. Our results demonstrated a 51% labeling time reduction using HITL, saving us more than 390 continuous working hours. In a novel online platform, called OdontoAI, created to work as task central for this novel data set, we released 4,000 images, from which 2,000 have their labels publicly available for model fitting. The labels of the other 2,000 images are private and used for model evaluation considering instance and semantic segmentation and numbering. To the best of our knowledge, this is the largest-scale publicly available data set for panoramic radiographs, and the OdontoAI is the first platform of its kind in dentistry.
• Abstract（参考訳）: ディープラーニングはここ数年で著しく進歩し、大きなラベル付きデータセットがサポートしている。 これらのデータセットは、時間を要するラベリング手順のため、貴重なものだが不足している。 この不足は、深層学習の応用がまだ胚期にある歯学において特に顕著である。 この背景から,本研究では歯科用パノラマX線画像の公開データセットの構築について述べる。 興味のある対象は、パノラマx線撮影の際、歯科医にとって主要な標的となる、分断され番号付けされた歯です。 深層ニューラルネットワークの予測を暫定ラベルとして使用し,後に人間の注釈者によって検証されたhtl(human-in-the-loop)概念の恩恵を受けた。 この新規データセットの収集およびラベリング手順はすべて、徹底的に分析される。 各HITLイテレーションでは、モデル予測が改善された。 その結果, HITLを用いたラベル付け時間は51%減少し, 390時間以上の連続作業時間を節約できた。 OdontoAIと呼ばれる新しいオンラインプラットフォームでは、この新しいデータセットのタスク中心として機能し、4000枚の画像を公開し、2000枚のラベルをモデルフィッティング用に公開しました。 他の2000枚の画像のラベルはプライベートであり、インスタンスとセマンティックセグメンテーションと番号付けを考慮したモデル評価に使用される。 我々の知る限り、このデータセットはパノラマX線撮影のための最も大規模な公開データセットであり、OdontoAIはその歯学における最初のプラットフォームである。

関連論文リスト

• Detection Transformer for Teeth Detection, Segmentation, and Numbering in Oral Rare Diseases: Focus on Data Augmentation and Inpainting Techniques [0.0]
  本研究は, 口腔レア疾患の文脈における深層学習画像処理に焦点を当てた。 稀な口腔疾患の個人から156個のパノラマX線写真を用いて,専門家のラベルを付けた。 我々は, 歯の検知, セグメンテーション, 52種類の計測のための検出トランスフォーマー (DETR) ニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2024-02-06T21:07:09Z)
• Diffusion Facial Forgery Detection [56.69763252655695]
  本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。 人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。 その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
  論文  参考訳（メタデータ） (2024-01-29T03:20:19Z)
• 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)
• DENTEX: An Abnormal Tooth Detection with Dental Enumeration and Diagnosis Benchmark for Panoramic X-rays [0.3355353735901314]
  パノラマX線チャレンジ(DENTEX)の歯科治療と診断は、2023年の医用画像コンピューティングとコンピュータ支援介入国際会議(MICCAI)と連携して進められている。 完全注釈付きデータに基づいて参加者アルゴリズムの評価結果を示す。 この注釈付きデータセットの提供は、この課題の結果と共に、歯科医療の分野でAIを活用したツールを作成するための基礎となるかもしれない。
  論文  参考訳（メタデータ） (2023-05-30T15:15:50Z)
• Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs [8.397847537464534]
  本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。 我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
  論文  参考訳（メタデータ） (2022-10-20T16:50:07Z)
• Teeth3DS+: An Extended Benchmark for Intraoral 3D Scans Analysis [7.546387289692397]
  本稿では,口腔内3Dスキャン解析の分野を推し進めるために設計された,最初の包括的公開ベンチマークであるTeeth3DS+を紹介する。 このデータセットには、900人の患者から採取された少なくとも1,800本の口腔内スキャン(23,999本の歯を含む)が含まれており、上顎と下顎の両方を別々にカバーしている。
  論文  参考訳（メタデータ） (2022-10-12T11:18:35Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• 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)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。