論文の概要: Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets and Morphological Processing

• arxiv url: http://arxiv.org/abs/2204.00095v1
• Date: Thu, 31 Mar 2022 21:11:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 13:46:31.716047
• Title: Tooth Instance Segmentation on Panoramic Dental Radiographs Using U-Nets and Morphological Processing
• Title（参考訳）: u-netsと形態学的処理を用いたパノラマ歯科x線写真における歯列分割
• Authors: Selahattin Serdar Helli, Andac Hamamci
• Abstract要約: 画像内のオブジェクトが分離されたセグメンテーションマップを得るための後処理ステージを提案する。 提案したポストプロセッシング段階により, 歯数の平均誤差は6.15%, ポストプロセッシングのない誤差は26.81%に減少した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automatic teeth segmentation in panoramic x-ray images is an important research subject of the image analysis in dentistry. In this study, we propose a post-processing stage to obtain a segmentation map in which the objects in the image are separated, and apply this technique to tooth instance segmentation with U-Net network. The post-processing consists of grayscale morphological and filtering operations, which are applied to the sigmoid output of the network before binarization. A dice overlap score of 95.4 - 0.3% is obtained in overall teeth segmentation. The proposed post-processing stages reduce the mean error of tooth count to 6.15%, whereas the error without post-processing is 26.81%. The performances of both segmentation and tooth counting are the highest in the literature, to our knowledge. Moreover, this is achieved by using a relatively small training dataset, which consists of 105 images. Although the aim in this study is to segment tooth instances, the presented method is applicable to similar problems in other domains, such as separating the cell instances
• Abstract（参考訳）: パノラマX線画像における自動歯のセグメンテーションは,歯学における画像解析の重要課題である。 本研究では,画像内のオブジェクトを分離したセグメンテーションマップを得るための後処理ステージを提案し,u-netネットワークを用いた歯のインスタンスセグメンテーションに適用する。 後処理は、二項化前のネットワークのシグモノイド出力に適用されるグレースケールのモルフォロジーおよびフィルタリング操作からなる。 ダイスオーバーラップスコア95.4〜0.3%は、全体の歯のセグメンテーションにおいて得られる。 提案したポストプロセッシング段階により, 歯数の平均誤差は6.15%, ポストプロセッシングのない誤差は26.81%に減少した。 私たちの知識では、セグメンテーションと歯の数え上げの両方のパフォーマンスが文学で最も高い。 さらに、これは105の画像からなる比較的小さなトレーニングデータセットを使用することで達成される。 本研究の目的は, 歯のインスタンスを分割することであるが, 細胞インスタンスの分離など他の領域の同様の問題にも適用可能である。

関連論文リスト

• Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning [1.6385815610837167]
  そこで本研究では,手動アノテーションの必要性を低減するために,歯のセグメンテーションに対する弱教師付きアプローチを提案する。 本手法は,キーポイント検出ネットワークからの出力ヒートマップと中間特徴マップを用いて,セグメント化プロセスの導出を行う。 本手法は, 実際の歯科応用において, 歯のセグメンテーションに費用対効果, 効率のよいソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-13T15:25:55Z)
• Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images [8.041659727964305]
  本研究では,スイニングトランスフォーマーとTABを用いたM-Net様構造を取り入れた新しい歯のセグメンテーションモデルを提案する。 提案したTABは、歯の複雑な構造に特化するユニークな注意機構を利用する。 提案アーキテクチャは,各歯とその周辺構造を正確に定義し,局所的およびグローバルな文脈情報を効果的に取得する。
  論文  参考訳（メタデータ） (2023-11-07T06:20:34Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Simultaneous Bone and Shadow Segmentation Network using Task Correspondence Consistency [60.378180265885945]
  骨と影の同時分割のための共有トランスフォーマベースエンコーダとタスク独立デコーダを備えた単一エンドツーエンドネットワークを提案する。 また,骨表面とそれに対応する影の相互依存性を利用してセグメンテーションを改良する対応整合損失も導入する。
  論文  参考訳（メタデータ） (2022-06-16T22:37:05Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• 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)
• Developing a Novel Approach for Periapical Dental Radiographs Segmentation [1.332560004325655]
  提案するアルゴリズムは2段階で構成され,第1段階は前処理である。 このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。 実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-11-13T17:25:35Z)
• 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)
• Tooth Instance Segmentation from Cone-Beam CT Images through Point-based Detection and Gaussian Disentanglement [5.937871999460492]
  本稿では,ガウス的不整形目的関数に基づいて個々の歯をアンタングルする点ベース歯像定位ネットワークを提案する。 実験結果から,提案アルゴリズムは検出精度を9.1%向上させることにより,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-02-02T05:15:50Z)
• 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。