Fugu-MT 論文翻訳(概要): DArch: Dental Arch Prior-assisted 3D Tooth Instance Segmentation

論文の概要: DArch: Dental Arch Prior-assisted 3D Tooth Instance Segmentation

arxiv url: http://arxiv.org/abs/2204.11911v1
Date: Mon, 25 Apr 2022 18:30:01 GMT
ステータス: 処理完了
システム内更新日: 2022-04-28 04:10:08.711077
Title: DArch: Dental Arch Prior-assisted 3D Tooth Instance Segmentation
Title（参考訳）: DArch: 歯科用アーチを用いた3次元歯列分割
Authors: Liangdong Qiu, Chongjie Ye, Pei Chen, Yunbi Liu, Xiaoguang Han, Shuguang Cui
Abstract要約: 歯科用アーチを用いた3次元歯列分割法,すなわちDArchについて述べる。我々のDArchは2つの段階から構成されており、歯のセントロイド検出と歯のインスタンスのセグメンテーションを含む。歯科モデル4,773ドルの実験結果から、DArchは歯科モデルの各歯を正確に分割できることがわかった。
参考スコア（独自算出の注目度）: 42.246505056039894
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic tooth instance segmentation on 3D dental models is a fundamental task for computer-aided orthodontic treatments. Existing learning-based methods rely heavily on expensive point-wise annotations. To alleviate this problem, we are the first to explore a low-cost annotation way for 3D tooth instance segmentation, i.e., labeling all tooth centroids and only a few teeth for each dental model. Regarding the challenge when only weak annotation is provided, we present a dental arch prior-assisted 3D tooth segmentation method, namely DArch. Our DArch consists of two stages, including tooth centroid detection and tooth instance segmentation. Accurately detecting the tooth centroids can help locate the individual tooth, thus benefiting the segmentation. Thus, our DArch proposes to leverage the dental arch prior to assist the detection. Specifically, we firstly propose a coarse-to-fine method to estimate the dental arch, in which the dental arch is initially generated by Bezier curve regression, and then a graph-based convolutional network (GCN) is trained to refine it. With the estimated dental arch, we then propose a novel Arch-aware Point Sampling (APS) method to assist the tooth centroid proposal generation. Meantime, a segmentor is independently trained using a patch-based training strategy, aiming to segment a tooth instance from a 3D patch centered at the tooth centroid. Experimental results on $4,773$ dental models have shown our DArch can accurately segment each tooth of a dental model, and its performance is superior to the state-of-the-art methods.
Abstract（参考訳）: 3次元歯科モデルにおける自動歯列分割は, コンピュータ補綴治療の基本課題である。既存の学習ベースの手法は、高価なポイントワイズアノテーションに大きく依存している。この問題を緩和するために,我々は3d歯列分割のための低コストなアノテーション方法,すなわち歯の遠心部と数本の歯のみを歯モデルごとにラベル付けする方法を初めて検討した。弱アノテーションのみを提供する場合の課題について,DArchという歯科用アーチを用いた3次元歯列分割法を提案する。私たちのdarchは、歯の遠心検出と歯のインスタンスのセグメンテーションの2段階からなる。歯の遠心部の正確な検出は、個々の歯の発見に役立ち、セグメンテーションの恩恵を受ける。そこでDArchは,検出に先立って歯科用アーチを活用することを提案する。具体的には,まず,ベジエ曲線の回帰によって歯列が生成され,その後にグラフベースの畳み込みネットワーク (GCN) を訓練して改良する歯列列推定法を提案する。そこで本研究では, 推定した歯列を用いて, 歯の遠心プロポーザル生成を支援する新しいアーチアウェアポイントサンプリング(aps)法を提案する。一方、セグメンタはパッチベースのトレーニング戦略を使用して独立に訓練され、歯のインスタンスを歯のセントロイドを中心とした3dパッチからセグメント化することを目的としている。 4,773ドルの歯科モデルの実験結果から,darchは歯モデルの歯を精密に切り分けることができ,その性能は最先端の方法よりも優れていることがわかった。

関連論文リスト

Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective [10.293207903989053]
既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
論文参考訳（メタデータ） (2024-09-18T12:52:54Z)
3D Structure-guided Network for Tooth Alignment in 2D Photograph [47.51314162367702]
矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
論文参考訳（メタデータ） (2023-10-17T09:44:30Z)
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)
Semi-supervised segmentation of tooth from 3D Scanned Dental Arches [5.985943912419412]
歯のセグメンテーションは歯の修復において重要なトピックであり、歯冠形成、診断、治療計画に不可欠である。本稿では,3次元アーチのセグメンテーションにおいて,スペクトルクラスタリングをニューラルネットワークの自己超越信号として用いることを提案する。実験の結果,半教師付き学習では,完全に教師付き状態のMeshSegNetよりも改善が見られた。
論文参考訳（メタデータ） (2022-08-10T19:56:47Z)
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)
Dense Representative Tooth Landmark/axis Detection Network on 3D Model [32.81858923141152]
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。
論文参考訳（メタデータ） (2021-11-08T00:42:22Z)
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。