Fugu-MT 論文翻訳(概要): CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images

論文の概要: CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images

arxiv url: http://arxiv.org/abs/2206.08778v1
Date: Fri, 17 Jun 2022 13:48:35 GMT
ステータス: 処理完了
システム内更新日: 2022-06-20 13:02:40.334267
Title: CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images
Title（参考訳）: ctooth:完全注釈付き3dデータセットとコーンビームct画像における歯の体積分割ベンチマーク
Authors: Weiwei Cui, Yaqi Wang, Qianni Zhang, Huiyu Zhou, Dan Song, Xingyong Zuo, Gangyong Jia, Liaoyuan Zeng
Abstract要約: 3次元歯のセグメンテーションはコンピュータ支援型歯科診断と治療の前提条件である。深層学習に基づくセグメンテーション手法は説得力のある結果をもたらすが、訓練には大量の基礎的真理を必要とする。そこで本研究では,歯金規格のCToothを完全注釈付きコーンビームで計算した。
参考スコア（独自算出の注目度）: 19.79983193894742
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: 3D tooth segmentation is a prerequisite for computer-aided dental diagnosis and treatment. However, segmenting all tooth regions manually is subjective and time-consuming. Recently, deep learning-based segmentation methods produce convincing results and reduce manual annotation efforts, but it requires a large quantity of ground truth for training. To our knowledge, there are few tooth data available for the 3D segmentation study. In this paper, we establish a fully annotated cone beam computed tomography dataset CTooth with tooth gold standard. This dataset contains 22 volumes (7363 slices) with fine tooth labels annotated by experienced radiographic interpreters. To ensure a relative even data sampling distribution, data variance is included in the CTooth including missing teeth and dental restoration. Several state-of-the-art segmentation methods are evaluated on this dataset. Afterwards, we further summarise and apply a series of 3D attention-based Unet variants for segmenting tooth volumes. This work provides a new benchmark for the tooth volume segmentation task. Experimental evidence proves that attention modules of the 3D UNet structure boost responses in tooth areas and inhibit the influence of background and noise. The best performance is achieved by 3D Unet with SKNet attention module, of 88.04 \% Dice and 78.71 \% IOU, respectively. The attention-based Unet framework outperforms other state-of-the-art methods on the CTooth dataset. The codebase and dataset are released.
Abstract（参考訳）: 3次元歯のセグメンテーションはコンピュータ支援型歯科診断と治療の前提条件である。しかし、すべての歯の領域を手動で分割することは主観的で時間を要する。近年,深層学習に基づくセグメンテーション手法によって説得力のある結果が得られ,手作業による注記作業が削減されている。我々の知る限り、3Dセグメンテーション研究に利用できる歯のデータはほとんどない。そこで本研究では,歯金規格のCToothを完全注釈付きコーンビームで計算した。このデータセットは、経験豊富な放射線インタプリタによって注釈された細かい歯のラベルを含む22巻(7363スライス)を含んでいる。相対的なデータサンプリング分布を確保するために、歯の欠損や歯の修復を含むCToothにデータ分散を含む。このデータセットでは,いくつかの最先端セグメンテーション手法が評価されている。その後, 歯の容積を分割するために, 3次元注意に基づくUnetの変種を更に要約し, 適用する。この研究は、歯の体積分割タスクの新しいベンチマークを提供する。実験的証拠は、3D UNet構造の注意モジュールが歯の部位の反応を高め、背景と騒音の影響を抑制することを証明している。最高のパフォーマンスは、SKNetアテンションモジュールを持つ3D Unetで、それぞれ88.04 \% Diceと78.71 \% IOUである。注意ベースのUnetフレームワークは、CToothデータセット上の他の最先端メソッドよりも優れています。コードベースとデータセットがリリースされる。

関連論文リスト

Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文参考訳（メタデータ） (2024-09-12T14:54:31Z)
A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-15T04:23:28Z)
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)
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)
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)
CTooth+: A Large-scale Dental Cone Beam Computed Tomography Dataset and Benchmark for Tooth Volume Segmentation [21.474631912695315]
深層学習に基づく歯のセグメンテーション法は, 満足度は高いが, 基礎的真実を伴う大量の歯データが必要である。完全注釈付き22巻とラベルなし146巻の3D歯科用CBCTデータセットCTooth+を構築した。この研究は、歯容積分画タスクのための新しいベンチマークを提供し、この実験は、将来のAIベースの歯科画像研究と臨床応用のベースラインとして機能する。
論文参考訳（メタデータ） (2022-08-02T09:13:23Z)
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)
DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文参考訳（メタデータ） (2020-05-06T17:42:54Z)

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。