論文の概要: Semi-supervised segmentation of tooth from 3D Scanned Dental Arches
- arxiv url: http://arxiv.org/abs/2208.05539v1
- Date: Wed, 10 Aug 2022 19:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-12 13:02:26.769099
- Title: Semi-supervised segmentation of tooth from 3D Scanned Dental Arches
- Title(参考訳): 3次元走査型歯科アーチからの半教師付き歯のセグメンテーション
- Authors: Ammar Alsheghri, Farnoosh Ghadiri, Ying Zhang, Olivier Lessard, Julia
Keren, Farida Cheriet, Francois Guibault
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.985943912419412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Teeth segmentation is an important topic in dental restorations that is
essential for crown generation, diagnosis, and treatment planning. In the
dental field, the variability of input data is high and there are no publicly
available 3D dental arch datasets. Although there has been improvement in the
field provided by recent deep learning architectures on 3D data, there still
exists some problems such as properly identifying missing teeth in an arch. We
propose to use spectral clustering as a self-supervisory signal to joint-train
neural networks for segmentation of 3D arches. Our approach is motivated by the
observation that K-means clustering provides cues to capture margin lines
related to human perception. The main idea is to automatically generate
training data by decomposing unlabeled 3D arches into segments relying solely
on geometric information. The network is then trained using a joint loss that
combines a supervised loss of annotated input and a self-supervised loss of
non-labeled input. Our collected data has a variety of arches including arches
with missing teeth. Our experimental results show improvement over the fully
supervised state-of-the-art MeshSegNet when using semi-supervised learning.
Finally, we contribute code and a dataset.
- Abstract(参考訳): 歯の分節は歯冠の生成、診断、治療計画に不可欠な歯の修復において重要なテーマである。
歯科領域では,入力データの変動性が高く,一般利用可能な3d歯列データセットは存在しない。
近年の3次元データにおける深層学習アーキテクチャの分野では改善が進んでいるが、アーチの欠損歯を適切に識別するといった問題も残っている。
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。
我々のアプローチは、K平均クラスタリングが人間の知覚に関連する限界線を捉える手がかりを提供するという観察に動機づけられている。
主なアイデアは、ラベルのない3dアーチを幾何学情報のみに依存するセグメントに分割することで、トレーニングデータを自動的に生成することだ。
ネットワークは、注釈付き入力の教師付き損失とラベルなし入力の自己監督型損失を組み合わせた共同損失を用いて訓練される。
収集したデータには、歯のないアーチを含むさまざまなアーチがあります。
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。
最後に、コードとデータセットをコントリビュートします。
関連論文リスト
- Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳(メタデータ) (2024-01-11T19:07:58Z) - 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) - Learning 3D Human Pose Estimation from Dozens of Datasets using a
Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。
このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
論文 参考訳(メタデータ) (2022-12-29T22:22:49Z) - TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided
Transformer [37.47317212620463]
光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。
従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。
大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-10-29T15:20:54Z) - CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume
Segmentation on Cone Beam Computed Tomography Images [19.79983193894742]
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。
論文 参考訳(メタデータ) (2022-06-17T13:48:35Z) - DArch: Dental Arch Prior-assisted 3D Tooth Instance Segmentation [42.246505056039894]
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。
論文 参考訳(メタデータ) (2022-04-25T18:30:01Z) - 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) - 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) - 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。