論文の概要: Semantic decomposition Network with Contrastive and Structural
Constraints for Dental Plaque Segmentation
- arxiv url: http://arxiv.org/abs/2208.06283v1
- Date: Fri, 12 Aug 2022 14:10:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-15 12:54:21.992845
- Title: Semantic decomposition Network with Contrastive and Structural
Constraints for Dental Plaque Segmentation
- Title（参考訳）: 歯科プラークセグメンテーションのためのコントラスト・構造制約付き意味分解ネットワーク
- Authors: Jian Shi, Baoli Sun, Xinchen Ye, Zhihui Wang, Xiaolong Luo, Jin Liu,
Heli Gao, Haojie Li
- Abstract要約: デンタルプラークのセグメンテーションは、セマンティックブルーの領域で歯とデンタルプラークを識別する必要がある課題である。
本稿では, 歯と歯冠のセグメンテーションに対処するため, 2つの単一タスク枝を導入した意味分解ネットワーク(SDNet)を提案する。
- 参考スコア（独自算出の注目度）: 33.40662847763453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmenting dental plaque from images of medical reagent staining provides
valuable information for diagnosis and the determination of follow-up treatment
plan. However, accurate dental plaque segmentation is a challenging task that
requires identifying teeth and dental plaque subjected to semantic-blur regions
(i.e., confused boundaries in border regions between teeth and dental plaque)
and complex variations of instance shapes, which are not fully addressed by
existing methods. Therefore, we propose a semantic decomposition network
(SDNet) that introduces two single-task branches to separately address the
segmentation of teeth and dental plaque and designs additional constraints to
learn category-specific features for each branch, thus facilitating the
semantic decomposition and improving the performance of dental plaque
segmentation. Specifically, SDNet learns two separate segmentation branches for
teeth and dental plaque in a divide-and-conquer manner to decouple the
entangled relation between them. Each branch that specifies a category tends to
yield accurate segmentation. To help these two branches better focus on
category-specific features, two constraint modules are further proposed: 1)
contrastive constraint module (CCM) to learn discriminative feature
representations by maximizing the distance between different category
representations, so as to reduce the negative impact of semantic-blur regions
on feature extraction; 2) structural constraint module (SCM) to provide
complete structural information for dental plaque of various shapes by the
supervision of an boundary-aware geometric constraint. Besides, we construct a
large-scale open-source Stained Dental Plaque Segmentation dataset (SDPSeg),
which provides high-quality annotations for teeth and dental plaque.
Experimental results on SDPSeg datasets show SDNet achieves state-of-the-art
performance.
- Abstract（参考訳）: 医用試薬染色画像からの歯科プラークの分離は, 診断および追跡治療計画の決定に有用な情報を提供する。
しかし, 歯科用プラークの正確なセグメンテーションは, 意味的青斑領域(つまり, 歯と歯のプラークの境界領域が混在している)と, 既存の方法では十分に対処できない複雑な形状の複雑なバリエーションが要求される課題である。
そこで,本研究では,2つの単一タスク分岐を導入し,各枝のカテゴリ固有の特徴を学習するための追加制約を設計し,意味分解を容易にし,歯科プラークのセグメンテーションの性能を向上させる意味分解ネットワーク(SDNet)を提案する。
特に、sdnetは、歯と歯のプラークの2つの分離分枝を分割して学習し、それらの間の絡み合った関係を分離する。
カテゴリを指定する各ブランチは、正確なセグメンテーションをもたらす傾向がある。
これら2つのブランチがカテゴリ固有の機能にもっと焦点を合わせるのを助けるために、さらに2つの制約モジュールが提案されている。
1) 識別的特徴表現を学習するためのコントラスト制約モジュール(CCM)は,異なるカテゴリ表現間の距離を最大化することにより,特徴抽出に対する意味的ブルー領域の負の影響を低減する。
2) 構造制約モジュール (SCM) は, 境界を意識した幾何学的制約の監督により, 各種形状の歯科用プラークの完全な構造情報を提供する。
さらに, 歯科用プラークや歯科用プラークの高品質なアノテーションを提供するSDPSeg(Stained Dental Plaque Segmentation dataset)を構築した。
SDPSegデータセットの実験結果はSDNetが最先端のパフォーマンスを達成することを示している。
関連論文リスト
- Boundary feature fusion network for tooth image segmentation [7.554733074482215]
本稿では, 歯と隣接組織の境界が不明瞭である問題に対処するために, 境界情報を統合した斬新な歯のセグメンテーションネットワークを提案する。
最新のSTSデータチャレンジでは、我々の方法論が厳格にテストされ、合計スコアは0.91だった。
論文 参考訳（メタデータ） (2024-09-06T02:12:21Z) - Teeth-SEG: An Efficient Instance Segmentation Framework for Orthodontic Treatment based on Anthropic Prior Knowledge [8.87268139736394]
本稿では,階層化されたマルチスケールアグリゲーション(MSA)ブロックと,人為的優先知識(APK)レイヤから構成されるTeethSEGというViTベースのフレームワークを提案する。
これらの問題に対処するために,階層化マルチスケールアグリゲーション(MSA)ブロックと人為的優先知識(APK)レイヤからなる,TeethSEGというViTベースのフレームワークを提案する。
IO150Kを用いた実験により, 歯質SEGは, 歯科画像のセグメンテーションにおける最先端のセグメンテーションモデル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） (2024-04-01T09:34:51Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - FDNet: Feature Decoupled Segmentation Network for Tooth CBCT Image [5.455286826028825]
本稿では,CBCTスキャンで遭遇する歯質変化状況に優れた特徴デカップリングネットワークであるFDNetを提案する。
フレームワークの有効性は厳格なベンチマークによって検証され、それぞれ85.28%と75.23%のDiceとIoUのスコアを達成している。
論文 参考訳（メタデータ） (2023-11-11T12:00:24Z) - 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) - 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) - 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) - 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。