論文の概要: Automatic Tooth Segmentation from 3D Dental Model using Deep Learning: A
Quantitative Analysis of what can be learnt from a Single 3D Dental Model
- arxiv url: http://arxiv.org/abs/2209.08132v1
- Date: Fri, 16 Sep 2022 19:03:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 17:55:06.175791
- Title: Automatic Tooth Segmentation from 3D Dental Model using Deep Learning: A
Quantitative Analysis of what can be learnt from a Single 3D Dental Model
- Title（参考訳）: ディープラーニングを用いた3次元歯科模型からの歯の切片自動生成 : 単一3次元歯科モデルから学ぶことができることの定量的解析
- Authors: Ananya Jana, Hrebesh Molly Subhash, Dimitris Metaxas
- Abstract要約: 単一の3次元口腔内スキャンから,代表情報をどの程度学習できるかを評価する。
単一の3次元口腔内スキャントレーニングでは、Diceスコアは0.86と高いが、完全なトレーニングセットではDiceスコアが0.94であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D tooth segmentation is an important task for digital orthodontics. Several
Deep Learning methods have been proposed for automatic tooth segmentation from
3D dental models or intraoral scans. These methods require annotated 3D
intraoral scans. Manually annotating 3D intraoral scans is a laborious task.
One approach is to devise self-supervision methods to reduce the manual
labeling effort. Compared to other types of point cloud data like scene point
cloud or shape point cloud data, 3D tooth point cloud data has a very regular
structure and a strong shape prior. We look at how much representative
information can be learnt from a single 3D intraoral scan. We evaluate this
quantitatively with the help of ten different methods of which six are generic
point cloud segmentation methods whereas the other four are tooth segmentation
specific methods. Surprisingly, we find that with a single 3D intraoral scan
training, the Dice score can be as high as 0.86 whereas the full training set
gives Dice score of 0.94. We conclude that the segmentation methods can learn a
great deal of information from a single 3D tooth point cloud scan under
suitable conditions e.g. data augmentation. We are the first to quantitatively
evaluate and demonstrate the representation learning capability of Deep
Learning methods from a single 3D intraoral scan. This can enable building
self-supervision methods for tooth segmentation under extreme data limitation
scenario by leveraging the available data to the fullest possible extent.
- Abstract（参考訳）: 3次元歯のセグメンテーションはデジタル矯正にとって重要な課題である。
3次元歯科モデルや口腔内スキャンから自動的に歯のセグメンテーションを行うためのDeep Learning法が提案されている。
これらの方法は3次元口腔内スキャンを必要とする。
手動で3次元口腔内スキャンを行うのは面倒な作業だ。
1つのアプローチは、手動ラベリングの労力を減らすための自己監督手法を考案することである。
シーンポイントクラウドやシェープポイントクラウドデータといった他のタイプのポイントクラウドデータと比較すると、3d歯点クラウドデータは、非常に規則的な構造と強い形状を持つ。
単一の3次元口腔内スキャンから,どの程度の情報を学習できるかを検討する。
そこで本研究では,6つが汎用的ポイントクラウドセグメンテーション法であり,他の4つが歯のセグメンテーション特定法である10種類の異なる方法を用いて定量的に評価した。
驚くべきことに、単一の3次元口腔内スキャントレーニングでは、Diceスコアは0.86まで、完全なトレーニングセットではDiceスコアは0.94までとなる。
その結果, セグメンテーション手法は, 適切な条件下において, 単一の3d歯点クラウドスキャンから大量の情報を学習できることがわかった。
我々は,1つの3次元口腔内スキャンから深層学習手法の表現学習能力を定量的に評価し,実証した。
これにより、利用可能なデータを最大限に活用することで、極端なデータ制限シナリオの下で歯のセグメンテーションのためのセルフスーパービジョンの方法を構築することができる。
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) - 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) - U3DS$^3$: Unsupervised 3D Semantic Scene Segmentation [19.706172244951116]
本稿では,U3DS$3$について,総合的な3Dシーンに対して,完全に教師なしのポイントクラウドセグメンテーションに向けたステップとして提示する。
提案手法の最初のステップは,各シーンの幾何学的特徴に基づいてスーパーポイントを生成することである。
次に、空間クラスタリングに基づく手法を用いて学習プロセスを行い、次いで、クラスタセントロイドに応じて生成された擬似ラベルを用いて反復的なトレーニングを行う。
論文 参考訳（メタデータ） (2023-11-10T12:05:35Z) - Weakly Supervised 3D Open-vocabulary Segmentation [104.07740741126119]
学習済み基礎モデルCLIPとDINOを弱教師付きで活用することで,3次元オープン語彙セグメンテーションの課題に取り組む。
我々はCLIPとDINOのオープン語彙多様知識とオブジェクト推論能力をニューラルラディアンス場(NeRF)に蒸留する。
提案手法の特筆すべき点は,基礎モデルや蒸留プロセスに手動セグメンテーションアノテーションを必要としない点である。
論文 参考訳（メタデータ） (2023-05-23T14:16:49Z) - A Critical Analysis of the Limitation of Deep Learning based 3D Dental
Mesh Segmentation Methods in Segmenting Partial Scans [44.44628400981646]
口腔内スキャンによる歯のセグメンテーションは, 歯科医療において重要な要素である。
この課題に対して,多くのDeep Learningベースの歯のセグメンテーションアルゴリズムが開発されている。
ほとんどの場合、高い精度が達成されているが、利用可能な歯のセグメンテーション技術のほとんどは、完全な顎モデルの暗黙の制限的な仮定をしている。
論文 参考訳（メタデータ） (2023-04-29T11:58:23Z) - 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) - 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) - 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) - PointContrast: Unsupervised Pre-training for 3D Point Cloud
Understanding [107.02479689909164]
本研究では,3次元表現学習の研究を支援することを目的とする。
教師なし事前学習が3Dシーンの大規模なソースセットに与える影響を計測する。
論文 参考訳（メタデータ） (2020-07-21T17:59:22Z) - D3Feat: Joint Learning of Dense Detection and Description of 3D Local
Features [51.04841465193678]
私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。
本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。
本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
論文 参考訳（メタデータ） (2020-03-06T12:51:09Z)
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。