論文の概要: Teeth3DS+: An Extended Benchmark for Intraoral 3D Scans Analysis

• arxiv url: http://arxiv.org/abs/2210.06094v2
• Date: Mon, 11 Nov 2024 19:35:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:17:10.876714
• Title: Teeth3DS+: An Extended Benchmark for Intraoral 3D Scans Analysis
• Title（参考訳）: Teeth3DS+: 口腔内3Dスキャン解析のための拡張ベンチマーク
• Authors: Achraf Ben-Hamadou, Nour Neifar, Ahmed Rekik, Oussama Smaoui, Firas Bouzguenda, Sergi Pujades, Edmond Boyer, Edouard Ladroit,
• Abstract要約: 本稿では,口腔内3Dスキャン解析の分野を推し進めるために設計された,最初の包括的公開ベンチマークであるTeeth3DS+を紹介する。 このデータセットには、900人の患者から採取された少なくとも1,800本の口腔内スキャン(23,999本の歯を含む)が含まれており、上顎と下顎の両方を別々にカバーしている。
• 参考スコア（独自算出の注目度）: 7.546387289692397
• License:
• Abstract: Intraoral 3D scans analysis is a fundamental aspect of Computer-Aided Dentistry (CAD) systems, playing a crucial role in various dental applications, including teeth segmentation, detection, labeling, and dental landmark identification. Accurate analysis of 3D dental scans is essential for orthodontic and prosthetic treatment planning, as it enables automated processing and reduces the need for manual adjustments by dental professionals. However, developing robust automated tools for these tasks remains a significant challenge due to the limited availability of high-quality public datasets and benchmarks. This article introduces Teeth3DS+, the first comprehensive public benchmark designed to advance the field of intraoral 3D scan analysis. Developed as part of the 3DTeethSeg 2022 and 3DTeethLand 2024 MICCAI challenges, Teeth3DS+ aims to drive research in teeth identification, segmentation, labeling, 3D modeling, and dental landmarks identification. The dataset includes at least 1,800 intraoral scans (containing 23,999 annotated teeth) collected from 900 patients, covering both upper and lower jaws separately. All data have been acquired and validated by experienced orthodontists and dental surgeons with over five years of expertise. Detailed instructions for accessing the dataset are available at https://crns-smartvision.github.io/teeth3ds
• Abstract（参考訳）: 口腔内3Dスキャン分析は、コンピュータ支援歯科医療(CAD)システムの基本的側面であり、歯のセグメンテーション、検出、ラベル付け、歯のランドマーク識別など、様々な歯科応用において重要な役割を担っている。 3次元歯科スキャンの正確な解析は, 歯科医師による手動調整の必要性を軽減し, 自動処理を可能にするため, 矯正補綴および補綴治療計画に不可欠である。 しかしながら、これらのタスクのための堅牢な自動化ツールの開発は、高品質な公開データセットとベンチマークが不足しているため、依然として大きな課題である。 本稿では,口腔内3Dスキャン解析の分野を推し進めるために設計された,最初の包括的公開ベンチマークであるTeeth3DS+を紹介する。 Teeth3DS+は、3DTeethSeg 2022と3DTeethLand 2024 MICCAIの課題の一部として開発された。 このデータセットには、900人の患者から採取された少なくとも1,800個の口腔内スキャン(23,999本の歯を含む)が含まれており、上顎と下顎の両方を別々にカバーしている。 すべてのデータは経験豊富な矯正医と歯科医によって5年以上の専門知識で取得され、検証されている。 データセットにアクセスするための詳細な命令はhttps://crns-smartvision.github.io/teeth3dsで確認できる。

関連論文リスト

• STS MICCAI 2023 Challenge: Grand challenge on 2D and 3D semi-supervised tooth segmentation [33.341833229434435]
  MICCAI 2023 Challenge on the Alibaba Tianchi Platformの一部として、Semi-supervised Teeth (STS) Challengeが開催された。 この課題は, 歯学の分野を前進させるために, 効果的な半教師付き歯のセグメンテーションアルゴリズムを検討することである。 2次元パノラマX線像と3次元CBCT歯量を含む2つのモダリティを提供する。
  論文  参考訳（メタデータ） (2024-07-18T08:00:08Z)
• TeethDreamer: 3D Teeth Reconstruction from Five Intra-oral Photographs [45.0864129371874]
  そこで我々は,上下顎歯の形状と位置を復元する3次元再構築フレームワークTeethDreamerを提案する。 口腔内5枚の写真から,まず大きな拡散モデルの事前知識を活用して,新しい多視点画像を生成する。 生成したビュー間の3D整合性を確保するために,逆拡散プロセスに3D対応機能アテンション機構を統合する。
  論文  参考訳（メタデータ） (2024-07-16T06:24:32Z)
• 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)
• 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)
• 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge [18.46601146994235]
  3DTeethSeg'22チャレンジは、2022年のMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で実施された。 900人の患者から1800件のスキャンを行ったデータセットを作成し, それぞれの歯にヒトと機械のハイブリッドアルゴリズムを用いて個別にアノテートした。 本研究では,3DTeethSeg'22チャレンジの評価結果について述べる。
  論文  参考訳（メタデータ） (2023-05-29T17:49:58Z)
• 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)
• OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs [53.67409169790872]
  本研究では, 歯科用パノラマX線画像の公開データセットの構築について述べる。 我々はHuman-in-the-loop(HITL)の概念の恩恵を受け、ラベリング手順を高速化する。 その結果,HITLによるラベル付け時間短縮率は51%であり,連続作業時間390時間以上節約できた。
  論文  参考訳（メタデータ） (2022-03-29T18:57:23Z)
• 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)

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。