Fugu-MT 論文翻訳(概要): Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs

論文の概要: Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs

arxiv url: http://arxiv.org/abs/2210.11404v1
Date: Thu, 20 Oct 2022 16:50:07 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 15:18:20.236898
Title: Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs
Title（参考訳）: 歯科用パノラマx線写真におけるマスキング画像モデルを用いた自己教師あり学習
Authors: Amani Almalki and Longin Jan Latecki
Abstract要約: 本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
参考スコア（独自算出の注目度）: 8.397847537464534
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The computer-assisted radiologic informative report is currently emerging in dental practice to facilitate dental care and reduce time consumption in manual panoramic radiographic interpretation. However, the amount of dental radiographs for training is very limited, particularly from the point of view of deep learning. This study aims to utilize recent self-supervised learning methods like SimMIM and UM-MAE to increase the model efficiency and understanding of the limited number of dental radiographs. We use the Swin Transformer for teeth numbering, detection of dental restorations, and instance segmentation tasks. To the best of our knowledge, this is the first study that applied self-supervised learning methods to Swin Transformer on dental panoramic radiographs. Our results show that the SimMIM method obtained the highest performance of 90.4% and 88.9% on detecting teeth and dental restorations and instance segmentation, respectively, increasing the average precision by 13.4 and 12.8 over the random initialization baseline. Moreover, we augment and correct the existing dataset of panoramic radiographs. The code and the dataset are available at https://github.com/AmaniHAlmalki/DentalMIM.
Abstract（参考訳）: コンピュータ支援放射線情報報告は, 歯科治療の促進と手指パノラマx線撮影における時間消費の低減を目的として現在, 歯科診療で行われている。しかし,特に深層学習の観点からは,歯のx線撮影の量は非常に限られている。本研究は,SimMIM や UM-MAE などの近年の自己教師型学習手法を用いて,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることを目的とする。我々は,スウィントランスフォーマーを用いて,歯数,歯列修復の検出,症例分割作業を行う。我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。以上の結果から, simmim法は, 歯列, 歯列, 歯列切片の検出において, 最大90.4%, 88.9%の成績を示し, ランダム初期化ベースラインに対して, 平均精度が13.4, 12.8に向上した。さらに,既存のパノラマラジオグラフのデータセットを拡張・修正する。コードとデータセットはhttps://github.com/AmaniHAlmalki/DentalMIMで公開されている。

関連論文リスト

Detection Transformer for Teeth Detection, Segmentation, and Numbering in Oral Rare Diseases: Focus on Data Augmentation and Inpainting Techniques [0.0]
本研究は, 口腔レア疾患の文脈における深層学習画像処理に焦点を当てた。稀な口腔疾患の個人から156個のパノラマX線写真を用いて,専門家のラベルを付けた。我々は, 歯の検知, セグメンテーション, 52種類の計測のための検出トランスフォーマー (DETR) ニューラルネットワークを訓練した。
論文参考訳（メタデータ） (2024-02-06T21:07:09Z)
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)
Enhanced Masked Image Modeling for Analysis of Dental Panoramic Radiographs [8.397847537464534]
本研究では,マスク型画像モデリング(SimMIM)変換器上での自己拡張型自己教師学習を提案する。マスクされたパッチの予測損失に加えて、SD-SimMIMは可視パッチの自己蒸留損失を計算する。 SD-SimMIMを歯科用パノラマX線に応用し, 歯の修復, 矯正器具の検出, 症例分割作業を行った。
論文参考訳（メタデータ） (2023-06-18T19:20:38Z)
Construction of unbiased dental template and parametric dental model for precision digital dentistry [46.459289444783956]
CBCT画像から正確な歯科用アトラスを作製し, 歯のセグメンテーションを誘導するアンバイアスド歯科用テンプレートを開発した。実際の被写体のCBCT画像159枚を収集して施工する。
論文参考訳（メタデータ） (2023-04-07T09:39:03Z)
RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文参考訳（メタデータ） (2022-11-01T07:41:03Z)
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)
Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。ネットワーク精度の面では、モデルは約98%に達した。
論文参考訳（メタデータ） (2022-04-22T08:17:20Z)
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)
Developing a Novel Approach for Periapical Dental Radiographs Segmentation [1.332560004325655]
提案するアルゴリズムは2段階で構成され,第1段階は前処理である。このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
論文参考訳（メタデータ） (2021-11-13T17:25:35Z)
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)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。