論文の概要: ImplantFormer: Vision Transformer based Implant Position Regression
Using Dental CBCT Data
- arxiv url: http://arxiv.org/abs/2210.16467v1
- Date: Sat, 29 Oct 2022 02:31:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 17:28:30.108913
- Title: ImplantFormer: Vision Transformer based Implant Position Regression
Using Dental CBCT Data
- Title(参考訳): 歯科用CBCTデータを用いた視覚変換器を用いたインプラント位置回帰
- Authors: Xinquan Yang and Xuguang Li and Xuechen Li and Peixi Wu and Linlin
Shen and Xin Li and Yongqiang Deng
- Abstract要約: 口腔CBCTデータに基づいてインプラント位置を自動予測するために, インプラント位置回帰ネットワーク, implantFormerを提案する。
我々の手法はグローバルな情報を表現し、最先端の検出器よりも優れた位置性能を実現することができる。
- 参考スコア(独自算出の注目度): 28.82499430317088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Implant prosthesis is the most optimum treatment of dentition defect or
dentition loss, which usually involves a surgical guide design process to
decide the position of implant. However, such design heavily relies on the
subjective experiences of dentist. To relieve this problem, in this paper, a
transformer based Implant Position Regression Network, ImplantFormer, is
proposed to automatically predict the implant position based on the oral CBCT
data. The 3D CBCT data is firstly transformed into a series of 2D transverse
plane slice views. ImplantFormer is then proposed to predict the position of
implant based on the 2D slices of crown images. Convolutional stem and decoder
are designed to coarsely extract image feature before the operation of patch
embedding and integrate multi-levels feature map for robust prediction. The
predictions of our network at tooth crown area are finally projected back to
the positions at tooth root. As both long-range relationship and local features
are involved, our approach can better represent global information and achieves
better location performance than the state-of-the-art detectors. Experimental
results on a dataset of 128 patients, collected from Shenzhen University
General Hospital, show that our ImplantFormer achieves superior performance
than benchmarks.
- Abstract(参考訳): インプラント補綴は歯列欠損または歯列喪失の最も最適な治療であり、通常インプラントの位置を決定するための外科的ガイド設計プロセスを必要とする。
しかし、そのようなデザインは歯科医の主観的な経験に大きく依存している。
そこで本研究では, トランスフォーマーを用いたインプラント位置回帰ネットワークであるインプラントフォーマーを提案し, 口腔内cbctデータに基づいてインプラント位置を自動的に予測する。
3D CBCTデータは、まず、一連の2次元横平面スライスビューに変換される。
次にクラウン画像の2次元スライスに基づいてインプラントの位置を予測するためにインプラントフォーマーを提案する。
畳み込みstemとデコーダは、パッチ埋め込み操作の前に画像特徴を粗く抽出し、堅牢な予測のためにマルチレベル特徴マップを統合するように設計されている。
歯冠部におけるネットワークの予測は最終的に歯根部の位置まで投影される。
長距離関係と局所的特徴の両方が関与しているため、我々のアプローチはグローバルな情報を表現し、最先端の検出器よりも優れた位置性能を達成することができる。
深セン大学総合病院から収集した128例のデータセットを用いた実験結果から,本インプラントはベンチマークよりも優れた性能を得られた。
関連論文リスト
- 3D Structure-guided Network for Tooth Alignment in 2D Photograph [51.9046939030457]
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) - TCSloT: Text Guided 3D Context and Slope Aware Triple Network for Dental
Implant Position Prediction [27.020346431680355]
インプラント補綴治療では、正確なインプラントを確保するために、インプラントの外科的ガイドが使用される。
インプラント位置の特定に歯科医を補助するディープニューラルネットワークが提案されている。
本稿では,テキストガイドによる3Dコンテキストとスロープアウェアトリプルネットワーク(TCSloT)を設計する。
論文 参考訳(メタデータ) (2023-08-10T05:51:21Z) - TCEIP: Text Condition Embedded Regression Network for Dental Implant
Position Prediction [28.824994303170882]
ディープニューラルネットワークは、歯科インプラントの位置を設計する際に歯科医を支援するために提案されている。
文献は、複数の欠損歯がある場合、うまく機能せず、歯がまばらに分布しているとき、容易に偽の予測を発生させる。
本稿では,テキスト条件をエンコーダ・デコーダ・フレームワークに組み込むために,テキスト条件埋め込み型インプラント位置回帰ネットワーク(TCEIP)を提案する。
論文 参考訳(メタデータ) (2023-06-26T03:38:43Z) - Two-Stream Regression Network for Dental Implant Position Prediction [29.864052654136614]
インプラント補綴治療において,手術ガイドの設計はインプラント位置のマニュアル位置に大きく依存している。
ディープラーニングに基づく手法が、この問題に対処するために適用され始めている。
歯間の空間は様々であり、実際のインプラント領域と類似したテクスチャ特性を示すものもある。
論文 参考訳(メタデータ) (2023-05-17T08:37:26Z) - Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。
本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
論文 参考訳(メタデータ) (2023-05-09T11:42:53Z) - Point Cloud Diffusion Models for Automatic Implant Generation [0.4499833362998487]
本稿では,3次元点雲拡散モデルとボキセル化ネットワークを組み合わせたインプラント生成手法を提案する。
SkullBreak と SkullFix のデータセット上で評価を行い,高品質なインプラントを作製し,競争力のある評価スコアを得る。
論文 参考訳(メタデータ) (2023-03-14T16:54:59Z) - Orientation-guided Graph Convolutional Network for Bone Surface
Segmentation [51.51690515362261]
骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。
提案手法は,接続距離を5.01%向上させる。
論文 参考訳(メタデータ) (2022-06-16T23:01:29Z) - Toward Accurate and Reliable Iris Segmentation Using Uncertainty
Learning [96.72850130126294]
高精度で信頼性の高いアイリスセグメンテーションのためのアイリスU変換器(アイリスUsformer)を提案する。
IrisUsformerの精度向上のために,位置感応操作と再パッケージング変圧器ブロックを採用することで精巧に設計する。
IrisUsformer は SOTA IrisParseNet の 35% MAC を用いて, セグメンテーション精度の向上を図っている。
論文 参考訳(メタデータ) (2021-10-20T01:37:19Z) - 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 Self-Supervised Deep Framework for Reference Bony Shape Estimation in
Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。
正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。
本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T05:24:40Z) - Cranial Implant Design via Virtual Craniectomy with Shape Priors [18.561060643117013]
我々は,CT画像からの頭蓋内インプラント再建のための代替のディープラーニングモデルを提案し,評価する。
モデルは、AutoImplant Challengeによってリリースされたデータベースを使用してトレーニングされ、評価される。
論文 参考訳(メタデータ) (2020-09-29T00:35:44Z)
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。