論文の概要: TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer

• arxiv url: http://arxiv.org/abs/2210.16627v1
• Date: Sat, 29 Oct 2022 15:20:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 17:26:25.431865
• Title: TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer
• Title（参考訳）: TFormer:Geometry Guided Transformerを用いたメッシュスカンにおける3次元歯の分割
• Authors: Huimin Xiong, Kunle Li, Kaiyuan Tan, Yang Feng, Joey Tianyi Zhou, Jin Hao, Zuozhu Liu
• Abstract要約: 光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 37.47317212620463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optical Intra-oral Scanners (IOS) are widely used in digital dentistry, providing 3-Dimensional (3D) and high-resolution geometrical information of dental crowns and the gingiva. Accurate 3D tooth segmentation, which aims to precisely delineate the tooth and gingiva instances in IOS, plays a critical role in a variety of dental applications. However, segmentation performance of previous methods are error-prone in complicated tooth-tooth or tooth-gingiva boundaries, and usually exhibit unsatisfactory results across various patients, yet the clinically applicability is not verified with large-scale dataset. In this paper, we propose a novel method based on 3D transformer architectures that is evaluated with large-scale and high-resolution 3D IOS datasets. Our method, termed TFormer, captures both local and global dependencies among different teeth to distinguish various types of teeth with divergent anatomical structures and confusing boundaries. Moreover, we design a geometry guided loss based on a novel point curvature to exploit boundary geometric features, which helps refine the boundary predictions for more accurate and smooth segmentation. We further employ a multi-task learning scheme, where an additional teeth-gingiva segmentation head is introduced to improve the performance. Extensive experimental results in a large-scale dataset with 16,000 IOS, the largest IOS dataset to our best knowledge, demonstrate that our TFormer can surpass existing state-of-the-art baselines with a large margin, with its utility in real-world scenarios verified by a clinical applicability test.
• Abstract（参考訳）: 光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 IOSの歯と歯肉のインスタンスを正確に記述することを目的とした正確な3D歯のセグメンテーションは、様々な歯科応用において重要な役割を担っている。 しかし, 従来の方法のセグメンテーション性能は, 複雑な歯列境界や歯肉境界に誤差が生じやすいため, 様々な患者に不満足な結果が生じるが, 大規模データセットでは臨床応用性は検証されない。 本稿では,大規模かつ高分解能の3d iosデータセットを用いて評価を行う3dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。 tformerと呼ばれるこの手法は, 歯の局所的および大域的依存性を捉え, 各種の歯を異なる解剖学的構造と紛らわしい境界で区別する。 さらに,境界幾何学的特徴を生かした新しい点曲率に基づく幾何誘導損失を設計し,より正確かつ滑らかなセグメンテーションのために境界予測の洗練を支援する。 さらに,マルチタスク学習方式を採用し,歯肉のセグメンテーションヘッドを付加して性能を向上させる。 16,000 IOSの大規模データセットによる大規模な実験結果から、私たちのTFormerが既存の最先端のベースラインを大きなマージンで越え、臨床応用性テストによって実世界のシナリオで有効であることが示されています。

関連論文リスト

• A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
  コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。 深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。 歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-15T04:23:28Z)
• 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)
• 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)
• Dense Representative Tooth Landmark/axis Detection Network on 3D Model [32.81858923141152]
  本稿では, 歯科医師によるラベル付きデータセットを用いた深層学習手法を提案する。 本手法では, 歯の目印(尖点など)だけでなく, 歯の角化や傾斜を測定する軸も抽出できる。 提案したネットワークは3次元歯のモデルとして入力され,様々な種類の歯のランドマークと軸を予測する。
  論文  参考訳（メタデータ） (2021-11-08T00:42:22Z)
• 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)
• 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)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)

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。