論文の概要: 3D Tooth Mesh Segmentation with Simplified Mesh Cell Representation

• arxiv url: http://arxiv.org/abs/2301.10531v1
• Date: Wed, 25 Jan 2023 11:43:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-26 15:18:59.003159
• Title: 3D Tooth Mesh Segmentation with Simplified Mesh Cell Representation
• Title（参考訳）: 簡易なメッシュセル表現による3次元メッシュセグメンテーション
• Authors: Ananya Jana, Hrebesh Molly Subhash, Dimitris N. Metaxas
• Abstract要約: 3次元メッシュによる手動歯のセグメンテーションは面倒であり, 歯科医によって異なる。 本稿では,メッシュセルのバリセンタ情報のみを利用する新たなセグメンテーション手法を提案する。 暗黙的な構造的制約を緩和し、より優れたセグメンテーション性能を達成できることを最初に示す。
• 参考スコア（独自算出の注目度）: 42.512602472176184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manual tooth segmentation of 3D tooth meshes is tedious and there is variations among dentists. %Manual tooth annotation of 3D tooth meshes is a tedious task. Several deep learning based methods have been proposed to perform automatic tooth mesh segmentation. Many of the proposed tooth mesh segmentation algorithms summarize the mesh cell as - the cell center or barycenter, the normal at barycenter, the cell vertices and the normals at the cell vertices. Summarizing of the mesh cell/triangle in this manner imposes an implicit structural constraint and makes it difficult to work with multiple resolutions which is done in many point cloud based deep learning algorithms. We propose a novel segmentation method which utilizes only the barycenter and the normal at the barycenter information of the mesh cell and yet achieves competitive performance. We are the first to demonstrate that it is possible to relax the implicit structural constraint and yet achieve superior segmentation performance
• Abstract（参考訳）: 3次元メッシュによる手動歯のセグメンテーションは面倒であり, 歯科医によって異なる。 %3次元メッシュのマニュアル歯注記は面倒な作業である。 自動歯列分割を行うための深層学習法が提案されている。 提案する歯のメッシュセグメンテーションアルゴリズムの多くは、メッシュセルを、細胞中心またはバリ中心、バリ中心の正常、細胞頂点の正常、細胞頂点の正常と要約している。 この方法でメッシュセル/トライアングルを要約すると、暗黙的な構造的制約が課され、多くのポイントクラウドベースのディープラーニングアルゴリズムで実行される複数の解像度を扱うのが難しくなる。 本稿では,メッシュセルのバリーセンタ情報において,バリーセンタと正規値のみを利用しながら,競合性能を実現する新しいセグメンテーション手法を提案する。 暗黙的な構造的制約を緩和し、より優れたセグメンテーション性能を達成できることを最初に示す。

関連論文リスト

• Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective [10.293207903989053]
  既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。 本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。 我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2024-09-18T12:52:54Z)
• 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)
• 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)
• 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)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  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。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• 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)
• 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)
• 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)
• Pose-Aware Instance Segmentation Framework from Cone Beam CT Images for Tooth Segmentation [9.880428545498662]
  コーンビームCT(CBCT)画像からの個々の歯のセグメンテーションは矯正構造の解剖学的理解に不可欠である。 CBCT画像中の重金属人工物の存在は、個々の歯の正確なセグメンテーションを妨げる。 本稿では,金属製品に対して堅牢なインスタンスセグメンテーションフレームワークを活用するために,ピクセルワイズラベリングのためのニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T07:57:34Z)

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。