論文の概要: Improving the quality of dental crown using a Transformer-based method
- arxiv url: http://arxiv.org/abs/2303.02426v1
- Date: Sat, 4 Mar 2023 14:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 19:36:33.147706
- Title: Improving the quality of dental crown using a Transformer-based method
- Title（参考訳）: Transformer-based 法による歯冠質の向上
- Authors: Golriz Hosseinimanesh, Farnoosh Ghadiri, Ammar Alsheghri, Ying Zhang,
Julia Keren, Farida Cheriet, Francois Guibault
- Abstract要約: 人工歯冠の設計を完全自動で学習する手法を提案する。
本研究では, 歯冠形成の問題点を, 歯の周囲の点雲完備化の課題として取り組んだ。
- 参考スコア（独自算出の注目度）: 5.985943912419412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing a synthetic crown is a time-consuming, inconsistent, and
labor-intensive process. In this work, we present a fully automatic method that
not only learns human design dental crowns, but also improves the consistency,
functionality, and esthetic of the crowns. Following success in point cloud
completion using the transformer-based network, we tackle the problem of the
crown generation as a point-cloud completion around a prepared tooth. To this
end, we use a geometry-aware transformer to generate dental crowns. Our main
contribution is to add a margin line information to the network, as the
accuracy of generating a precise margin line directly,determines whether the
designed crown and prepared tooth are closely matched to
allowappropriateadhesion.Using our ground truth crown, we can extract the
margin line as a spline and sample the spline into 1000 points. We feed the
obtained margin line along with two neighbor teeth of the prepared tooth and
three closest teeth in the opposing jaw. We also add the margin line points to
our ground truth crown to increase the resolution at the margin line. Our
experimental results show an improvement in the quality of the designed crown
when considering the actual context composed of the prepared tooth along with
the margin line compared with a crown generated in an empty space as was done
by other studies in the literature.
- Abstract（参考訳）: 合成クラウンの設計は、時間がかかり、一貫性がなく、労働集約的なプロセスである。
本研究では,人間設計の歯冠を学習するだけでなく,歯冠の一貫性,機能,審美性も向上させる完全自動的手法を提案する。
変圧器ネットワークを用いたポイントクラウドの完成に成功し, 歯の周辺におけるポイントクラウドの完成としてクラウン生成の問題に取り組む。
この目的のために, 歯冠形成に幾何学対応トランスを用いた。
我々の主な貢献は, マージン線情報をネットワークに付加することであり, 正確なマージン線を直接生成する精度から, 設計したクラウンと準備歯とが密に一致するかどうかを判断し, マージン線をスプラインとして抽出し, スプラインを1000点にサンプリングすることができる。
得られた辺縁線は, 歯の隣接歯2本, 対面顎に最も近い歯3本と共に供給する。
また、マージンラインの解像度を高めるために、マージンラインポイントを地平線クラウンに追加します。
以上の結果から, 歯冠とマージン線からなる実際のコンテクストと, 空空間で生成したクラウンとの対比により, 設計クラウンの品質が向上することを示した。
関連論文リスト
- Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints [3.5034434329837563]
スウィントランスに基づく軽量な歯列アライメントニューラルネットワークを提案する。
まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを秩序な多チャンネルテクスチャに変換する。
次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。
論文 参考訳（メタデータ） (2024-10-28T07:54:07Z) - 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) - Automatic Tooth Arrangement with Joint Features of Point and Mesh
Representations via Diffusion Probabilistic Models [33.75061391364549]
歯の整列は矯正治療において重要なステップであり、歯の整列は全体の健康を改善し、顔の美学を高め、自信を高める。
未経験者による歯のアレンジメントの効率化と不合理なデザインによる誤りの最小化を目的として, 深層学習に基づく歯のアレンジメント手法が提案されている。
論文 参考訳（メタデータ） (2023-12-23T02:27:15Z) - 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) - YOLOrtho -- A Unified Framework for Teeth Enumeration and Dental Disease
Detection [4.136033167469768]
YOLOrthoは歯列挙と歯科疾患検出のための統合された枠組みである。
我々は,3種類の注釈付きデータからなるDentex Challenge 2023データに基づくモデルを開発した。
このデータを十分に活用し,同時に歯の発見と疾患の同定を学習するために,本研究では,歯に付着する属性として疾患を定式化する。
論文 参考訳（メタデータ） (2023-08-11T06:54:55Z) - Accurate 3D Prediction of Missing Teeth in Diverse Patterns for Precise
Dental Implant Planning [44.20366627432732]
本研究は, 異なるパターンの欠損歯の正確な予測を行うための新しい枠組みを提示し, デジタルインプラント計画を容易にする。
提案手法は,健常者のCBCT画像から再構成した歯科用メッシュモデルのデータセット間のポイント・ツー・ポイント対応を推定することから始まる。
歯のディクショナリーは、確立されたポイントツーポイント対応に基づいて、歯の位置及び形状情報を符号化して、歯型毎に構築される。
論文 参考訳（メタデータ） (2023-07-16T05:52:37Z) - 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) - 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) - 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)
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。