論文の概要: Estimating 3D Dental Structures using Simulated Panoramic Radiographs
and Neural Ray Tracing
- arxiv url: http://arxiv.org/abs/2304.04027v2
- Date: Wed, 7 Jun 2023 06:25:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 18:56:35.939479
- Title: Estimating 3D Dental Structures using Simulated Panoramic Radiographs
and Neural Ray Tracing
- Title（参考訳）: 模擬パノラマ線写真とニューラルレイトレーシングを用いた3次元歯科組織の推定
- Authors: Sihwa Park, Seongjun Kim, Doeyoung Kwon, Yohan Jang, In-Seok Song,
Seungjun Baek
- Abstract要約: 実世界のPXからCBCTのような3次元構造を推定する枠組みを提案する。
本フレームワークは, パノラマ画像のみに基づく様々な被験者(患者)に対して, 完全な3次元再構築を実現する。
- 参考スコア（独自算出の注目度）: 6.436380041130251
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Panoramic radiography (Panoramic X-ray, PX) is a widely used imaging modality
for dental examination. Since PX only provides 2D flattened views of the oral
structure, its applicability is limited as compared to 3D Cone-beam computed
tomography (CBCT). In this paper, we propose a framework to estimate CBCT-like
3D structures from real-world PX. Our framework tackles full 3D reconstruction
for varying subjects (patients) where each reconstruction is based only on a
single panoramic image. We create an intermediate representation called
simulated PX (SimPX) from CBCT data which is based both on the Beer-Lambert law
of X-ray rendering and rotational principles of PX imaging. SimPX aims at not
only truthfully simulating PX, but also facilitates the reverting process back
to 3D data. We propose a novel neural model based on ray tracing which exploits
both global and local input features to convert SimPX to 3D output. At
inference, a real PX image is translated to a SimPX-style image with semantic
regularization, and the translated image is processed by generation/refinement
modules to produce high-quality outputs. Experiments show that our method
outperforms prior state-of-the-art in reconstruction tasks both quantitatively
and qualitatively. Our method does not require any prior information such as
the shape of dental arches, nor the matched PX-CBCT dataset for training, which
is difficult to obtain in clinical practice.
- Abstract（参考訳）: パノラマX線撮影(パノラマX線、PX)は歯科検査において広く用いられている画像モダリティである。
PXは口腔構造の2次元平坦化ビューのみを提供するため、3次元コーンビームCT(CBCT)と比較して適用性に制限がある。
本稿では,実世界のPXからCBCTのような3次元構造を推定する枠組みを提案する。
本フレームワークは, パノラマ画像のみに基づく様々な被験者(患者)に対して, 完全な3次元再構築を実現する。
我々は、X線レンダリングのBeer-Lambert法則とPXイメージングの回転原理の両方に基づくCBCTデータから、シミュレートされたPX(SimPX)と呼ばれる中間表現を作成する。
simpxはpxを真にシミュレートするだけでなく、3dデータへの戻すプロセスを手助けする。
我々は,SimPXを3次元出力に変換するために,グローバルおよびローカルな入力特徴を利用するレイトレーシングに基づく新しいニューラルモデルを提案する。
推測時に、実PX画像を意味正規化を伴うSimPXスタイルの画像に変換し、その変換画像を生成/精製モジュールで処理して高品質な出力を生成する。
実験により,本手法は定量的および定性的に復元作業において,先行技術に勝ることを示した。
本手法は, 歯科用アーチの形状, 整合したPX-CBCTデータセットなどの事前情報を必要としないため, 臨床実習では入手が困難である。
関連論文リスト
- PX2Tooth: Reconstructing the 3D Point Cloud Teeth from a Single Panoramic X-ray [20.913080797758816]
PX2Toothは2段階の枠組みで1枚のPX画像を用いて3次元歯の再構成を行う新しい手法である。
まず、PXSegNetを設計し、PX画像から永久歯を分割し、各歯の位置、形態、分類情報を提供する。
その後、ランダムな点雲を3次元歯に変換する新しい歯生成ネットワーク(TGNet)を設計する。
論文 参考訳（メタデータ） (2024-11-06T07:44:04Z) - 3DPX: Progressive 2D-to-3D Oral Image Reconstruction with Hybrid MLP-CNN Networks [16.931777224277347]
パノラマX線(パノラマX線、英: Panoramic X-ray、PX)は、歯科医療において、広く利用でき、低コストである。
2次元投影画像として、PXは3次元解剖情報を含まない。
2次元から3次元の経口PX再構成のためのプログレッシブハイブリッド多層パーセプトロン(MLP)-CNNピラミドネットワーク(DPX)を提案する。
論文 参考訳（メタデータ） (2024-08-02T14:28:10Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - X-Ray: A Sequential 3D Representation For Generation [54.160173837582796]
我々は、X線スキャンにインスパイアされた新しい3Dシーケンシャル表現であるX線を紹介する。
X線は3Dオブジェクトを異なる層で一連の表面フレームに変換するため、画像から3Dモデルを生成するのに適している。
論文 参考訳（メタデータ） (2024-04-22T16:40:11Z) - Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。
実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文 参考訳（メタデータ） (2024-03-07T00:12:08Z) - Structure-Aware Sparse-View X-ray 3D Reconstruction [26.91084106735878]
スパースビューX線3次元再構成のための構造対応X線ニューラルラジオ密度場(SAX-NeRF)を提案する。
Linefomerは、X線の各線分内の依存関係をモデル化することで、3D空間内のオブジェクトの内部構造をキャプチャする。
X3Dの実験では、SAX-NeRFは、新しいビュー合成とCT再構成において、従来のNeRF法を12.56と2.49dBで上回っている。
論文 参考訳（メタデータ） (2023-11-18T03:39:02Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-26T14:38:42Z) - Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with
Implicit Neural Representation [3.8215162658168524]
Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。
本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。
我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
論文 参考訳（メタデータ） (2023-03-21T18:17:27Z) - Fast-GANFIT: Generative Adversarial Network for High Fidelity 3D Face
Reconstruction [76.1612334630256]
我々は、GAN(Generative Adversarial Networks)とDCNN(Deep Convolutional Neural Networks)の力を利用して、単一画像から顔のテクスチャと形状を再構築する。
3次元顔再構成を保存したフォトリアリスティックでアイデンティティに優れた結果を示し, 初めて, 高精度な顔テクスチャ再構成を実現する。
論文 参考訳（メタデータ） (2021-05-16T16:35:44Z) - End-To-End Convolutional Neural Network for 3D Reconstruction of Knee
Bones From Bi-Planar X-Ray Images [6.645111950779666]
両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳（メタデータ） (2020-04-02T08:37:11Z)
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。