論文の概要: NeBLa: Neural Beer-Lambert for 3D Reconstruction of Oral Structures from
Panoramic Radiographs
- arxiv url: http://arxiv.org/abs/2304.04027v6
- Date: Wed, 7 Feb 2024 02:44:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-08 20:47:16.675071
- Title: NeBLa: Neural Beer-Lambert for 3D Reconstruction of Oral Structures from
Panoramic Radiographs
- Title(参考訳): nebla:neural beer-lambertによるパノラマx線写真からの口腔構造の3次元再構築
- Authors: Sihwa Park, Seongjun Kim, Doeyoung Kwon, Yohan Jang, In-Seok Song,
Seung Jun Baek
- Abstract要約: 実世界のPXから3次元口腔構造を推定するためにNeBLa(Neural Beer-Lambert)を提案する。
NeBLaは、各再建が単一のパノラマ画像のみに基づいている様々な被験者(患者)に対して、完全な3D再構成に取り組む。
SimPXは、真にPXをシミュレートするだけでなく、3Dデータへの回帰プロセスを容易にすることを目指している。
- 参考スコア(独自算出の注目度): 5.263841326809513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Panoramic radiography (Panoramic X-ray, PX) is a widely used imaging modality
for dental examination. However, PX only provides a flattened 2D image, lacking
in a 3D view of the oral structure. In this paper, we propose NeBLa (Neural
Beer-Lambert) to estimate 3D oral structures from real-world PX. NeBLa 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 3D Cone-beam
computed tomography (CBCT) data based 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 module to
produce high-quality outputs. Experiments show that NeBLa outperforms prior
state-of-the-art in reconstruction tasks both quantitatively and qualitatively.
Unlike prior methods, NeBLa 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. Our code is available at
https://github.com/sihwa-park/nebla.
- 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。
しかし、PXは平らな2D画像のみを提供し、口腔構造の3Dビューを欠いている。
本稿では,NeBLa(Neural Beer-Lambert)を用いて実世界のPXから3次元口腔構造を推定する。
neblaは、パノラマ画像のみに基づくさまざまな対象(患者)に対して、完全な3d再構成に取り組む。
我々は3次元コーンビームCT(CBCT)データから、X線レンダリングのBeer-Lambert法則とPX画像の回転原理に基づいて、シミュレートされたPX(SimPX)と呼ばれる中間表現を生成する。
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モジュールで処理して高品質な出力を生成する。
実験の結果,NeBLaは再現作業において,定量的かつ質的に,先行技術よりも優れていた。
従来の方法とは異なり、NeBLaは歯科アーチの形状や整合したPX-CBCTデータセットなどの事前情報を必要としない。
私たちのコードはhttps://github.com/sihwa-park/neblaで入手できます。
関連論文リスト
- Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [92.69532644965663]
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) - Splatter Image: Ultra-Fast Single-View 3D Reconstruction [67.96212093828179]
Splatter ImageはGaussian Splattingをベースにしており、複数の画像から3Dシーンを高速かつ高品質に再現することができる。
テスト時に38FPSでフィードフォワードで再構成を行うニューラルネットワークを学習する。
いくつかの総合、実、マルチカテゴリ、大規模ベンチマークデータセットにおいて、トレーニング中にPSNR、LPIPS、その他のメトリクスでより良い結果を得る。
論文 参考訳(メタデータ) (2023-12-20T16:14:58Z) - 3D Teeth Reconstruction from Panoramic Radiographs using Neural Implicit
Functions [6.169259577480194]
Occudentは神経暗黙機能を用いたパノラマX線写真からの3次元歯の再構築のための枠組みである。
合成画像を用いた最近の研究とは異なる、実際のパノラマラジオグラフィーを入力として訓練し、検証する。
論文 参考訳(メタデータ) (2023-11-28T05:06:22Z) - 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) - 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) - Learning Smooth Neural Functions via Lipschitz Regularization [92.42667575719048]
ニューラルフィールドにおけるスムーズな潜伏空間を促進するために設計された新しい正規化を導入する。
従来のリプシッツ正規化ネットワークと比較して、我々のアルゴリズムは高速で、4行のコードで実装できる。
論文 参考訳(メタデータ) (2022-02-16T21:24:54Z) - 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) - Towards a Neural Graphics Pipeline for Controllable Image Generation [96.11791992084551]
ニューラルグラフパイプライン(NGP)は,ニューラルネットワークと従来の画像形成モデルを組み合わせたハイブリッド生成モデルである。
NGPは、画像を解釈可能な外観特徴マップの集合に分解し、制御可能な画像生成のための直接制御ハンドルを明らかにする。
単目的シーンの制御可能な画像生成におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-18T14:22:54Z) - 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) - Oral-3D: Reconstructing the 3D Bone Structure of Oral Cavity from 2D
Panoramic X-ray [17.34835093235681]
歯科用アーチの1枚のPX画像と先行情報から3次元口腔を再構築するフレームワークOral-3Dを提案する。
口腔3Dは, 3次元口腔構造を効率的にかつ効果的に再構築し, 臨床応用において重要な情報を示すことができることを示す。
論文 参考訳(メタデータ) (2020-03-18T18:02:57Z)
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。