論文の概要: A Critical Analysis of the Limitation of Deep Learning based 3D Dental
Mesh Segmentation Methods in Segmenting Partial Scans
- arxiv url: http://arxiv.org/abs/2305.00244v1
- Date: Sat, 29 Apr 2023 11:58:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 16:22:23.753511
- Title: A Critical Analysis of the Limitation of Deep Learning based 3D Dental
Mesh Segmentation Methods in Segmenting Partial Scans
- Title（参考訳）: 分割部分スキャンにおける深層学習に基づく3次元歯科メッシュ分割法の限界に関する批判的解析
- Authors: Ananya Jana, Aniruddha Maiti, Dimitris N. Metaxas
- Abstract要約: 口腔内スキャンによる歯のセグメンテーションは, 歯科医療において重要な要素である。
この課題に対して,多くのDeep Learningベースの歯のセグメンテーションアルゴリズムが開発されている。
ほとんどの場合、高い精度が達成されているが、利用可能な歯のセグメンテーション技術のほとんどは、完全な顎モデルの暗黙の制限的な仮定をしている。
- 参考スコア（独自算出の注目度）: 44.44628400981646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tooth segmentation from intraoral scans is a crucial part of digital
dentistry. Many Deep Learning based tooth segmentation algorithms have been
developed for this task. In most of the cases, high accuracy has been achieved,
although, most of the available tooth segmentation techniques make an implicit
restrictive assumption of full jaw model and they report accuracy based on full
jaw models. Medically, however, in certain cases, full jaw tooth scan is not
required or may not be available. Given this practical issue, it is important
to understand the robustness of currently available widely used Deep Learning
based tooth segmentation techniques. For this purpose, we applied available
segmentation techniques on partial intraoral scans and we discovered that the
available deep Learning techniques under-perform drastically. The analysis and
comparison presented in this work would help us in understanding the severity
of the problem and allow us to develop robust tooth segmentation technique
without strong assumption of full jaw model.
- Abstract（参考訳）: 口腔内スキャンによる歯のセグメンテーションは歯科医療において重要な要素である。
多くのDeep Learningベースの歯のセグメンテーションアルゴリズムが開発されている。
ほとんどの場合、高い精度が達成されているが、利用可能な歯のセグメンテーション技術のほとんどは、全顎モデルの暗黙的な制限的な仮定をしており、全顎モデルに基づいて精度を報告している。
しかし、医学的には歯の完全なスキャンは必要とせず、あるいは使用できない場合もある。
この実践的な問題を考えると、現在広く使われているDeep Learningベースの歯のセグメンテーション技術の堅牢性を理解することが重要である。
そこで本研究では, 部分的口腔内スキャンに利用可能なセグメント化手法を適用し, 利用可能な深層学習技術が大幅に低下していることを発見した。
この研究で示された分析と比較は、問題の深刻さを理解するのに役立ち、完全な顎モデルを強く仮定することなく、頑健な歯のセグメンテーション技術の開発を可能にする。
関連論文リスト
- Boundary feature fusion network for tooth image segmentation [7.554733074482215]
本稿では, 歯と隣接組織の境界が不明瞭である問題に対処するために, 境界情報を統合した斬新な歯のセグメンテーションネットワークを提案する。
最新のSTSデータチャレンジでは、我々の方法論が厳格にテストされ、合計スコアは0.91だった。
論文 参考訳（メタデータ） (2024-09-06T02:12:21Z) - Enhancing Weakly Supervised 3D Medical Image Segmentation through
Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。
近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。
本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-03-05T00:46:53Z) - 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) - Automatic Tooth Segmentation from 3D Dental Model using Deep Learning: A
Quantitative Analysis of what can be learnt from a Single 3D Dental Model [0.0]
単一の3次元口腔内スキャンから,代表情報をどの程度学習できるかを評価する。
単一の3次元口腔内スキャントレーニングでは、Diceスコアは0.86と高いが、完全なトレーニングセットではDiceスコアが0.94であることがわかった。
論文 参考訳（メタデータ） (2022-09-16T19:03:10Z) - CTooth+: A Large-scale Dental Cone Beam Computed Tomography Dataset and
Benchmark for Tooth Volume Segmentation [21.474631912695315]
深層学習に基づく歯のセグメンテーション法は, 満足度は高いが, 基礎的真実を伴う大量の歯データが必要である。
完全注釈付き22巻とラベルなし146巻の3D歯科用CBCTデータセットCTooth+を構築した。
この研究は、歯容積分画タスクのための新しいベンチマークを提供し、この実験は、将来のAIベースの歯科画像研究と臨床応用のベースラインとして機能する。
論文 参考訳（メタデータ） (2022-08-02T09:13:23Z) - Developing a Novel Approach for Periapical Dental Radiographs
Segmentation [1.332560004325655]
提案するアルゴリズムは2段階で構成され,第1段階は前処理である。
このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。
実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-11-13T17:25:35Z) - 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) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。
我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文 参考訳（メタデータ） (2020-05-06T17:42:54Z)
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。