Fugu-MT 論文翻訳(概要): Two-Stream Regression Network for Dental Implant Position Prediction

論文の概要: Two-Stream Regression Network for Dental Implant Position Prediction

arxiv url: http://arxiv.org/abs/2305.10044v3
Date: Tue, 8 Aug 2023 02:40:05 GMT
ステータス: 処理完了
システム内更新日: 2023-08-09 16:54:37.190473
Title: Two-Stream Regression Network for Dental Implant Position Prediction
Title（参考訳）: インプラント位置予測のための2ストリーム回帰ネットワーク
Authors: Xinquan Yang and Xuguang Li and Xuechen Li and Wenting Chen and Linlin Shen and Xin Li and Yongqiang Deng
Abstract要約: インプラント補綴治療において,手術ガイドの設計はインプラント位置のマニュアル位置に大きく依存している。ディープラーニングに基づく手法が、この問題に対処するために適用され始めている。歯間の空間は様々であり、実際のインプラント領域と類似したテクスチャ特性を示すものもある。
参考スコア（独自算出の注目度）: 29.864052654136614
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In implant prosthesis treatment, the design of the surgical guide heavily relies on the manual location of the implant position, which is subjective and prone to doctor's experiences. When deep learning based methods has started to be applied to address this problem, the space between teeth are various and some of them might present similar texture characteristic with the actual implant region. Both problems make a big challenge for the implant position prediction. In this paper, we develop a two-stream implant position regression framework (TSIPR), which consists of an implant region detector (IRD) and a multi-scale patch embedding regression network (MSPENet), to address this issue. For the training of IRD, we extend the original annotation to provide additional supervisory information, which contains much more rich characteristic and do not introduce extra labeling costs. A multi-scale patch embedding module is designed for the MSPENet to adaptively extract features from the images with various tooth spacing. The global-local feature interaction block is designed to build the encoder of MSPENet, which combines the transformer and convolution for enriched feature representation. During inference, the RoI mask extracted from the IRD is used to refine the prediction results of the MSPENet. Extensive experiments on a dental implant dataset through five-fold cross-validation demonstrated that the proposed TSIPR achieves superior performance than existing methods.
Abstract（参考訳）: インプラント補綴治療において, 外科的ガイドの設計は, 主観的かつ医師の経験に訴えやすいインプラント位置の手動位置に大きく依存する。この問題を解決するために深層学習法が適用され始めたとき, 歯間空間は様々であり, その一部には実際のインプラント領域と類似したテクスチャ特性を示すものもある。どちらの問題もインプラント位置予測には大きな課題となる。本稿では, 埋込領域検出器 (IRD) とマルチスケールパッチ埋め込み回帰ネットワーク (MSPENet) から構成される2ストリーム埋込位置回帰フレームワーク (TSIPR) を開発し, この問題に対処する。 irdのトレーニングのために、元のアノテーションを拡張して、よりリッチな特徴を持ち、追加のラベリングコストを発生しない、追加の監督情報を提供する。マルチスケールのパッチ埋め込みモジュールはMSPENetが様々な歯の間隔で画像から特徴を適応的に抽出するために設計されている。グローバルローカルな特徴相互作用ブロックは、リッチな特徴表現のための変換器と畳み込みを組み合わせたMSPENetのエンコーダを構築するように設計されている。推測中、IRDから抽出したRoIマスクを用いてMSPENetの予測結果を洗練する。 5倍のクロスバリデーションによる歯科インプラントデータセットの大規模な実験により,提案したTSIPRは既存の方法よりも優れた性能を示した。

関連論文リスト

Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-11T15:46:00Z)
Simplify Implant Depth Prediction as Video Grounding: A Texture Perceive Implant Depth Prediction Network [26.68803827522865]
テクスチャ知覚インプラント深さ予測ネットワーク(TPNet)を開発した。 TPNetは、インプラント領域検出器(IRD)とインプラント深さ予測ネットワーク(IDPNet)から構成される。大規模な歯科インプラントデータセットを用いた実験により,提案したTPNetは既存の方法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-06-07T03:24:04Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Few-Shot Medical Image Segmentation via a Region-enhanced Prototypical Transformer [20.115149216170327]
Region-enhanced Prototypeal Transformer (RPT) は、大規模なクラス内多様性/バイアスの影響を緩和するための、数発の学習に基づく手法である。 BaTブロックを積み重ねることで、提案したRTTは、生成した地域プロトタイプを反復的に最適化し、最終的に修正されたより正確なグローバルプロトタイプを生成することができる。
論文参考訳（メタデータ） (2023-09-09T15:39:38Z)
TCSloT: Text Guided 3D Context and Slope Aware Triple Network for Dental Implant Position Prediction [27.020346431680355]
インプラント補綴治療では、正確なインプラントを確保するために、インプラントの外科的ガイドが使用される。インプラント位置の特定に歯科医を補助するディープニューラルネットワークが提案されている。本稿では,テキストガイドによる3Dコンテキストとスロープアウェアトリプルネットワーク(TCSloT)を設計する。
論文参考訳（メタデータ） (2023-08-10T05:51:21Z)
Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文参考訳（メタデータ） (2023-07-31T18:14:18Z)
TCEIP: Text Condition Embedded Regression Network for Dental Implant Position Prediction [28.824994303170882]
ディープニューラルネットワークは、歯科インプラントの位置を設計する際に歯科医を支援するために提案されている。文献は、複数の欠損歯がある場合、うまく機能せず、歯がまばらに分布しているとき、容易に偽の予測を発生させる。本稿では,テキスト条件をエンコーダ・デコーダ・フレームワークに組み込むために,テキスト条件埋め込み型インプラント位置回帰ネットワーク(TCEIP)を提案する。
論文参考訳（メタデータ） (2023-06-26T03:38:43Z)
ImplantFormer: Vision Transformer based Implant Position Regression Using Dental CBCT Data [27.020346431680355]
インプラント補綴は歯列欠損や歯列喪失の最も適切な治療であり、通常インプラント位置を決定するための外科的ガイド設計プロセスを必要とする。本稿では, 経口CBCTデータに基づいてインプラント位置の自動予測を行うために, トランスフォーマを用いたインプラント位置回帰ネットワーク, implantFormerを提案する。歯冠面積の2次元軸方向ビューを用いてインプラント位置を予測し,インプラントの中心線を適合させて実際のインプラント位置を歯根に求めることを創造的に提案する。
論文参考訳（メタデータ） (2022-10-29T02:31:27Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
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。