論文の概要: Accurate 3D Prediction of Missing Teeth in Diverse Patterns for Precise Dental Implant Planning

• arxiv url: http://arxiv.org/abs/2307.07953v1
• Date: Sun, 16 Jul 2023 05:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 16:40:49.268812
• Title: Accurate 3D Prediction of Missing Teeth in Diverse Patterns for Precise Dental Implant Planning
• Title（参考訳）: 歯科インプラントの精密計画のための各種パターンにおける欠損歯の正確な3次元予測
• Authors: Lei Ma, Peng Xue, Yuning Gu, Yue Zhao, Min Zhu, Zhongxiang Ding, Dinggang Shen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.20366627432732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the demand for dental implants has surged, driven by their high success rates and esthetic advantages. However, accurate prediction of missing teeth for precise digital implant planning remains a challenge due to the intricate nature of dental structures and the variability in tooth loss patterns. This study presents a novel framework for accurate prediction of missing teeth in different patterns, facilitating digital implant planning. The proposed framework begins by estimating point-to-point correspondence among a dataset of dental mesh models reconstructed from CBCT images of healthy subjects. Subsequently, tooth dictionaries are constructed for each tooth type, encoding their position and shape information based on the established point-to-point correspondence. To predict missing teeth in a given dental mesh model, sparse coefficients are learned by sparsely representing adjacent teeth of the missing teeth using the corresponding tooth dictionaries. These coefficients are then applied to the dictionaries of the missing teeth to generate accurate predictions of their positions and shapes. The evaluation results on real subjects shows that our proposed framework achieves an average prediction error of 1.04mm for predictions of single missing tooth and an average prediction error of 1.33mm for the prediction of 14 missing teeth, which demonstrates its capability of accurately predicting missing teeth in various patterns. By accurately predicting missing teeth, dental professionals can improve the planning and placement of dental implants, leading to better esthetic and functional outcomes for patients undergoing dental implant procedures.
• Abstract（参考訳）: 近年, 歯科用インプラントの需要は, 高い成功率と審美的優位性により急増している。 しかし, 歯質構造が複雑であり, 歯の喪失パターンのばらつきが原因で, 正確なデジタルインプラント計画のための欠損歯の正確な予測が難しい。 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。 その後、歯型毎に歯辞書を作成し、確立されたポイントツーポイント対応に基づいてその位置と形状情報を符号化する。 歯列モデルにおいて欠損歯を予測するために, 歯列辞書を用いて欠損歯の隣接歯をスパース的に表現することにより, スパース係数を学習する。 これらの係数は欠損歯の辞書に適用され、それらの位置と形状の正確な予測を生成する。 以上の結果から,本フレームワークは, 欠損歯の予測に平均1.04mm, 欠損歯14歯の予測に平均1.33mmの予測誤差を達成し, 各種パターンにおける欠損歯の正確な予測能力を示した。 欠損歯を正確に予測することにより, 歯科医師はインプラントの計画と配置を改善でき, インプラント処置中の患者の審美的, 機能的結果が向上する。

関連論文リスト

• 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)
• 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)
• 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)
• OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs [53.67409169790872]
  本研究では, 歯科用パノラマX線画像の公開データセットの構築について述べる。 我々はHuman-in-the-loop(HITL)の概念の恩恵を受け、ラベリング手順を高速化する。 その結果,HITLによるラベル付け時間短縮率は51%であり,連続作業時間390時間以上節約できた。
  論文  参考訳（メタデータ） (2022-03-29T18:57:23Z)
• 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。