Fugu-MT 論文翻訳(概要): 3D-U-SAM Network For Few-shot Tooth Segmentation in CBCT Images

論文の概要: 3D-U-SAM Network For Few-shot Tooth Segmentation in CBCT Images

arxiv url: http://arxiv.org/abs/2309.11015v3
Date: Wed, 28 Feb 2024 04:35:38 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 18:40:40.082023
Title: 3D-U-SAM Network For Few-shot Tooth Segmentation in CBCT Images
Title（参考訳）: CBCT画像における歯片分割のための3D-U-SAMネットワーク
Authors: Yifu Zhang and Zuozhu Liu and Yang Feng and Renjing Xu
Abstract要約: 本稿では, 3次元画像分割のための新しい3D-U-SAMネットワークを提案する。 3次元データセット上での2次元事前学習重み付けの問題を解決するために,畳み込み近似法を採用した。本手法の有効性は, アブレーション実験, 比較実験, 試料サイズ実験で実証された。
参考スコア（独自算出の注目度）: 22.86724024199165
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate representation of tooth position is extremely important in treatment. 3D dental image segmentation is a widely used method, however labelled 3D dental datasets are a scarce resource, leading to the problem of small samples that this task faces in many cases. To this end, we address this problem with a pretrained SAM and propose a novel 3D-U-SAM network for 3D dental image segmentation. Specifically, in order to solve the problem of using 2D pre-trained weights on 3D datasets, we adopted a convolution approximation method; in order to retain more details, we designed skip connections to fuse features at all levels with reference to U-Net. The effectiveness of the proposed method is demonstrated in ablation experiments, comparison experiments, and sample size experiments.
Abstract（参考訳）: 歯の位置の正確な表現は治療において極めて重要である。 3次元歯科画像のセグメンテーションは広く用いられている手法であるが、ラベル付き3次元歯科データセットは乏しい資源であり、このタスクが直面する小さなサンプルの問題に繋がる。そこで本研究では, 3次元画像分割のための新しい3D-U-SAMネットワークを提案する。具体的には,2次元事前学習された重みを3次元データセットで使用する問題を解決するため,畳み込み近似法を採用した。本手法の有効性は,アブレーション実験,比較実験,サンプルサイズ実験で実証された。

関連論文リスト

Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
3Dセグメンテーションはコンピュータビジョンの中核的な問題である。完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
論文参考訳（メタデータ） (2024-09-12T14:54:31Z)
A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-15T04:23:28Z)
Cross-Dimensional Medical Self-Supervised Representation Learning Based on a Pseudo-3D Transformation [68.60747298865394]
擬似3D変換(CDSSL-P3D)に基づく新しい三次元SSLフレームワークを提案する。具体的には、2D画像を3Dデータに整合したフォーマットに変換するim2colアルゴリズムに基づく画像変換を提案する。この変換は2次元および3次元データのシームレスな統合を可能にし、3次元医用画像解析のための相互教師あり学習を容易にする。
論文参考訳（メタデータ） (2024-06-03T02:57:25Z)
Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文参考訳（メタデータ） (2024-03-19T15:57:04Z)
TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
論文参考訳（メタデータ） (2022-10-29T15:20:54Z)
Segmentation of 3D Dental Images Using Deep Learning [0.0]
3D画像のセグメンテーションは、多くの医学的分析と認識スキームにおいて、最近かつ重要なステップである。本稿では,最適な3次元セグメンテーション出力を得るために,様々な効率的な手法をハイブリダイズする多相ディープラーニングシステムを提案する。
論文参考訳（メタデータ） (2022-07-19T23:17:54Z)
CTooth: A Fully Annotated 3D Dataset and Benchmark for Tooth Volume Segmentation on Cone Beam Computed Tomography Images [19.79983193894742]
3次元歯のセグメンテーションはコンピュータ支援型歯科診断と治療の前提条件である。深層学習に基づくセグメンテーション手法は説得力のある結果をもたらすが、訓練には大量の基礎的真理を必要とする。そこで本研究では,歯金規格のCToothを完全注釈付きコーンビームで計算した。
論文参考訳（メタデータ） (2022-06-17T13:48:35Z)
A fully automated method for 3D individual tooth identification and segmentation in dental CBCT [1.567576360103422]
本稿では,歯科用CBCT画像から3次元個別歯を同定・分別する完全自動化手法を提案する。提案手法は,ディープラーニングに基づく階層型多段階モデルを構築することで,上記の課題に対処する。実験結果から, 本法は歯の識別に93.35%のF1スコア, 個々の3次元歯のセグメンテーションに94.79%のDice類似係数を達成できた。
論文参考訳（メタデータ） (2021-02-11T15:07:23Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文参考訳（メタデータ） (2020-10-29T15:39:19Z)
Reinforced Axial Refinement Network for Monocular 3D Object Detection [160.34246529816085]
モノクロ3次元物体検出は、2次元入力画像から物体の位置と特性を抽出することを目的としている。従来のアプローチでは、空間から3D境界ボックスをサンプリングし、対象オブジェクトと各オブジェクトの関係を推定するが、有効サンプルの確率は3D空間で比較的小さい。我々は,まず最初の予測から始めて,各ステップで1つの3dパラメータだけを変えて,基礎的真理に向けて徐々に洗練することを提案する。これは、いくつかのステップの後に報酬を得るポリシーを設計する必要があるため、最適化するために強化学習を採用します。
論文参考訳（メタデータ） (2020-08-31T17:10:48Z)

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。