論文の概要: AI-Dentify: Deep learning for proximal caries detection on bitewing
x-ray -- HUNT4 Oral Health Study
- arxiv url: http://arxiv.org/abs/2310.00354v1
- Date: Sat, 30 Sep 2023 12:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 04:50:07.493922
- Title: AI-Dentify: Deep learning for proximal caries detection on bitewing
x-ray -- HUNT4 Oral Health Study
- Title（参考訳）: AI-Dentify: 噛みつくX線による近位線検出のための深層学習 -- HUNT4経口健康研究
- Authors: Javier P\'erez de Frutos, Ragnhild Holden Helland, Shreya Desai, Line
Cathrine Nymoen, Thomas Lang{\o}, Theodor Remman, Abhijit Sen
- Abstract要約: 人工知能の使用は、噛まれた画像の迅速かつ情報的な分析を提供することで、診断を支援する可能性がある。
HUNT4 Oral Health Studyの13,887個の噛み付きデータセットを使用して、3つの異なる物体検出ディープラーニングアーキテクチャをトレーニングした。
トレーニングされたモデルでは、平均精度とF1スコアが増加し、偽陰性率が低下した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Dental caries diagnosis requires the manual inspection of
diagnostic bitewing images of the patient, followed by a visual inspection and
probing of the identified dental pieces with potential lesions. Yet the use of
artificial intelligence, and in particular deep-learning, has the potential to
aid in the diagnosis by providing a quick and informative analysis of the
bitewing images.
Methods: A dataset of 13,887 bitewings from the HUNT4 Oral Health Study were
annotated individually by six different experts, and used to train three
different object detection deep-learning architectures: RetinaNet (ResNet50),
YOLOv5 (M size), and EfficientDet (D0 and D1 sizes). A consensus dataset of 197
images, annotated jointly by the same six dentist, was used for evaluation. A
five-fold cross validation scheme was used to evaluate the performance of the
AI models.
Results: the trained models show an increase in average precision and
F1-score, and decrease of false negative rate, with respect to the dental
clinicians. Out of the three architectures studied, YOLOv5 shows the largest
improvement, reporting 0.647 mean average precision, 0.548 mean F1-score, and
0.149 mean false negative rate. Whereas the best annotators on each of these
metrics reported 0.299, 0.495, and 0.164 respectively.
Conclusion: Deep-learning models have shown the potential to assist dental
professionals in the diagnosis of caries. Yet, the task remains challenging due
to the artifacts natural to the bitewings.
- Abstract（参考訳）: 背景: デンタル・カリーズ診断では, 患者の咬合像を手作業で検査し, 目視検査を行い, 潜在的な病変を指摘し, 臨床検査を行った。
しかし、人工知能の使用、特にディープラーニングは、噛まれた画像の迅速かつ情報的な分析を提供することで、診断を助ける可能性がある。
方法: HUNT4 Oral Health Studyの13,887個の噛み付きデータセットを6つの専門家によって個別に注釈付けし、RetinaNet(ResNet50)、YOLOv5(Mサイズ)、EfficientDet(D0とD1サイズ)という3つの異なるオブジェクト検出ディープラーニングアーキテクチャをトレーニングした。
同じ6人の歯科医が共同で注釈を付けた197枚の画像のコンセンサスデータセットを用いて評価を行った。
AIモデルの性能を評価するために、5倍のクロスバリデーションスキームが用いられた。
結果: 訓練したモデルでは, 歯科臨床医に対して, 平均精度, f1スコア, 偽陰性率の低下がみられた。
3つのアーキテクチャのうち、YOLOv5は最大の改善を示し、平均精度0.647、F1スコア0.548、偽陰率0.149を報告している。
それぞれの指標の注釈は0.299, 0.495, 0.164であった。
結論: 深層学習モデルは, ケーリーの診断において歯科専門医を支援する可能性を示している。
しかし、その作業は噛み付くのに自然な人工物のため、依然として挑戦的だ。
関連論文リスト
- Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。
本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
論文 参考訳（メタデータ） (2024-08-08T21:40:06Z) - TeethDreamer: 3D Teeth Reconstruction from Five Intra-oral Photographs [45.0864129371874]
そこで我々は,上下顎歯の形状と位置を復元する3次元再構築フレームワークTeethDreamerを提案する。
口腔内5枚の写真から,まず大きな拡散モデルの事前知識を活用して,新しい多視点画像を生成する。
生成したビュー間の3D整合性を確保するために,逆拡散プロセスに3D対応機能アテンション機構を統合する。
論文 参考訳（メタデータ） (2024-07-16T06:24:32Z) - A Sequential Framework for Detection and Classification of Abnormal
Teeth in Panoramic X-rays [1.8962225869778402]
本報告では,MICCAI 2023におけるパノラマX線検査における歯科審美と診断の解決策について述べる。
本手法は, 異常歯の検出・分類作業に適した多段階の枠組みから構成される。
論文 参考訳（メタデータ） (2023-08-31T13:47:01Z) - Generative Adversarial Networks for Dental Patient Identity Protection
in Orthodontic Educational Imaging [0.0]
本研究は, 歯科患者イメージを効果的に識別するためのGANインバージョン技術を提案する。
この手法は, 重要な歯科的特徴を保ちながら, プライバシの懸念に対処し, 歯科教育や研究に有用な資源を創出する。
論文 参考訳（メタデータ） (2023-07-05T04:14:57Z) - 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) - Self-Supervised Learning with Masked Image Modeling for Teeth Numbering,
Detection of Dental Restorations, and Instance Segmentation in Dental
Panoramic Radiographs [8.397847537464534]
本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。
我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
論文 参考訳（メタデータ） (2022-10-20T16:50:07Z) - Forensic Dental Age Estimation Using Modified Deep Learning Neural
Network [0.0]
本研究は, 年齢8歳から68歳までの被験者のDPR画像1,332例を用いて, 法医学的年齢を自動推定する手法を提案する。
平均絶対誤差(MAE)は3.13、根平均二乗誤差(RMSE)は4.77、相関係数R$2$は87%であった。
論文 参考訳（メタデータ） (2022-08-21T04:06:04Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。