Fugu-MT 論文翻訳(概要): A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays

論文の概要: A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays

arxiv url: http://arxiv.org/abs/2310.17176v1
Date: Thu, 26 Oct 2023 06:01:25 GMT
ステータス: 処理完了
システム内更新日: 2023-10-27 21:54:15.845214
Title: A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays
Title（参考訳）: パノラマX線を用いた深層学習による歯のセグメンテーションと配向
Authors: Mrinal Kanti Dhar, Mou Deb, D. Madhab, and Zeyun Yu
Abstract要約: 本研究では, 深層学習技術を活用したパノラマX線画像からの歯のセグメンテーションと配向に対する包括的アプローチを提案する。創傷セグメンテーションのために開発された人気モデルであるFUSegNetをベースとしたモデルを構築した。主成分分析(PCA)により, 歯の配向を正確に推定する指向性バウンディングボックス(OBB)の生成を導入する。
参考スコア（独自算出の注目度）: 1.7366868394060984
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Accurate teeth segmentation and orientation are fundamental in modern oral healthcare, enabling precise diagnosis, treatment planning, and dental implant design. In this study, we present a comprehensive approach to teeth segmentation and orientation from panoramic X-ray images, leveraging deep learning techniques. We build our model based on FUSegNet, a popular model originally developed for wound segmentation, and introduce modifications by incorporating grid-based attention gates into the skip connections. We introduce oriented bounding box (OBB) generation through principal component analysis (PCA) for precise tooth orientation estimation. Evaluating our approach on the publicly available DNS dataset, comprising 543 panoramic X-ray images, we achieve the highest Intersection-over-Union (IoU) score of 82.43% and Dice Similarity Coefficient (DSC) score of 90.37% among compared models in teeth instance segmentation. In OBB analysis, we obtain the Rotated IoU (RIoU) score of 82.82%. We also conduct detailed analyses of individual tooth labels and categorical performance, shedding light on strengths and weaknesses. The proposed model's accuracy and versatility offer promising prospects for improving dental diagnoses, treatment planning, and personalized healthcare in the oral domain. Our generated OBB coordinates and codes are available at https://github.com/mrinal054/Instance_teeth_segmentation.
Abstract（参考訳）: 正確な歯のセグメンテーションと配向は現代の口腔医療において基本的なものであり、正確な診断、治療計画、歯科インプラントの設計を可能にしている。本研究では, 深層学習技術を活用したパノラマX線画像からの歯のセグメンテーションと配向に対する包括的アプローチを提案する。傷口セグメンテーションのために最初に開発された人気モデルであるfusegnetに基づいてモデルを構築し、スキップ接続にグリッドベースのアテンションゲートを組み込むことによる修正を導入しました。主成分分析(PCA)により, 歯の配向を正確に推定する指向性バウンディングボックス(OBB)の生成を導入する。 543個のパノラマX線画像からなる公開DNSデータセットに対する我々のアプローチを評価するため, 歯の症例別比較モデルでは, 82.43%のインターセクション・オーバー・ユニオン(IoU)スコア, 90.37%のDice similarity Coefficient(DSC)スコアが得られた。 OBB分析では、回転イオウ(RIoU)スコア82.82%を得る。また,個々の歯のラベルと分類性能を詳細に分析し,強度や弱さに光を当てる。提案モデルの正確性と汎用性は, 口腔領域における歯科診断, 治療計画, パーソナライズ医療の改善に有望な可能性を提供する。生成されたobb座標とコードは、https://github.com/mrinal054/instance_teeth_segmentationで利用可能です。

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)
Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文参考訳（メタデータ） (2024-08-19T15:04:42Z)
Instance Segmentation and Teeth Classification in Panoramic X-rays [35.8246552579468]
歯のセグメンテーションと認識は様々な歯科応用や歯科診断において重要である。この記事では、U-NetとYOLOv8という2つのディープラーニングモデルのパイプラインを提供します。我々は YOLOv8 と U-Net の機能を利用して, 歯のセグメンテーションの質と信頼性を改善した。
論文参考訳（メタデータ） (2024-06-06T04:57:29Z)
Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images [8.041659727964305]
本研究では,スイニングトランスフォーマーとTABを用いたM-Net様構造を取り入れた新しい歯のセグメンテーションモデルを提案する。提案したTABは、歯の複雑な構造に特化するユニークな注意機構を利用する。提案アーキテクチャは,各歯とその周辺構造を正確に定義し,局所的およびグローバルな文脈情報を効果的に取得する。
論文参考訳（メタデータ） (2023-11-07T06:20:34Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
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)
AI-enabled Automatic Multimodal Fusion of Cone-Beam CT and Intraoral Scans for Intelligent 3D Tooth-Bone Reconstruction and Clinical Applications [29.065668174732014]
仮想歯科治療計画における重要なステップは、CBCTから全ての歯骨構造を正確に切り離すことである。従来の研究では、深層学習を用いたCBCTセグメンテーションのいくつかの方法が確立されている。本稿では,CBCTセグメンテーションモデル,口腔内スキャン(IOS)セグメンテーションモデル,および3次元融合クラウン・ルート構造を生成する融合モデルからなる深部歯科用マルチモーダル分析フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-11T07:50:15Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
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)
Pose-Aware Instance Segmentation Framework from Cone Beam CT Images for Tooth Segmentation [9.880428545498662]
コーンビームCT(CBCT)画像からの個々の歯のセグメンテーションは矯正構造の解剖学的理解に不可欠である。 CBCT画像中の重金属人工物の存在は、個々の歯の正確なセグメンテーションを妨げる。本稿では,金属製品に対して堅牢なインスタンスセグメンテーションフレームワークを活用するために,ピクセルワイズラベリングのためのニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-02-06T07:57:34Z)

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。