論文の概要: Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images

• arxiv url: http://arxiv.org/abs/2311.03749v1
• Date: Tue, 7 Nov 2023 06:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 16:37:44.905374
• Title: Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images
• Title（参考訳）: 歯科用X線画像における歯の注意モジュールを用いたマルチクラスセグメンテーション
• Authors: Afnan Ghafoor and Seong-Yong Moon and Bumshik Lee
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.041659727964305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposed a cutting-edge multiclass teeth segmentation architecture that integrates an M-Net-like structure with Swin Transformers and a novel component named Teeth Attention Block (TAB). Existing teeth image segmentation methods have issues with less accurate and unreliable segmentation outcomes due to the complex and varying morphology of teeth, although teeth segmentation in dental panoramic images is essential for dental disease diagnosis. We propose a novel teeth segmentation model incorporating an M-Net-like structure with Swin Transformers and TAB. The proposed TAB utilizes a unique attention mechanism that focuses specifically on the complex structures of teeth. The attention mechanism in TAB precisely highlights key elements of teeth features in panoramic images, resulting in more accurate segmentation outcomes. The proposed architecture effectively captures local and global contextual information, accurately defining each tooth and its surrounding structures. Furthermore, we employ a multiscale supervision strategy, which leverages the left and right legs of the U-Net structure, boosting the performance of the segmentation with enhanced feature representation. The squared Dice loss is utilized to tackle the class imbalance issue, ensuring accurate segmentation across all classes. The proposed method was validated on a panoramic teeth X-ray dataset, which was taken in a real-world dental diagnosis. The experimental results demonstrate the efficacy of our proposed architecture for tooth segmentation on multiple benchmark dental image datasets, outperforming existing state-of-the-art methods in objective metrics and visual examinations. This study has the potential to significantly enhance dental image analysis and contribute to advances in dental applications.
• Abstract（参考訳）: 本稿では,m-netライクな構造とスウィントランス,新しい歯の注意ブロック(tab)を融合した,最先端の歯の分節構造を提案する。 既存の歯像分割法では, 歯の複雑な形状や形態の違いにより, 精度が低く, 信頼性に欠けるセグメンテーションの結果が問題視されるが, 歯のパノラマ画像における歯のセグメンテーションは歯の診断に不可欠である。 本稿では,m-netライクなスウィントランスとタブを組み込んだ歯の分割モデルを提案する。 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。 TABの注意機構は、パノラマ画像における歯の特徴の重要な要素を正確に強調し、より正確なセグメンテーション結果をもたらす。 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。 さらに,u-net構造の左右脚を活用し,特徴表現の強化によりセグメンテーションの性能を高めるマルチスケールの監督戦略を採用している。 2乗ダイス損失はクラス不均衡問題に対処し、すべてのクラスにまたがる正確なセグメンテーションを保証するために利用される。 提案法をパノラマ歯x線データセットで検証し,実世界の歯科診断で検討した。 本研究は, 歯科画像データセットにおける歯のセグメンテーションにおける提案手法の有効性を実証するものであり, 客観的測定および視覚検査において, 既存の最先端手法を上回っている。 本研究は, 歯科画像解析を著しく向上させ, 歯科応用の進歩に寄与する可能性がある。

関連論文リスト

• 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)
• Teeth-SEG: An Efficient Instance Segmentation Framework for Orthodontic Treatment based on Anthropic Prior Knowledge [8.87268139736394]
  本稿では,階層化されたマルチスケールアグリゲーション(MSA)ブロックと,人為的優先知識(APK)レイヤから構成されるTeethSEGというViTベースのフレームワークを提案する。 これらの問題に対処するために,階層化マルチスケールアグリゲーション(MSA)ブロックと人為的優先知識(APK)レイヤからなる,TeethSEGというViTベースのフレームワークを提案する。 IO150Kを用いた実験により, 歯質SEGは, 歯科画像のセグメンテーションにおける最先端のセグメンテーションモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-04-01T09:34:51Z)
• 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)
• ToothSegNet: Image Degradation meets Tooth Segmentation in CBCT Images [13.572872371886577]
  ToothSegNetは、トレーニング中に生成された劣化したイメージでセグメンテーションモデルを知る新しいフレームワークである。 ToothSegNetはより精密なセグメンテーションを生成し、最先端の医療画像セグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2023-07-05T01:41:24Z)
• 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)
• Semantic decomposition Network with Contrastive and Structural Constraints for Dental Plaque Segmentation [33.40662847763453]
  デンタルプラークのセグメンテーションは、セマンティックブルーの領域で歯とデンタルプラークを識別する必要がある課題である。 本稿では, 歯と歯冠のセグメンテーションに対処するため, 2つの単一タスク枝を導入した意味分解ネットワーク(SDNet)を提案する。
  論文  参考訳（メタデータ） (2022-08-12T14:10:29Z)
• 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)
• 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)
• Retinal Image Segmentation with a Structure-Texture Demixing Network [62.69128827622726]
  複雑な構造とテクスチャ情報は網膜画像に混在し、その情報の識別が困難である。 既存の手法はテクスチャと構造を共同で扱うため、偏りのあるモデルをテクスチャ認識に導くことができ、結果としてセグメンテーション性能は低下する。 本稿では,構造成分とテクスチャ成分を分離し,性能を大幅に向上させるセグメンテーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-15T12:19:03Z)
• 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。