Fugu-MT 論文翻訳(概要): Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning

論文の概要: Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning

arxiv url: http://arxiv.org/abs/2311.07398v2
Date: Mon, 26 Feb 2024 09:54:34 GMT
ステータス: 処理完了
システム内更新日: 2024-02-28 00:32:40.906184
Title: Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning
Title（参考訳）: 弱教師付き学習を用いた2次元画像からの歯の処理とセグメンテーション
Authors: Tom\'a\v{s} Kunzo, Viktor Kocur, Luk\'a\v{s} Gajdo\v{s}ech, Martin Madaras
Abstract要約: そこで本研究では,手動アノテーションの必要性を低減するために,歯のセグメンテーションに対する弱教師付きアプローチを提案する。本手法は,キーポイント検出ネットワークからの出力ヒートマップと中間特徴マップを用いて,セグメント化プロセスの導出を行う。本手法は, 実際の歯科応用において, 歯のセグメンテーションに費用対効果, 効率のよいソリューションを提供する。
参考スコア（独自算出の注目度）: 1.6385815610837167
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Teeth segmentation is an essential task in dental image analysis for accurate diagnosis and treatment planning. While supervised deep learning methods can be utilized for teeth segmentation, they often require extensive manual annotation of segmentation masks, which is time-consuming and costly. In this research, we propose a weakly supervised approach for teeth segmentation that reduces the need for manual annotation. Our method utilizes the output heatmaps and intermediate feature maps from a keypoint detection network to guide the segmentation process. We introduce the TriDental dataset, consisting of 3000 oral cavity images annotated with teeth keypoints, to train a teeth keypoint detection network. We combine feature maps from different layers of the keypoint detection network, enabling accurate teeth segmentation without explicit segmentation annotations. The detected keypoints are also used for further refinement of the segmentation masks. Experimental results on the TriDental dataset demonstrate the superiority of our approach in terms of accuracy and robustness compared to state-of-the-art segmentation methods. Our method offers a cost-effective and efficient solution for teeth segmentation in real-world dental applications, eliminating the need for extensive manual annotation efforts.
Abstract（参考訳）: 歯のセグメンテーションは、正確な診断と治療計画のための歯科画像解析に欠かせない課題である。教師付き深層学習法は歯のセグメンテーションに利用することができるが、時間と費用のかかるセグメンテーションマスクの広範な手動アノテーションを必要とすることが多い。本研究では,手動アノテーションの必要性を減らすために,歯のセグメンテーションに対する弱い教師付きアプローチを提案する。本手法は,キーポイント検出ネットワークからの出力ヒートマップと中間特徴マップを用いて,セグメント化プロセスの導出を行う。そこで本研究では,歯牙キーポイントを付与した3000個の口腔画像から,歯牙キーポイント検出ネットワークのトレーニングを行う。キーポイント検出ネットワークの異なる層からの特徴マップを組み合わせ、明示的なセグメンテーションアノテーションなしで正確な歯のセグメンテーションを可能にする。検出されたキーポイントは、セグメンテーションマスクのさらなる洗練にも使用される。 TriDentalデータセットの実験結果は,最先端セグメンテーション法と比較して精度と堅牢性の観点から,我々のアプローチの優位性を示している。本手法は, 実世界の歯科用アプリケーションにおいて, 歯のセグメンテーションに費用対効果と効率的なソリューションを提供する。

関連論文リスト

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)
Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation [10.617296334463942]
Cone Beam Computed Tomography (CBCT) 歯科画像における歯の識別とセグメンテーションは, 歯科医が行う手技診断の効率と精度を著しく向上させることができる。既存のセグメンテーション手法は主に大規模なデータボリュームトレーニングに基づいて開発され、そのアノテーションは非常に時間がかかります。本研究では, 大量の未ラベルデータを効果的に活用し, 限られたラベル付きデータで正確な歯のセグメンテーションを実現するタスク指向Masked Auto-Encoderパラダイムを提案する。
論文参考訳（メタデータ） (2024-02-07T05:05:21Z)
A Critical Analysis of the Limitation of Deep Learning based 3D Dental Mesh Segmentation Methods in Segmenting Partial Scans [44.44628400981646]
口腔内スキャンによる歯のセグメンテーションは, 歯科医療において重要な要素である。この課題に対して,多くのDeep Learningベースの歯のセグメンテーションアルゴリズムが開発されている。ほとんどの場合、高い精度が達成されているが、利用可能な歯のセグメンテーション技術のほとんどは、完全な顎モデルの暗黙の制限的な仮定をしている。
論文参考訳（メタデータ） (2023-04-29T11:58:23Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
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)
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)
Tooth Instance Segmentation from Cone-Beam CT Images through Point-based Detection and Gaussian Disentanglement [5.937871999460492]
本稿では,ガウス的不整形目的関数に基づいて個々の歯をアンタングルする点ベース歯像定位ネットワークを提案する。実験結果から,提案アルゴリズムは検出精度を9.1%向上させることにより,最先端の手法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） (2021-02-02T05:15:50Z)
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)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文参考訳（メタデータ） (2020-07-10T15:41:29Z)
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。