論文の概要: Exploring the Role of Convolutional Neural Networks (CNN) in Dental
Radiography Segmentation: A Comprehensive Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2401.09190v1
- Date: Wed, 17 Jan 2024 13:00:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 15:46:43.328883
- Title: Exploring the Role of Convolutional Neural Networks (CNN) in Dental
Radiography Segmentation: A Comprehensive Systematic Literature Review
- Title（参考訳）: 歯科放射線診断における畳み込みニューラルネットワーク(CNN)の役割を探る:包括的体系的文献レビュー
- Authors: Walid Brahmi and Imen Jdey and Fadoua Drira
- Abstract要約: この研究は、画像解析にCNN(Convolutional Neural Networks)を用いることで、歯科疾患の検出に有効なツールであることを示す。
CNNは歯のセグメンテーションと分類に利用し、全体として最高のパフォーマンスを示した。
- 参考スコア（独自算出の注目度）: 1.342834401139078
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the field of dentistry, there is a growing demand for increased precision
in diagnostic tools, with a specific focus on advanced imaging techniques such
as computed tomography, cone beam computed tomography, magnetic resonance
imaging, ultrasound, and traditional intra-oral periapical X-rays. Deep
learning has emerged as a pivotal tool in this context, enabling the
implementation of automated segmentation techniques crucial for extracting
essential diagnostic data. This integration of cutting-edge technology
addresses the urgent need for effective management of dental conditions, which,
if left undetected, can have a significant impact on human health. The
impressive track record of deep learning across various domains, including
dentistry, underscores its potential to revolutionize early detection and
treatment of oral health issues. Objective: Having demonstrated significant
results in diagnosis and prediction, deep convolutional neural networks (CNNs)
represent an emerging field of multidisciplinary research. The goals of this
study were to provide a concise overview of the state of the art, standardize
the current debate, and establish baselines for future research. Method: In
this study, a systematic literature review is employed as a methodology to
identify and select relevant studies that specifically investigate the deep
learning technique for dental imaging analysis. This study elucidates the
methodological approach, including the systematic collection of data,
statistical analysis, and subsequent dissemination of outcomes. Conclusion:
This work demonstrates how Convolutional Neural Networks (CNNs) can be employed
to analyze images, serving as effective tools for detecting dental pathologies.
Although this research acknowledged some limitations, CNNs utilized for
segmenting and categorizing teeth exhibited their highest level of performance
overall.
- Abstract（参考訳）: 歯科医療の分野では, 診断ツールの精度向上への需要が高まっており, CT, コーンビームCT, 磁気共鳴画像, 超音波, 従来の口腔内X線撮影などの高度な画像技術に焦点を当てている。
ディープラーニングはこの文脈において重要なツールとして現れており、重要な診断データを抽出するのに不可欠な自動セグメンテーション技術の実装を可能にしている。
この最先端技術の統合は、歯の状態を効果的に管理することの必要性に対処し、もし検出されていない場合、人間の健康に大きな影響を与える可能性がある。
歯医者を含むさまざまな分野にわたるディープラーニングの印象的な記録は、口腔健康問題の早期発見と治療に革命をもたらす可能性を強調している。
目的:診断と予測において重要な結果を示した深層畳み込みニューラルネットワーク(CNN)は、多分野研究の新たな分野である。
本研究の目的は,技術の現状を簡潔に概観し,現在の議論を標準化し,今後の研究のベースラインを確立することである。
方法: 本研究では, 歯科画像解析のための深層学習手法を特に研究する関連研究を同定し, 選定する手法として, 体系的な文献レビューが用いられている。
本研究は,データの体系的収集,統計解析,結果の拡散など,方法論的アプローチを明らかにする。
結論: この研究は, 画像解析にCNN(Convolutional Neural Networks)を用いて, 歯科病理診断に有効なツールであることを示す。
この研究はいくつかの限界を認めたが、cnnは歯のセグメンテーションや分類に利用し、全体のパフォーマンスの最高レベルを示した。
関連論文リスト
- A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning [0.0]
我々は,X線スキャンで骨骨折を検出するために,注意に基づく移動学習モデルを構築した。
本モデルでは, フラクチャー分類の90%以上を最先端の精度で達成する。
論文 参考訳（メタデータ） (2024-10-18T19:07:24Z) - Adversarial Neural Networks in Medical Imaging Advancements and Challenges in Semantic Segmentation [6.88255677115486]
人工知能(AI)の最近の進歩は、医療画像のパラダイムシフトを引き起こしている。
本稿では,脳画像のセマンティックセグメンテーションへの深層学習(AIの主分野)の統合を体系的に検討する。
敵対的ニューラルネットワークは、自動化するだけでなく、セマンティックセグメンテーションプロセスを洗練する、新しいAIアプローチである。
論文 参考訳（メタデータ） (2024-10-17T00:05:05Z) - TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。
卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-13T12:24:13Z) - Detection and Classification of Diabetic Retinopathy using Deep Learning
Algorithms for Segmentation to Facilitate Referral Recommendation for Test
and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。
提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。
Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-01-05T11:19:24Z) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - Learning Through Guidance: Knowledge Distillation for Endoscopic Image
Classification [40.366659911178964]
内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。
ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。
KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
論文 参考訳（メタデータ） (2023-08-17T02:02:11Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳（メタデータ） (2022-04-01T22:48:08Z) - Deep Learning for Computational Cytology: A Survey [12.08083533402352]
完全教師付き,弱教師付き,教師なし,伝達学習など,さまざまなディープラーニング手法を導入する。
そこで我々は,公開データセット,評価指標,分類,検出,セグメンテーション,その他の関連タスクを含む多種多様な細胞画像解析アプリケーションを体系的に要約した。
論文 参考訳（メタデータ） (2022-02-10T16:22:10Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。