Fugu-MT 論文翻訳(概要): Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation

論文の概要: Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation

arxiv url: http://arxiv.org/abs/2402.04587v1
Date: Wed, 7 Feb 2024 05:05:21 GMT
ステータス: 処理完了
システム内更新日: 2024-02-08 16:39:45.236033
Title: Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation
Title（参考訳）: cbct歯の分節化のためのマスキング画像モデルによる半教師付き学習
Authors: Pengyu Dai, Yafei Ou, Yang Liu, Yue Zhao
Abstract要約: 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。
参考スコア（独自算出の注目度）: 10.617296334463942
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate tooth identification and segmentation in Cone Beam Computed Tomography (CBCT) dental images can significantly enhance the efficiency and precision of manual diagnoses performed by dentists. However, existing segmentation methods are mainly developed based on large data volumes training, on which their annotations are extremely time-consuming. Meanwhile, the teeth of each class in CBCT dental images being closely positioned, coupled with subtle inter-class differences, gives rise to the challenge of indistinct boundaries when training model with limited data. To address these challenges, this study aims to propose a tasked-oriented Masked Auto-Encoder paradigm to effectively utilize large amounts of unlabeled data to achieve accurate tooth segmentation with limited labeled data. Specifically, we first construct a self-supervised pre-training framework of masked auto encoder to efficiently utilize unlabeled data to enhance the network performance. Subsequently, we introduce a sparse masked prompt mechanism based on graph attention to incorporate boundary information of the teeth, aiding the network in learning the anatomical structural features of teeth. To the best of our knowledge, we are pioneering the integration of the mask pre-training paradigm into the CBCT tooth segmentation task. Extensive experiments demonstrate both the feasibility of our proposed method and the potential of the boundary prompt mechanism.
Abstract（参考訳）: コーンビームct (cbct) の歯科画像における正確な歯の識別と分節化は, 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。しかし、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る。一方,CBCT歯像の各分類の歯列位置は密接な位置にあり,微妙なクラス間差が伴うため,限られたデータを用いたトレーニングモデルでは不明瞭な境界が生じる。これらの課題に対処するため,本研究では,大量のラベルなし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ト化を実現するタスク指向マスク自動エンコーダパラダイムを提案する。具体的には,まずマスク付きオートエンコーダの自己教師付き事前学習フレームワークを構築し,ラベルなしデータを用いてネットワーク性能を向上させる。次に, 歯の境界情報を取り込んで, 歯の解剖学的特徴を学習するネットワークを支援するために, グラフ注意に基づくスパースマスクプロンプト機構を導入する。我々の知る限り、私たちはCBCT歯のセグメンテーションタスクにマスク事前訓練パラダイムの統合を開拓しています。実験により,提案手法の有効性と境界プロンプト機構の可能性の両方が示された。

関連論文リスト

Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文参考訳（メタデータ） (2024-03-05T00:46:53Z)
Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning [1.6385815610837167]
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。
論文参考訳（メタデータ） (2023-11-13T15:25:55Z)
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)
A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays [1.7366868394060984]
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。
論文参考訳（メタデータ） (2023-10-26T06:01:25Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Pre-Training with Diffusion models for Dental Radiography segmentation [0.0]
セマンティックセグメンテーションのための簡単な事前学習法を提案する。本手法はラベル効率の点で優れた性能を発揮する。歯科用ラジオグラフィのセグメンテーションに関する実験結果から,提案手法は最先端の事前訓練法と競合することが示された。
論文参考訳（メタデータ） (2023-07-26T09:33:24Z)
Cut-Paste Consistency Learning for Semi-Supervised Lesion Segmentation [0.20305676256390934]
半教師付き学習は、深層ニューラルネットワークを訓練する際のデータ効率を改善する可能性がある。本稿では,切削ペースト増分法と整合性正規化の考え方を基礎として,簡易な半教師付き学習法を提案する。
論文参考訳（メタデータ） (2022-10-01T04:43:54Z)
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)
Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文参考訳（メタデータ） (2021-08-05T10:39:39Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。