Fugu-MT 論文翻訳(概要): H-FCBFormer Hierarchical Fully Convolutional Branch Transformer for Occlusal Contact Segmentation with Articulating Paper

論文の概要: H-FCBFormer Hierarchical Fully Convolutional Branch Transformer for Occlusal Contact Segmentation with Articulating Paper

arxiv url: http://arxiv.org/abs/2407.07604v1
Date: Wed, 10 Jul 2024 12:42:39 GMT
ステータス: 処理完了
システム内更新日: 2024-07-11 16:41:55.755929
Title: H-FCBFormer Hierarchical Fully Convolutional Branch Transformer for Occlusal Contact Segmentation with Articulating Paper
Title（参考訳）: 人工紙を用いた咬合接触分割用H-FCB型階層型完全畳み込み分岐変圧器
Authors: Ryan Banks, Bernat Rovira-Lastra, Jordi Martinez-Gomis, Akhilanand Chaurasia, Yunpeng Li,
Abstract要約: 咬合接触検出は, 咬合機能の喪失を回復するための重要なツールである。咬合接触検出の最も一般的な方法は紙の調音である。階層的損失関数を組み合わせた多クラス視覚変換器と完全畳み込みネットワークのセマンティックセマンティックセグメンテーションモデルを提案する。
参考スコア（独自算出の注目度）: 10.006846616020319
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Occlusal contacts are the locations at which the occluding surfaces of the maxilla and the mandible posterior teeth meet. Occlusal contact detection is a vital tool for restoring the loss of masticatory function and is a mandatory assessment in the field of dentistry, with particular importance in prosthodontics and restorative dentistry. The most common method for occlusal contact detection is articulating paper. However, this method can indicate significant medically false positive and medically false negative contact areas, leaving the identification of true occlusal indications to clinicians. To address this, we propose a multiclass Vision Transformer and Fully Convolutional Network ensemble semantic segmentation model with a combination hierarchical loss function, which we name as Hierarchical Fully Convolutional Branch Transformer (H-FCBFormer). We also propose a method of generating medically true positive semantic segmentation masks derived from expert annotated articulating paper masks and gold standard masks. The proposed model outperforms other machine learning methods evaluated at detecting medically true positive contacts and performs better than dentists in terms of accurately identifying object-wise occlusal contact areas while taking significantly less time to identify them. Code is available at https://github.com/Banksylel/H-FCBFormer.
Abstract（参考訳）: 咬合接触は上顎と下顎後歯の咬合面が交わる場所である。咬合接触検出は, 咬合機能の喪失を回復するための重要なツールであり, 歯科補綴学や歯科補綴学において特に重要である。咬合接触検出の最も一般的な方法は紙の調音である。しかし, 本手法は, 医学的に偽陰性かつ医学的に偽陰性な接触部位を顕著に示し, 真の咬合所見の同定は臨床医に委ねられている。これを解決するために,階層型完全畳み込み分岐変換器 (H-FCBFormer) と呼ばれる階層的損失関数を組み合わせたマルチクラス視覚変換器と完全畳み込みネットワークのセマンティックセマンティックセマンティックセマンティクスモデルを提案する。また,専門家の注釈付き紙マスクと金標準マスクから,医学的に正の正のセマンティックセマンティックマスクを生成する方法を提案する。提案モデルは, 医学的正の正の接触を検出するための他の機械学習手法よりも優れており, 対象咬合接触領域を正確に同定し, 識別に要する時間を大幅に削減する。コードはhttps://github.com/Banksylel/H-FCBFormerで入手できる。

関連論文リスト

Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文参考訳（メタデータ） (2023-07-31T18:14:18Z)
TCEIP: Text Condition Embedded Regression Network for Dental Implant Position Prediction [28.824994303170882]
ディープニューラルネットワークは、歯科インプラントの位置を設計する際に歯科医を支援するために提案されている。文献は、複数の欠損歯がある場合、うまく機能せず、歯がまばらに分布しているとき、容易に偽の予測を発生させる。本稿では,テキスト条件をエンコーダ・デコーダ・フレームワークに組み込むために,テキスト条件埋め込み型インプラント位置回帰ネットワーク(TCEIP)を提案する。
論文参考訳（メタデータ） (2023-06-26T03:38:43Z)
RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。 RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
論文参考訳（メタデータ） (2023-03-01T03:15:31Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Check and Link: Pairwise Lesion Correspondence Guides Mammogram Mass Detection [26.175654159429943]
CL-Netは、病変検出とペアワイズ対応をエンドツーエンドで学習するために提案されている。 CL-Netは対方向の病変対応を正確に理解する。これは、低いFPI体制において、以前の方法よりも大きなマージンで上回っている。
論文参考訳（メタデータ） (2022-09-13T08:26:07Z)
TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
論文参考訳（メタデータ） (2022-02-17T05:52:18Z)
Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文参考訳（メタデータ） (2020-09-10T01:57:53Z)
Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文参考訳（メタデータ） (2020-07-10T14:01:20Z)
Multi-level colonoscopy malignant tissue detection with adversarial CAC-UNet [9.861549900260833]
CAC-UNet を用いた高効率多段階悪性組織検出法を提案する。負のWSIを除去するために、プレプレディション戦略と悪性領域誘導ラベル平滑化を備えたパッチレベルモデルを採用する。 The proposed scheme is the best results in MICCAI DigestPath 2019 Challenge on colonoscopy tissue segmentation and classification task。
論文参考訳（メタデータ） (2020-06-29T11:49:58Z)
Deep Negative Volume Segmentation [60.44793799306154]
対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
論文参考訳（メタデータ） (2020-06-22T16:55:23Z)

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。