論文の概要: Deep Learning Techniques for Automatic Lateral X-ray Cephalometric Landmark Detection: Is the Problem Solved?
- arxiv url: http://arxiv.org/abs/2409.15834v1
- Date: Tue, 24 Sep 2024 08:03:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 08:31:23.273091
- Title: Deep Learning Techniques for Automatic Lateral X-ray Cephalometric Landmark Detection: Is the Problem Solved?
- Title（参考訳）: 自動側方X線ケパロメトリランドマーク検出のためのディープラーニング技術:問題は解決されているか?
- Authors: Hongyuan Zhang, Ching-Wei Wang, Hikam Muzakky, Juan Dai, Xuguang Li, Chenglong Ma, Qian Wu, Xianan Cui, Kunlun Xu, Pengfei He, Dongqian Guo, Xianlong Wang, Hyunseok Lee, Zhangnan Zhong, Zhu Zhu, Bingsheng Huang,
- Abstract要約: ケパロメトリランドマーク検出(Cephalometric Landmark Detection, CCL-Detection)データセットは,脳波ランドマーク検出のための最大かつ包括的なデータセットである。
本稿では,最先端のディープラーニング手法が脳波のランドマーク検出にどの程度役立つかを測定する。
- 参考スコア（独自算出の注目度）: 12.422216286751073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Localization of the craniofacial landmarks from lateral cephalograms is a fundamental task in cephalometric analysis. The automation of the corresponding tasks has thus been the subject of intense research over the past decades. In this paper, we introduce the "Cephalometric Landmark Detection (CL-Detection)" dataset, which is the largest publicly available and comprehensive dataset for cephalometric landmark detection. This multi-center and multi-vendor dataset includes 600 lateral X-ray images with 38 landmarks acquired with different equipment from three medical centers. The overarching objective of this paper is to measure how far state-of-the-art deep learning methods can go for cephalometric landmark detection. Following the 2023 MICCAI CL-Detection Challenge, we report the results of the top ten research groups using deep learning methods. Results show that the best methods closely approximate the expert analysis, achieving a mean detection rate of 75.719% and a mean radial error of 1.518 mm. While there is room for improvement, these findings undeniably open the door to highly accurate and fully automatic location of craniofacial landmarks. We also identify scenarios for which deep learning methods are still failing. Both the dataset and detailed results are publicly available online, while the platform will remain open for the community to benchmark future algorithm developments at https://cl-detection2023.grand-challenge.org/.
- Abstract（参考訳）: 頭蓋顔面の局所化は脳波解析の基本的な課題である。
このようにして、対応するタスクの自動化は、過去数十年にわたる激しい研究の対象となっている。
本稿では,Cephalometric Landmark Detection (CL-Detection) データセットを紹介する。
このマルチセンターとマルチベンダのデータセットには、600枚の横X線画像と、3つの医療センターから異なる機器で取得された38個のランドマークが含まれている。
本研究の目的は,最先端の深層学習手法が脳波のランドマーク検出にどの程度役立つかを測定することである。
2023年のMICCAI CL-Detection Challengeに続いて,ディープラーニングを用いたトップ10研究グループの結果を報告する。
以上の結果から, 専門家分析を近似し, 平均検出率は75.719%, 平均半径誤差は1.518mmであることが示唆された。
改善の余地はあるものの、これらの所見は確実に頭蓋顔面のランドマークの高度かつ完全自動的な位置への扉を開く。
また、ディープラーニング手法がまだ失敗しているシナリオを特定します。
データセットと詳細な結果の両方がオンラインで公開されているが、コミュニティが将来のアルゴリズム開発をベンチマークするために、https://cl-detection2023.grand-challenge.org/.comで公開される予定だ。
関連論文リスト
- Multi-Resolution Fusion for Fully Automatic Cephalometric Landmark
Detection [1.9580473532948401]
側頭蓋X線像のセファロメトリーによるランドマーク検出は,特定の歯科疾患の診断において重要な役割を担っている。
広汎なデータ観測と定量的解析により,異なる受容領域の視覚的特徴が様々なランドマークの検出精度に異なる影響があることが判明した。
本手法は, 側方X線画像2023におけるケパロメトリランドマーク検出において実装され, 最終試験段階における平均放射誤差 1.62mm, 後続検出率 2.0mm, 74.18%の平均放射誤差 (MRE) を達成した。
論文 参考訳（メタデータ） (2023-10-04T14:42:45Z) - 'Aariz: A Benchmark Dataset for Automatic Cephalometric Landmark
Detection and CVM Stage Classification [0.402058998065435]
このデータセットは、解像度の異なる7つの異なるX線画像装置から得られた1000個の側方脳波ラジオグラフィー(LCR)を含む。
私たちのチームの臨床専門家は、各X線写真に29の頭蓋計測のランドマークを細心の注意で注釈付けしました。
このデータセットは、矯正治療などに使われる信頼性の高い自動ランドマーク検出フレームワークの開発に役立ちます。
論文 参考訳（メタデータ） (2023-02-15T17:31:56Z) - CEPHA29: Automatic Cephalometric Landmark Detection Challenge 2023 [0.402058998065435]
我々は,CEPHA29自動ケパロメトリランドマーク検出チャレンジを組織する。
我々は、1000個の頭蓋X線画像からなる、最も広く公開されているデータセットを提供する。
われわれの挑戦が、この分野の新しい時代の始まりを告げてくれることを期待している」と述べた。
論文 参考訳（メタデータ） (2022-12-09T12:25:58Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - High-Resolution Segmentation of Tooth Root Fuzzy Edge Based on
Polynomial Curve Fitting with Landmark Detection [14.733417048938518]
ランドマーク検出(HS-PCL)を用いた曲線フィッティングに基づく高分解能セグメンテーションモデルを提案する。
歯根の区分として滑らかな曲線に合うように歯根の端に均等に分布する複数のランドマークを検出することに基づいています。
本モデルでは, 最短アルゴリズム (MNSDA) の最大数を提案し, 間違ったランドマークの負の影響を自動的に低減する。
論文 参考訳（メタデータ） (2021-03-07T04:28:09Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Automated 3D cephalometric landmark identification using computerized
tomography [1.4349468613117398]
頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。
近年,ディープラーニング(dl)を用いた2次元頭部画像の自動ランドマーク作成が大きな成功を収めているが,80以上のランドマークに対する3次元ランドマークは,まだ満足のいくレベルには達していない。
本論文では,匿名化されたランドマークデータセットと対のCTデータを取り除いた,半教師付き3次元ランドマーク用DL法を提案する。
論文 参考訳（メタデータ） (2020-12-16T07:29:32Z) - 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) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。