論文の概要: Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints

• arxiv url: http://arxiv.org/abs/2410.20806v1
• Date: Mon, 28 Oct 2024 07:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:22:27.294121
• Title: Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints
• Title（参考訳）: 咬合・衝突拘束による変圧器による歯のアライメント予測
• Authors: ZhenXing Dong, JiaZhou Chen, YangHui Xu,
• Abstract要約: スウィントランスに基づく軽量な歯列アライメントニューラルネットワークを提案する。 まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを秩序な多チャンネルテクスチャに変換する。 次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。
• 参考スコア（独自算出の注目度）: 3.5034434329837563
• License:
• Abstract: The planning of digital orthodontic treatment requires providing tooth alignment, which not only consumes a lot of time and labor to determine manually but also relays clinical experiences heavily. In this work, we proposed a lightweight tooth alignment neural network based on Swin-transformer. We first re-organized 3D point clouds based on virtual arch lines and converted them into order-sorted multi-channel textures, which improves the accuracy and efficiency simultaneously. We then designed two new occlusal loss functions that quantitatively evaluate the occlusal relationship between the upper and lower jaws. They are important clinical constraints, first introduced to the best of our knowledge, and lead to cutting-edge prediction accuracy. To train our network, we collected a large digital orthodontic dataset that has 591 clinical cases, including various complex clinical cases. This dataset will benefit the community after its release since there is no open dataset so far. Furthermore, we also proposed two new orthodontic dataset augmentation methods considering tooth spatial distribution and occlusion. We evaluated our method with this dataset and extensive experiments, including comparisons with STAT methods and ablation studies, and demonstrate the high prediction accuracy of our method.
• Abstract（参考訳）: デジタル矯正治療の計画には歯のアライメントの提供が必要であり、これは手作業で決めるのに多くの時間と労力を消費するだけでなく、臨床経験を大いに中継する。 本研究では,スウィントランスを用いた軽量な歯列アライメントニューラルネットワークを提案する。 まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを順序付けした多チャンネルテクスチャに変換し、精度と効率を同時に向上する。 次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。 それらは重要な臨床上の制約であり、まず私たちの知識を最大限に活用し、最先端の予測精度につながる。 ネットワークをトレーニングするために, 様々な臨床症例を含む591症例の大規模デジタル矯正データセットを収集した。 このデータセットは、これまでのオープンデータセットがないため、リリース後にコミュニティに恩恵をもたらすだろう。 さらに,歯の空間分布と咬合を考慮した2つの新しい矯正用データセット増強法を提案した。 提案手法を,STAT法との比較やアブレーション研究を含む広範囲な実験により評価し,本手法の高精度な予測精度を実証した。

関連論文リスト

• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Automatic Tooth Arrangement with Joint Features of Point and Mesh Representations via Diffusion Probabilistic Models [33.75061391364549]
  歯の整列は矯正治療において重要なステップであり、歯の整列は全体の健康を改善し、顔の美学を高め、自信を高める。 未経験者による歯のアレンジメントの効率化と不合理なデザインによる誤りの最小化を目的として, 深層学習に基づく歯のアレンジメント手法が提案されている。
  論文  参考訳（メタデータ） (2023-12-23T02:27:15Z)
• CoactSeg: Learning from Heterogeneous Data for New Multiple Sclerosis Lesion Segmentation [27.816276215102]
  CoactSegモデルは、同じ3つの入力(ベースライン、フォローアップ、そしてそれらの長手脳の差)と同じ3つの出力(対応するオールレシオンとニューレシオン予測)を持つ統一モデルとして設計されている。 実験により,不均質データと提案した長手関係制約を用いることで,新順序と全順序セグメンテーションの両タスクの性能が著しく向上することを示した。
  論文  参考訳（メタデータ） (2023-07-10T12:20:05Z)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• Using the Order of Tomographic Slices as a Prior for Neural Networks Pre-Training [1.1470070927586016]
  ボリュームの代わりにスライス上でSortingLossを事前学習する手法を提案する。 ボリュームではなくスライスで事前トレーニングを行うので、スライスのスパースセットでモデルを微調整することができる。 提案手法はSimCLRと同等に動作し、2倍高速に動作し、1.5倍少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-03-17T14:58:15Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification [1.0672152844970149]
  適応ヒストグラム等化と畳み込みニューラルネットワーク(CNN)に基づく新しい解法を提案する。 テストセットの精度と特異性は90%を超え、AUCは0.97に達した。
  論文  参考訳（メタデータ） (2020-05-01T13:55:44Z)

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。