論文の概要: CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization

• arxiv url: http://arxiv.org/abs/2501.13073v1
• Date: Wed, 22 Jan 2025 18:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:29:33.252296
• Title: CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization
• Title（参考訳）: CHaRNet:ロバストな歯科用ランドマーク位置推定のための条件付きヒートマップ回帰
• Authors: José Rodríguez-Ortega, Siham Tabik,
• Abstract要約: 3D IOSにおける歯のランドマーク検出のためのエンド・ツー・エンド深層学習法であるCHaRNetを提案する。 ランドマークを検出する前に歯を分割する従来の2段階の方法とは異なり、CHaRNetは入力ポイントクラウド上のランドマークを直接検出する。 5点学習アルゴリズムを用いてCHaRNetを評価し,CHaRモジュールの有効性を検証する。
• 参考スコア（独自算出の注目度）: 1.4396365293970155
• License:
• Abstract: Identifying anatomical landmarks in 3D dental models is crucial for orthodontic treatment. Manually placing these key points is complex, time-consuming, and requires expert knowledge. While some machine learning methods have been proposed for automatic tooth landmark detection in 3D Intraoral Scans (IOS), research remains limited, with no fully end-to-end approaches that avoid teeth segmentation. We propose CHaRNet (Conditioned Heatmap Regression Network), the first end-to-end deep learning method for tooth landmark detection in 3D IOS. Unlike traditional two-stage methods that segment teeth before detecting landmarks, CHaRNet directly detects landmarks on the input point cloud. It consists of four key modules: (1) a point cloud encoder, (2) a point cloud decoder with a heatmap regression head, (3) a teeth presence classification head, and (4) the innovative Conditioned Heatmap Regression (CHaR) module. The CHaR module refines landmark regression by leveraging teeth presence classification, enabling dynamic adaptation to cases with missing teeth and improving accuracy in complex dental models. We evaluate CHaRNet using five point cloud learning algorithms to validate the effectiveness of the CHaR module and test it on a clinical dataset of $1,214$ annotated 3D dental models. Both the dataset and code will be publicly released to address the lack of open datasets in orthodontics, promote benchmarking, and inspire new research. CHaRNet achieves a Mean Euclidean Distance Error (MEDE) of 1.28 mm and a Mean Success Ratio (MSR) of 82.40\%, demonstrating robust performance. Notably, it excels in handling irregular dental geometries, such as models with missing teeth. This end-to-end approach streamlines orthodontic workflows, improves 3D IOS analysis precision, and facilitates efficient computer-assisted treatment planning.
• Abstract（参考訳）: 3次元歯科モデルにおける解剖学的ランドマークの同定は矯正治療に不可欠である。 これらのキーポイントを手作業で配置するのは複雑で時間がかかり、専門家の知識が必要です。 3次元口腔内スキャン(IOS)における自動歯のランドマーク検出のための機械学習手法が提案されているが、歯のセグメンテーションを避けるための完全なエンドツーエンドアプローチはない。 3D IOSにおける歯のランドマーク検出のための最初のエンドツーエンドディープラーニングであるCHaRNet(Conditioned Heatmap Regression Network)を提案する。 ランドマークを検出する前に歯を分割する従来の2段階の方法とは異なり、CHaRNetは入力ポイントクラウド上のランドマークを直接検出する。 1)ポイントクラウドエンコーダ、(2)ヒートマップ回帰ヘッドを備えたポイントクラウドデコーダ、(3)歯存在分類ヘッド、(4)イノベーティブな条件付きヒートマップ回帰(CHaR)モジュールの4つのキーモジュールで構成されている。 CHaRモジュールは、歯の存在分類を利用してランドマークレグレッションを洗練し、欠損歯の症例への動的適応を可能にし、複雑な歯科モデルの精度を向上させる。 5点学習アルゴリズムを用いてCHaRNetを評価し,CHaRモジュールの有効性を検証する。 整形外科におけるオープンデータセットの欠如に対処し、ベンチマークを促進し、新しい研究を刺激するために、データセットとコードの両方が一般公開される。 CHaRNetは平均ユークリッド距離誤差(MEDE)が1.28mm、平均成功率(MSR)が82.40\%に達し、堅牢な性能を示す。 特に、歯のないモデルのような不規則な歯のジオメトリーを扱うのに優れています。 このエンドツーエンドのアプローチは矯正のワークフローを効率化し、3D IOS分析精度を改善し、効率的なコンピュータ支援治療計画を容易にする。

関連論文リスト

• Instance Segmentation and Teeth Classification in Panoramic X-rays [35.8246552579468]
  歯のセグメンテーションと認識は様々な歯科応用や歯科診断において重要である。 この記事では、U-NetとYOLOv8という2つのディープラーニングモデルのパイプラインを提供します。 我々は YOLOv8 と U-Net の機能を利用して, 歯のセグメンテーションの質と信頼性を改善した。
  論文  参考訳（メタデータ） (2024-06-06T04:57:29Z)
• An Implicit Parametric Morphable Dental Model [79.29420177904022]
  歯および歯茎の3次元異形性モデルとして, 第一報を提出した。 これは、各歯と歯茎のコンポーネントワイド表現と、これら各コンポーネントの学習可能な潜在コードに基づいている。 我々の復元品質は、新しいアプリケーションを実現しつつ、最も先進的なグローバルな暗黙の表現と同等です。
  論文  参考訳（メタデータ） (2022-11-21T12:23:54Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• Semi-supervised segmentation of tooth from 3D Scanned Dental Arches [5.985943912419412]
  歯のセグメンテーションは歯の修復において重要なトピックであり、歯冠形成、診断、治療計画に不可欠である。 本稿では,3次元アーチのセグメンテーションにおいて,スペクトルクラスタリングをニューラルネットワークの自己超越信号として用いることを提案する。 実験の結果,半教師付き学習では,完全に教師付き状態のMeshSegNetよりも改善が見られた。
  論文  参考訳（メタデータ） (2022-08-10T19:56:47Z)
• SNAKE: Shape-aware Neural 3D Keypoint Field [62.91169625183118]
  形状復元には点雲から3Dキーポイントを検出することが重要である。 形状再構成は3次元キーポイント検出に有効か? 本稿では,形状認識型ニューラル3Dキーポイントフィールドに短いSNAKEという,教師なしの新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T17:58:43Z)
• DArch: Dental Arch Prior-assisted 3D Tooth Instance Segmentation [42.246505056039894]
  歯科用アーチを用いた3次元歯列分割法,すなわちDArchについて述べる。 我々のDArchは2つの段階から構成されており、歯のセントロイド検出と歯のインスタンスのセグメンテーションを含む。 歯科モデル4,773ドルの実験結果から、DArchは歯科モデルの各歯を正確に分割できることがわかった。
  論文  参考訳（メタデータ） (2022-04-25T18:30:01Z)
• 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)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• 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)
• Individual Tooth Detection and Identification from Dental Panoramic X-Ray Images via Point-wise Localization and Distance Regularization [10.877276642014515]
  提案したネットワークは、まずすべての解剖学的歯に対して中心点回帰を行い、各歯を自動的に識別する。 歯の箱は、パッチベースでカスケードニューラルネットワークを用いて個別に局所化される。 実験結果から,提案アルゴリズムは最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-12T04:14:14Z)

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。