論文の概要: CHaRM: Conditioned Heatmap Regression Methodology for Accurate and Fast Dental Landmark Localization

• arxiv url: http://arxiv.org/abs/2501.13073v5
• Date: Fri, 29 Aug 2025 16:48:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 13:41:09.884094
• Title: CHaRM: Conditioned Heatmap Regression Methodology for Accurate and Fast Dental Landmark Localization
• Title（参考訳）: CHaRM : 高精度かつ高速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法
• Authors: José Rodríguez-Ortega, Francisco Pérez-Hernández, 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完全なエンドツーエンド深層学習手法CHaRMを提案する。 CHaRMは、ポイントクラウドエンコーダ、歯列分類ヘッド、新しいCHaRモジュールの4つのコンポーネントを統合している。 ランドマークの前に歯を分割する2段目とは異なり、CHaRMはIOS点雲を直接操作する。
• 参考スコア（独自算出の注目度）: 1.8705038743447968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying anatomical landmarks in 3D dental models is essential for orthodontic treatment, yet manual placement is labor-intensive and requires expert knowledge. While machine learning methods have been proposed for automatic landmark detection in 3D Intraoral Scans (IOS), none provide a fully end-to-end solution that avoids costly tooth segmentation. We present CHaRM (Conditioned Heatmap Regression Methodology), the first fully end-to-end deep learning approach for tooth landmark detection in 3D IOS. CHaRM integrates four components: a point cloud encoder, a decoder with a heatmap regression head, a teeth-presence classification head, and the novel CHaR module. The CHaR module leverages teeth-presence information to adapt to missing teeth, improving detection accuracy in complex dental cases. Unlike two-stage workflows that segment teeth before landmarking, CHaRM operates directly on IOS point clouds, reducing complexity, avoiding error propagation, and lowering computational cost. We evaluated CHaRM with five point cloud learning backbones on IOSLandmarks-1k, a new dataset of 1,214 annotated 3D dental models. Both the dataset and code will be publicly released to address the scarcity of open data in orthodontics and foster reproducible research. CHaRM with PointMLP, named CHaRNet, achieved the best accuracy and efficiency. Compared to state-of-the-art methods (TSMDL and ALIIOS), CHaRNet reduced mean Euclidean distance error to 0.56 mm on standard dental models and 1.12 mm across all dentition type, while delivering up to 14.8x faster inference on GPU. This end-to-end approach streamlines orthodontic workflows, enhances the precision of 3D IOS analysis, and enables 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が、手動配置は労働集約的であり、専門家の知識を必要とする。 3次元口腔内スキャン (IOS) における自動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, 歯の分節化を回避できる完全なエンドツーエンドのソリューションは提供されていない。 3D IOSにおける歯のランドマーク検出のための完全エンドツーエンドのディープラーニングアプローチであるCHaRM(Conditioned Heatmap Regression Methodology)を提案する。 CHaRMは、ポイントクラウドエンコーダ、ヒートマップ回帰ヘッドを備えたデコーダ、歯列分類ヘッド、新しいCHaRモジュールの4つのコンポーネントを統合している。 CHaRモジュールは歯の存在情報を利用して欠損した歯に適応し、複雑な歯科症例における検出精度を向上させる。 ランドマーク前の2段階のワークフローとは異なり、CHaRMはIOSポイントクラウド上で直接動作し、複雑さを減らし、エラーの伝搬を回避し、計算コストを下げる。 IOSLandmarks-1kでCHaRMを5点のクラウド学習バックボーンで評価した。 データセットとコードの両方が公開され、矯正学におけるオープンデータの不足に対処し、再現可能な研究を促進する。 CHaRMとPointMLPはCHaRNetと呼ばれ、最高の精度と効率を実現した。 最先端法 (TSMDL と ALIIOS) と比較して、CHaRNet は標準歯科モデルでは平均ユークリッド距離誤差を 0.56 mm、全ての歯列型では 1.12 mm に削減し、GPUでは 14.8倍高速な推論を実現した。 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合理化し、3D IOS分析の精度を高め、効率的なコンピュータ支援治療計画を可能にする。

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)
• TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer [47.18526074157094]
  歯科用歯冠および歯肉の詳細な3D情報を提供するために, 歯科用光学式歯内スキャナー (IOS) が広く用いられている。 既往の方法は複雑な境界においてエラーを起こしやすく、患者間で不満足な結果を示す。 マルチタスク3Dトランスフォーマアーキテクチャを用いて, 歯の局所的および大域的依存関係とIOS点群における歯肉の象牙質の両方をキャプチャするTSegFormerを提案する。
  論文  参考訳（メタデータ） (2023-11-22T08:45:01Z)
• 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)
• S-R2F2U-Net: A single-stage model for teeth segmentation [3.42658286826597]
  1500個の歯科用パノラマX線画像を含むベンチマークデータセットを用いて,モデルを訓練し,評価する。 S-R2F2U-Netは97.31%の精度と93.26%のダイススコアを獲得し、最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-06T17:07:09Z)
• 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)
• 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。