論文の概要: Evaluating the Suitability of Different Intraoral Scan Resolutions for Deep Learning-Based Tooth Segmentation

• arxiv url: http://arxiv.org/abs/2502.19515v1
• Date: Wed, 26 Feb 2025 19:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:57:55.692373
• Title: Evaluating the Suitability of Different Intraoral Scan Resolutions for Deep Learning-Based Tooth Segmentation
• Title（参考訳）: 深層学習による歯の分割における口腔内スキャン解像度の適合性の評価
• Authors: Daron Weekley, Jace Duckworth, Anastasiia Sukhanova, Ananya Jana,
• Abstract要約: 口腔内スキャンは歯科補綴、治療計画、矯正処置などの業務に広く用いられている。 歯のセグメンテーションなどのタスクを自動化するディープラーニングベースの手法が開発されている。 典型的な口腔内スキャンには20万以上のメッシュセルが含まれており、計算処理に費用がかかる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Intraoral scans are widely used in digital dentistry for tasks such as dental restoration, treatment planning, and orthodontic procedures. These scans contain detailed topological information, but manual annotation of these scans remains a time-consuming task. Deep learning-based methods have been developed to automate tasks such as tooth segmentation. A typical intraoral scan contains over 200,000 mesh cells, making direct processing computationally expensive. Models are often trained on downsampled versions, typically with 10,000 or 16,000 cells. Previous studies suggest that downsampling may degrade segmentation accuracy, but the extent of this degradation remains unclear. Understanding the extent of degradation is crucial for deploying ML models on edge devices. This study evaluates the extent of performance degradation with decreasing resolution. We train a deep learning model (PointMLP) on intraoral scans decimated to 16K, 10K, 8K, 6K, 4K, and 2K mesh cells. Models trained at lower resolutions are tested on high-resolution scans to assess performance. Our goal is to identify a resolution that balances computational efficiency and segmentation accuracy.
• Abstract（参考訳）: 口腔内スキャンは歯科補綴、治療計画、矯正処置などの業務に広く用いられている。 これらのスキャンには詳細なトポロジ情報が含まれているが、これらのスキャンのマニュアルアノテーションは依然として時間を要する作業である。 歯のセグメンテーションなどのタスクを自動化するディープラーニングベースの手法が開発されている。 典型的な口腔内スキャンには20万以上のメッシュセルが含まれており、計算処理に費用がかかる。 モデルは、通常1万から1万6000個の細胞で、サンプリングされたバージョンで訓練される。 以前の研究では、ダウンサンプリングはセグメンテーションの精度を低下させる可能性があるが、この劣化の程度は未だ不明である。 エッジデバイスにMLモデルをデプロイするには、分解の程度を理解することが重要です。 本研究では,分解能の低下に伴う性能劣化の程度を評価する。 深層学習モデル(PointMLP)を16K,10K,8K,6K,4K,2Kメッシュセルに近似した口腔内スキャンで訓練する。 低解像度で訓練されたモデルは、高解像度のスキャンでテストされ、性能が評価される。 我々のゴールは、計算効率とセグメンテーション精度のバランスをとる解決法を特定することである。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks [11.749248917866915]
  本稿では,細胞形態を学習し,多数のがんタイプを同定するために事前訓練した新しいDeepCMorphモデルを提案する。 7175例の8736例の診断スライドから抽出した270K以上の組織パッチからなるPan-Cancer TCGAデータセット上で,本モジュールを事前訓練した。 提案手法は, 82%以上の精度で32種類の癌を検出でき, 従来提案されていたすべてのソリューションを4%以上上回る性能を示した。
  論文  参考訳（メタデータ） (2024-07-11T16:03:59Z)
• Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
  業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。 学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。 利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
  論文  参考訳（メタデータ） (2023-12-25T21:25:55Z)
• Fast CT anatomic localization algorithm [0.0]
  我々はCTスキャンで各スライスの位置を自動的に決定する方法を示す。 これらのスライスに基づいて,スライス指数を推定された軸方向の解剖学的位置にマッピングする線形モデルを用いる。 このアプローチは計算効率が良く、典型的な処理時間はスキャン1秒未満である。
  論文  参考訳（メタデータ） (2023-12-05T18:09:47Z)
• A Critical Analysis of the Limitation of Deep Learning based 3D Dental Mesh Segmentation Methods in Segmenting Partial Scans [44.44628400981646]
  口腔内スキャンによる歯のセグメンテーションは, 歯科医療において重要な要素である。 この課題に対して,多くのDeep Learningベースの歯のセグメンテーションアルゴリズムが開発されている。 ほとんどの場合、高い精度が達成されているが、利用可能な歯のセグメンテーション技術のほとんどは、完全な顎モデルの暗黙の制限的な仮定をしている。
  論文  参考訳（メタデータ） (2023-04-29T11:58:23Z)
• Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs [8.397847537464534]
  本研究の目的は,SimMIM や UM-MAE といった近年の自己教師型学習手法を応用して,限られた数の歯科用ラジオグラフィーのモデル効率と理解を高めることである。 我々の知る限りでは、歯科用パノラマX線写真にスイニングトランスフォーマーに自己教師あり学習法を適用した最初の研究である。
  論文  参考訳（メタデータ） (2022-10-20T16:50:07Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Coronary Artery Segmentation from Intravascular Optical Coherence Tomography Using Deep Capsules [0.0]
  血管内光コヒーレンストモグラフィーによる冠動脈の分画と解析は,冠動脈疾患の診断と管理の重要な側面である。 現在の画像処理手法は、専門家ラベル付きデータセットを生成するのに必要な時間と、分析中のバイアスの可能性によって妨げられている。 セグメンテーションの品質を犠牲にすることなく、推論時に高速なメモリフットプリントのモデルを開発する。 私たちは、私たちの開発が12%のパラメータを使用しながら、セグメンテーション品質とロバストネスの観点から最先端の機械学習手法と同等のモデルであるDeepCapにつながっていることを示しています。
  論文  参考訳（メタデータ） (2020-03-13T01:37:45Z)

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。