論文の概要: Enhanced Pediatric Dental Segmentation Using a Custom SegUNet with VGG19 Backbone on Panoramic Radiographs

• arxiv url: http://arxiv.org/abs/2503.06321v1
• Date: Sat, 08 Mar 2025 19:32:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:46:16.296244
• Title: Enhanced Pediatric Dental Segmentation Using a Custom SegUNet with VGG19 Backbone on Panoramic Radiographs
• Title（参考訳）: パノラマX線写真を用いたVGG19バックボーン付きカスタムSegUNetを用いた小児歯科用セグメンテーションの強化
• Authors: Md Ohiduzzaman Ovi, Maliha Sanjana, Fahad Fahad, Mahjabin Runa, Zarin Tasnim Rothy, Tanmoy Sarkar Pias, A. M. Tayeful Islam, Rumman Ahmed Prodhan,
• Abstract要約: 本研究は,VGG19バックボーンを用いたカスタムSegUNetモデルを提案する。 このモデルは精度97.53%、サイコロ係数92.49%、結合(IOU)91.46%に達し、このデータセットの新しいベンチマークが設定された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Pediatric dental segmentation is critical in dental diagnostics, presenting unique challenges due to variations in dental structures and the lower number of pediatric X-ray images. This study proposes a custom SegUNet model with a VGG19 backbone, designed explicitly for pediatric dental segmentation and applied to the Children's Dental Panoramic Radiographs dataset. The SegUNet architecture with a VGG19 backbone has been employed on this dataset for the first time, achieving state-of-the-art performance. The model reached an accuracy of 97.53%, a dice coefficient of 92.49%, and an intersection over union (IOU) of 91.46%, setting a new benchmark for this dataset. These results demonstrate the effectiveness of the VGG19 backbone in enhancing feature extraction and improving segmentation precision. Comprehensive evaluations across metrics, including precision, recall, and specificity, indicate the robustness of this approach. The model's ability to generalize across diverse dental structures makes it a valuable tool for clinical applications in pediatric dental care. It offers a reliable and efficient solution for automated dental diagnostics.
• Abstract（参考訳）: 小児歯科領域は歯科診断において重要であり, 歯科構造の変化, 小児X線像の減少など, 特異な課題を呈している。 本研究は,小児歯科領域のセグメンテーションのために設計されたVGG19バックボーンを用いたSegUNetモデルを提案し,小児歯科パノラマX線写真データセットに適用した。 VGG19バックボーンを備えたSegUNetアーキテクチャがこのデータセットに初めて採用され、最先端のパフォーマンスを実現している。 このモデルは精度97.53%、サイコロ係数92.49%、結合(IOU)91.46%に達し、このデータセットの新しいベンチマークが設定された。 これらの結果は,VGG19バックボーンが特徴抽出の促進とセグメンテーション精度の向上に有効であることを示す。 精度、リコール、特異性など、メトリクスの総合的な評価は、このアプローチの堅牢性を示している。 このモデルが様々な歯科構造にまたがって一般化する能力は、小児歯科医療における臨床応用に有用なツールである。 自動化された歯科診断のための信頼性と効率のよいソリューションを提供する。

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)
• Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
  本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。 本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
  論文  参考訳（メタデータ） (2024-08-08T21:40:06Z)
• 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)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images [8.041659727964305]
  本研究では,スイニングトランスフォーマーとTABを用いたM-Net様構造を取り入れた新しい歯のセグメンテーションモデルを提案する。 提案したTABは、歯の複雑な構造に特化するユニークな注意機構を利用する。 提案アーキテクチャは,各歯とその周辺構造を正確に定義し,局所的およびグローバルな文脈情報を効果的に取得する。
  論文  参考訳（メタデータ） (2023-11-07T06:20:34Z)
• A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays [1.7366868394060984]
  本研究では, 深層学習技術を活用したパノラマX線画像からの歯のセグメンテーションと配向に対する包括的アプローチを提案する。 創傷セグメンテーションのために開発された人気モデルであるFUSegNetをベースとしたモデルを構築した。 主成分分析(PCA)により, 歯の配向を正確に推定する指向性バウンディングボックス(OBB)の生成を導入する。
  論文  参考訳（メタデータ） (2023-10-26T06:01:25Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Construction of unbiased dental template and parametric dental model for precision digital dentistry [46.459289444783956]
  CBCT画像から正確な歯科用アトラスを作製し, 歯のセグメンテーションを誘導するアンバイアスド歯科用テンプレートを開発した。 実際の被写体のCBCT画像159枚を収集して施工する。
  論文  参考訳（メタデータ） (2023-04-07T09:39:03Z)
• CTooth+: A Large-scale Dental Cone Beam Computed Tomography Dataset and Benchmark for Tooth Volume Segmentation [21.474631912695315]
  深層学習に基づく歯のセグメンテーション法は, 満足度は高いが, 基礎的真実を伴う大量の歯データが必要である。 完全注釈付き22巻とラベルなし146巻の3D歯科用CBCTデータセットCTooth+を構築した。 この研究は、歯容積分画タスクのための新しいベンチマークを提供し、この実験は、将来のAIベースの歯科画像研究と臨床応用のベースラインとして機能する。
  論文  参考訳（メタデータ） (2022-08-02T09:13:23Z)
• OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs [53.67409169790872]
  本研究では, 歯科用パノラマX線画像の公開データセットの構築について述べる。 我々はHuman-in-the-loop(HITL)の概念の恩恵を受け、ラベリング手順を高速化する。 その結果,HITLによるラベル付け時間短縮率は51%であり,連続作業時間390時間以上節約できた。
  論文  参考訳（メタデータ） (2022-03-29T18:57:23Z)
• 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)

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。