論文の概要: Periodontal Bone Loss Analysis via Keypoint Detection With Heuristic Post-Processing

• arxiv url: http://arxiv.org/abs/2503.13477v1
• Date: Wed, 05 Mar 2025 00:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 06:38:23.026430
• Title: Periodontal Bone Loss Analysis via Keypoint Detection With Heuristic Post-Processing
• Title（参考訳）: Heuristic Post-Processing を用いたキーポイント検出による歯周骨欠損解析
• Authors: Ryan Banks, Vishal Thengane, María Eugenia Guerrero, Nelly Maria García-Madueño, Yunpeng Li, Hongying Tang, Akhilanand Chaurasia,
• Abstract要約: 本研究では, 深層学習キーポイントと物体検出モデル YOLOv8-pose の局所的骨損失ランドマークの自動同定への応用について検討した。 YOLOv8-poseは193個の注釈付き根尖部X線写真に微調整された。 画像中の平均歯の大きさに基準を定め, キーポイント検出基準であるPRCK(Relative Correct Keypoints)を提案する。
• 参考スコア（独自算出の注目度）: 10.628754886688846
• License:
• Abstract: Calculating percentage bone loss is a critical test for periodontal disease staging but is sometimes imprecise and time consuming when manually calculated. This study evaluates the application of a deep learning keypoint and object detection model, YOLOv8-pose, for the automatic identification of localised periodontal bone loss landmarks, conditions and staging. YOLOv8-pose was fine-tuned on 193 annotated periapical radiographs. We propose a keypoint detection metric, Percentage of Relative Correct Keypoints (PRCK), which normalises the metric to the average tooth size of teeth in the image. We propose a heuristic post-processing module that adjusts certain keypoint predictions to align with the edge of the related tooth, using a supporting instance segmentation model trained on an open source auxiliary dataset. The model can sufficiently detect bone loss keypoints, tooth boxes, and alveolar ridge resorption, but has insufficient performance at detecting detached periodontal ligament and furcation involvement. The model with post-processing demonstrated a PRCK 0.25 of 0.726 and PRCK 0.05 of 0.401 for keypoint detection, mAP 0.5 of 0.715 for tooth object detection, mesial dice score of 0.593 for periodontal staging, and dice score of 0.280 for furcation involvement. Our annotation methodology provides a stage agnostic approach to periodontal disease detection, by ensuring most keypoints are present for each tooth in the image, allowing small imbalanced datasets. Our PRCK metric allows accurate evaluation of keypoints in dental domains. Our post-processing module adjusts predicted keypoints correctly but is dependent on a minimum quality of prediction by the pose detection and segmentation models. Code: https:// anonymous.4open.science/r/Bone-Loss-Keypoint-Detection-Code. Dataset: https://bit.ly/4hJ3aE7.
• Abstract（参考訳）: 骨減少率の計算は歯周病のステージングにとって重要なテストであるが、手動で計算すると不正確で時間を要することがある。 本研究では, 深層学習キーポイントと物体検出モデル YOLOv8-pose を用いて, 局所的な歯周骨喪失のランドマーク, 条件, ステージングの自動同定を行った。 YOLOv8-poseは193個の注釈付き根尖部X線写真に微調整された。 画像中の平均歯の大きさに基準を定め, キーポイント検出基準であるPRCK(Relative Correct Keypoints)を提案する。 本稿では,特定のキーポイント予測を調整して関連する歯の縁に合わせるヒューリスティックな後処理モジュールを提案する。 このモデルでは, 骨喪失キーポイント, 歯列箱, 歯槽隆起部吸収を十分に検出できるが, 離開歯根膜や根管への関与を検出するには不十分である。 後処理モデルでは, キーポイント検出用PRCK 0.25とPRCK 0.05とキーポイント検出用PRCK 0.401, 歯肉検出用mAP 0.5と0.715, 歯周期ステージ用mesial dice score 0.593, 灌流用dice score 0.280が示された。 画像中の各歯にほとんどのキーポイントが存在することを保証し、小さな不均衡なデータセットを許容することにより、歯周病検出の段階的非依存的なアプローチを提供する。 PRCK測定は歯科領域におけるキーポイントの正確な評価を可能にする。 我々の後処理モジュールは、予測キーポイントを正しく調整するが、ポーズ検出とセグメンテーションモデルによる予測の最小品質に依存している。 コード:https:// anonymous.4open.science/r/Bone-Loss-Keypoint-Detection-Code データセット: https://bit.ly/4hJ3aE7。

関連論文リスト

• Statistical validation of a deep learning algorithm for dental anomaly detection in intraoral radiographs using paired data [0.0]
  本研究は, 深層学習アルゴリズムを用いた歯科医師の検出性能と, 画像評価を行う歯科医師の先行成績を比較した。 これらの結果の統計的意義は、マクネマール検定と二項仮説検定の両方を用いて広く証明されている。
  論文  参考訳（メタデータ） (2024-02-01T13:46:36Z)
• A Sequential Framework for Detection and Classification of Abnormal Teeth in Panoramic X-rays [1.8962225869778402]
  本報告では,MICCAI 2023におけるパノラマX線検査における歯科審美と診断の解決策について述べる。 本手法は, 異常歯の検出・分類作業に適した多段階の枠組みから構成される。
  論文  参考訳（メタデータ） (2023-08-31T13:47:01Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Rethinking Keypoint Representations: Modeling Keypoints and Poses as Objects for Multi-Person Human Pose Estimation [79.78017059539526]
  本研究では,個々のキーポイントと空間的関連キーポイント(ポーズ)の集合を,密集した単一ステージアンカーベース検出フレームワーク内のオブジェクトとしてモデル化する,新しいヒートマップフリーなキーポイント推定手法を提案する。 実験では, KAPAOは従来手法よりもはるかに高速かつ高精度であり, 熱マップ後処理に悩まされていた。 我々の大規模モデルであるKAPAO-Lは、テスト時間拡張なしでMicrosoft COCO Keypoints検証セット上で70.6のAPを達成する。
  論文  参考訳（メタデータ） (2021-11-16T15:36:44Z)
• 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)
• Tooth Instance Segmentation from Cone-Beam CT Images through Point-based Detection and Gaussian Disentanglement [5.937871999460492]
  本稿では,ガウス的不整形目的関数に基づいて個々の歯をアンタングルする点ベース歯像定位ネットワークを提案する。 実験結果から,提案アルゴリズムは検出精度を9.1%向上させることにより,最先端の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） (2021-02-02T05:15:50Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Condensing Two-stage Detection with Automatic Object Key Part Discovery [87.1034745775229]
  2段階の物体検出器は通常、高い精度を達成するために、検出ヘッドのために過度に大きなモデルを必要とする。 そこで本研究では,2段階検出ヘッドのモデルパラメータを,対象キー部分に集中させることで縮合・縮小できることを示す。 提案手法は、一般的な2段検出ヘッドのモデルパラメータの約50%を放棄しながら、元の性能を一貫して維持する。
  論文  参考訳（メタデータ） (2020-06-10T01:20:47Z)
• 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)
• 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。