論文の概要: GeoT: Geometry-guided Instance-dependent Transition Matrix for Semi-supervised Tooth Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2503.16976v1
• Date: Fri, 21 Mar 2025 09:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:58:18.894489
• Title: GeoT: Geometry-guided Instance-dependent Transition Matrix for Semi-supervised Tooth Point Cloud Segmentation
• Title（参考訳）: GeoT: 半監督歯牙点クラウドセグメンテーションのための幾何誘導型インスタンス依存遷移行列
• Authors: Weihao Yu, Xiaoqing Guo, Chenxin Li, Yifan Liu, Yixuan Yuan,
• Abstract要約: GeoTは、半教師付き歯科用セグメンテーションのための擬似ラベルのノイズを明示的にモデル化するために、インスタンス依存遷移行列(IDTM)を使用するフレームワークである。 具体的には, 数万点の歯科的点から生じるIDTMの広い解空間を扱うために, 歯の幾何学的先行性を導入する。 提案手法は,ラベル付きデータの20%しか持たない完全教師付き手法に匹敵する性能を達成し,セグメンテーションを容易にするためにラベル付きデータを完全に活用することができる。
• 参考スコア（独自算出の注目度）: 48.64133802117796
• License:
• Abstract: Achieving meticulous segmentation of tooth point clouds from intra-oral scans stands as an indispensable prerequisite for various orthodontic applications. Given the labor-intensive nature of dental annotation, a significant amount of data remains unlabeled, driving increasing interest in semi-supervised approaches. One primary challenge of existing semi-supervised medical segmentation methods lies in noisy pseudo labels generated for unlabeled data. To address this challenge, we propose GeoT, the first framework that employs instance-dependent transition matrix (IDTM) to explicitly model noise in pseudo labels for semi-supervised dental segmentation. Specifically, to handle the extensive solution space of IDTM arising from tens of thousands of dental points, we introduce tooth geometric priors through two key components: point-level geometric regularization (PLGR) to enhance consistency between point adjacency relationships in 3D and IDTM spaces, and class-level geometric smoothing (CLGS) to leverage the fixed spatial distribution of tooth categories for optimal IDTM estimation. Extensive experiments performed on the public Teeth3DS dataset and private dataset demonstrate that our method can make full utilization of unlabeled data to facilitate segmentation, achieving performance comparable to fully supervised methods with only $20\%$ of the labeled data.
• Abstract（参考訳）: 口腔内スキャンによる歯点雲の精密な分画は, 様々な矯正治療に必須の前提条件である。 歯科用アノテーションの労働集約性を考えると、かなりの量のデータがラベル付けされておらず、半監督的なアプローチへの関心が高まっている。 既存の半教師付き医療セグメンテーション法の第一の課題は、ラベルなしデータに対して生成されるノイズの多い擬似ラベルにある。 この課題に対処するため, 半教師歯のセグメンテーションのための擬似ラベルのノイズを明示的にモデル化するために, インスタンス依存遷移行列(IDTM)を用いた最初のフレームワークであるGeoTを提案する。 具体的には, 3D と IDTM 空間における点隣接関係の整合性を高めるために点レベル幾何正規化 (PLGR) と, 最適 IDTM 推定のために歯のカテゴリの固定空間分布を利用するためのクラスレベル幾何平滑化 (CLGS) の2つの主要な構成要素を通して, 歯形前駆体(歯形前駆体)の広い解空間を扱う。 パブリックなTeeth3DSデータセットとプライベートデータセットで実施された大規模な実験により、我々の手法は、ラベル付きデータをフル活用してセグメンテーションを容易にし、ラベル付きデータのわずか20セントで完全に教師付き手法に匹敵する性能を達成できることを示した。

関連論文リスト

• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
  コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。 深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。 歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-15T04:23:28Z)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 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)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• 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)

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。