論文の概要: TeethGenerator: A two-stage framework for paired pre- and post-orthodontic 3D dental data generation
- arxiv url: http://arxiv.org/abs/2507.04685v1
- Date: Mon, 07 Jul 2025 06:08:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.292849
- Title: TeethGenerator: A two-stage framework for paired pre- and post-orthodontic 3D dental data generation
- Title(参考訳): 歯のジェネレーター--歯科補綴前と歯科補綴後のデータ生成のための2段階のフレームワーク
- Authors: Changsong Lei, Yaqian Liang, Shaofeng Wang, Jiajia Dai, Yong-Jin Liu,
- Abstract要約: TeethGeneratorは、歯列前と歯列後を合わせた3D歯のモデルを合成するために設計された新しいフレームワークである。
本データセットは, 実際の矯正データの分布と密接に一致し, 実際のトレーニング用データと組み合わせることで, 歯列アライメント性能を著しく向上させる。
- 参考スコア(独自算出の注目度): 21.06723804953803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital orthodontics represents a prominent and critical application of computer vision technology in the medical field. So far, the labor-intensive process of collecting clinical data, particularly in acquiring paired 3D orthodontic teeth models, constitutes a crucial bottleneck for developing tooth arrangement neural networks. Although numerous general 3D shape generation methods have been proposed, most of them focus on single-object generation and are insufficient for generating anatomically structured teeth models, each comprising 24-32 segmented teeth. In this paper, we propose TeethGenerator, a novel two-stage framework designed to synthesize paired 3D teeth models pre- and post-orthodontic, aiming to facilitate the training of downstream tooth arrangement networks. Specifically, our approach consists of two key modules: (1) a teeth shape generation module that leverages a diffusion model to learn the distribution of morphological characteristics of teeth, enabling the generation of diverse post-orthodontic teeth models; and (2) a teeth style generation module that synthesizes corresponding pre-orthodontic teeth models by incorporating desired styles as conditional inputs. Extensive qualitative and quantitative experiments demonstrate that our synthetic dataset aligns closely with the distribution of real orthodontic data, and promotes tooth alignment performance significantly when combined with real data for training. The code and dataset are available at https://github.com/lcshhh/teeth_generator.
- Abstract(参考訳): デジタル矯正は、医療分野におけるコンピュータビジョン技術の顕著かつ重要な応用である。
これまでのところ、臨床データを収集する労働集約的なプロセス、特に3次元補綴歯モデルの獲得は、歯列ニューラルネットワークを開発する上で重要なボトルネックとなっている。
多くの一般的な3次元形状生成法が提案されているが、そのほとんどは単一物体生成に焦点を合わせており、解剖学的に構造された歯のモデルを生成するには不十分である。
本稿では,下流歯列ネットワークのトレーニングを容易にすることを目的として,歯列前歯と歯列後歯列後歯列モデルの組み合わせを合成する新しい2段階フレームワークであるTeethGeneratorを提案する。
具体的には,(1)拡散モデルを用いて歯の形態特性の分布を学習し,多様な歯列後歯列モデルの生成を可能にする歯形生成モジュール,(2)所定のスタイルを条件入力として組み込んだ歯形生成モジュールからなる。
広範囲な質的,定量的な実験により,我々の合成データセットは実際の矯正データの分布と密接に一致し,実際のトレーニング用データと組み合わせた場合の歯列アライメント性能が著しく向上することが示された。
コードとデータセットはhttps://github.com/lcshhh/teeth_generator.comで公開されている。
関連論文リスト
- 3D Structure-guided Network for Tooth Alignment in 2D Photograph [47.51314162367702]
矯正治療に先立って歯列が整列した2次元写真は, 効果的な歯科医療コミュニケーションに不可欠である。
本稿では2次元画像空間内の歯を入力として2次元写真を取り,アライメントする3次元構造誘導歯列ネットワークを提案する。
本研究は, 各種顔写真におけるネットワークの評価を行い, 歯科矯正産業における特筆すべき性能と高い適用性を示した。
論文 参考訳(メタデータ) (2023-10-17T09:44:30Z) - YOLOrtho -- A Unified Framework for Teeth Enumeration and Dental Disease
Detection [4.136033167469768]
YOLOrthoは歯列挙と歯科疾患検出のための統合された枠組みである。
我々は,3種類の注釈付きデータからなるDentex Challenge 2023データに基づくモデルを開発した。
このデータを十分に活用し,同時に歯の発見と疾患の同定を学習するために,本研究では,歯に付着する属性として疾患を定式化する。
論文 参考訳(メタデータ) (2023-08-11T06:54:55Z) - 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) - 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) - Dense Representative Tooth Landmark/axis Detection Network on 3D Model [32.81858923141152]
本稿では, 歯科医師によるラベル付きデータセットを用いた深層学習手法を提案する。
本手法では, 歯の目印(尖点など)だけでなく, 歯の角化や傾斜を測定する軸も抽出できる。
提案したネットワークは3次元歯のモデルとして入力され,様々な種類の歯のランドマークと軸を予測する。
論文 参考訳(メタデータ) (2021-11-08T00:42:22Z) - 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) - 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。