論文の概要: Geometric-Guided Few-Shot Dental Landmark Detection with Human-Centric Foundation Model

• arxiv url: http://arxiv.org/abs/2507.04710v1
• Date: Mon, 07 Jul 2025 07:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.306592
• Title: Geometric-Guided Few-Shot Dental Landmark Detection with Human-Centric Foundation Model
• Title（参考訳）: 人中心基礎モデルを用いた幾何学的ガイド付きフイショット型歯科用ランドマーク検出
• Authors: Anbang Wang, Marawan Elbatel, Keyuan Liu, Lizhuo Lin, Meng Lan, Yanqi Yang, Xiaomeng Li,
• Abstract要約: GeoSapiensは,前歯のCBCTによる頑健な歯のランドマーク検出を目的とした,新規な数ショット学習フレームワークである。 その結果,GeoSapiensが既存のランドマーク検出法を超越したことが明らかとなった。
• 参考スコア（独自算出の注目度）: 6.016276428517095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection of anatomic landmarks is essential for assessing alveolar bone and root conditions, thereby optimizing clinical outcomes in orthodontics, periodontics, and implant dentistry. Manual annotation of landmarks on cone-beam computed tomography (CBCT) by dentists is time-consuming, labor-intensive, and subject to inter-observer variability. Deep learning-based automated methods present a promising approach to streamline this process efficiently. However, the scarcity of training data and the high cost of expert annotations hinder the adoption of conventional deep learning techniques. To overcome these challenges, we introduce GeoSapiens, a novel few-shot learning framework designed for robust dental landmark detection using limited annotated CBCT of anterior teeth. Our GeoSapiens framework comprises two key components: (1) a robust baseline adapted from Sapiens, a foundational model that has achieved state-of-the-art performance in human-centric vision tasks, and (2) a novel geometric loss function that improves the model's capacity to capture critical geometric relationships among anatomical structures. Experiments conducted on our collected dataset of anterior teeth landmarks revealed that GeoSapiens surpassed existing landmark detection methods, outperforming the leading approach by an 8.18% higher success detection rate at a strict 0.5 mm threshold-a standard widely recognized in dental diagnostics. Code is available at: https://github.com/xmed-lab/GeoSapiens.
• Abstract（参考訳）: 解剖学的ランドマークの正確な検出は、歯槽骨と根の状態を評価し、矯正治療、歯周治療、インプラント歯科における臨床結果の最適化に不可欠である。 歯科医によるコーンビームCT(CBCT)のランドマークのマニュアルアノテーションは、時間がかかり、労働集約的であり、サーバ間変動の対象となる。 ディープラーニングに基づく自動化手法は、このプロセスを効率的に合理化するための有望なアプローチを示す。 しかし、訓練データの不足と専門家アノテーションの高コストは、従来のディープラーニング技術の採用を妨げている。 これらの課題を克服するために,歯の注釈付きCBCTを用いた頑健な歯のランドマーク検出を目的とした新しい数ショット学習フレームワークであるGeoSapiensを紹介した。 われわれのGeoSapiensフレームワークは,(1)サピエンスから適応したロバストなベースライン,(2)人中心の視覚タスクにおいて最先端の性能を達成した基礎モデル,(2)解剖学的構造間の重要な幾何学的関係を捉えるためのモデルの能力を向上させる新しい幾何学的損失関数,の2つの重要な構成要素から構成される。 その結果,GeoSapiensは従来のランドマーク検出法より8.18%高い精度で,厳密な0.5mmのしきい値,歯科診断において広く認識されている標準値で,先行するアプローチよりも優れていたことがわかった。 コードは、https://github.com/xmed-lab/GeoSapiens.comで入手できる。

関連論文リスト

• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Benchmarking Pretrained Attention-based Models for Real-Time Recognition in Robot-Assisted Esophagectomy [2.847280871973632]
  食道癌は世界中で最も多いがんの1つである。 近年,ロボットによる最小侵襲食道切除術が有望な代替手段として浮上している。 コンピュータ支援解剖学の認識は、手術ナビゲーションを改善することを約束する。
  論文  参考訳（メタデータ） (2024-12-04T15:32:37Z)
• Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints [3.5034434329837563]
  スウィントランスに基づく軽量な歯列アライメントニューラルネットワークを提案する。 まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを秩序な多チャンネルテクスチャに変換する。 次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。
  論文  参考訳（メタデータ） (2024-10-28T07:54:07Z)
• OralBBNet: Spatially Guided Dental Segmentation of Panoramic X-Rays with Bounding Box Priors [34.82692226532414]
  OralBBNetは、歯の分類とパノラマX線におけるセグメンテーションの精度と堅牢性を改善するように設計されている。 本手法は, 従来の方法と比較して, 平均平均精度 (mAP) が1～3%向上した。 本研究は, 歯科診断における対象検出モデルのより広範な実装の基盤を確立するものである。
  論文  参考訳（メタデータ） (2024-06-06T04:57:29Z)
• 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)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。