Fugu-MT 論文翻訳(概要): PanoGAN A Deep Generative Model for Panoramic Dental Radiographs

論文の概要: PanoGAN A Deep Generative Model for Panoramic Dental Radiographs

arxiv url: http://arxiv.org/abs/2507.21200v1
Date: Mon, 28 Jul 2025 10:55:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-30 17:08:55.150345
Title: PanoGAN A Deep Generative Model for Panoramic Dental Radiographs
Title（参考訳）: パノGAN : パノラマX線画像の深部生成モデル
Authors: Soren Pedersen, Sanyam Jain, Mikkel Chavez, Viktor Ladehoff, Bruna Neves de Freitas, Ruben Pauwels,
Abstract要約: 本稿では, 歯科用パノラマX線写真合成のためのGAN(Generative Adversarial Network)の開発について述べる。本研究は, 自然の探索ではあるが, 歯科研究・教育におけるデータの不足に対処することを目的としている。
参考スコア（独自算出の注目度）: 0.7037008937757394
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents the development of a generative adversarial network (GAN) for synthesizing dental panoramic radiographs. Although exploratory in nature, the study aims to address the scarcity of data in dental research and education. We trained a deep convolutional GAN (DCGAN) using a Wasserstein loss with gradient penalty (WGANGP) on a dataset of 2322 radiographs of varying quality. The focus was on the dentoalveolar regions, other anatomical structures were cropped out. Extensive preprocessing and data cleaning were performed to standardize the inputs while preserving anatomical variability. We explored four candidate models by varying critic iterations, feature depth, and the use of denoising prior to training. A clinical expert evaluated the generated radiographs based on anatomical visibility and realism, using a 5-point scale (1 very poor 5 excellent). Most images showed moderate anatomical depiction, although some were degraded by artifacts. A trade-off was observed the model trained on non-denoised data yielded finer details especially in structures like the mandibular canal and trabecular bone, while a model trained on denoised data offered superior overall image clarity and sharpness. These findings provide a foundation for future work on GAN-based methods in dental imaging.
Abstract（参考訳）: 本稿では, 歯科用パノラマX線写真合成のためのGAN(Generative Adversarial Network)の開発について述べる。本研究は, 自然の探索ではあるが, 歯科研究・教育におけるデータの不足に対処することを目的としている。様々な品質の2322個のX線写真を用いてWGANGPを用いた深部畳み込みGAN(DCGAN)を訓練した。焦点は歯槽部であり、他の解剖学的構造は取り除かれた。解剖学的変動を保ちながら入力を標準化するために、広範囲な前処理とデータクリーニングを行った。本研究は,4つの候補モデルについて,様々な批判的反復,特徴深度,およびトレーニング前の認知の活用について検討した。臨床専門医は, 5点の尺度を用いて, 解剖学的視認性とリアリズムに基づいて, 生成されたX線写真の評価を行った。ほとんどの画像では中程度の解剖学的描写が見られたが、一部は人工物によって劣化した。特に下顎管骨や気管骨などの構造では,非陰影データで訓練したモデルの方が細部まで細部まで細部まで細部まで細部まで細部まで細部まで細部まで細部まで細部まで細部が得られた。これらの知見は, 歯科画像診断におけるGAN法に関する今後の研究の基盤となる。

関連論文リスト

ADNP-15: An Open-Source Histopathological Dataset for Neuritic Plaque Segmentation in Human Brain Whole Slide Images with Frequency Domain Image Enhancement for Stain Normalization [7.9997900784270035]
アルツハイマー病(英: Alzheimer's Disease, AD)は、アミロイド・ベタプラークとタウ神経細動を特徴とする神経変性疾患である。これらの病変の同定と分節はAD進行の理解に不可欠である。ディープラーニングは、病理画像セグメンテーションの強力なツールとして登場した。
論文参考訳（メタデータ） (2025-05-08T08:25:44Z)
Exploring the Efficacy of Partial Denoising Using Bit Plane Slicing for Enhanced Fracture Identification: A Comparative Study of Deep Learning-Based Approaches and Handcrafted Feature Extraction Techniques [0.0]
ビット平面スライシングは、ノイズ干渉を低減し、情報的特徴を抽出することにより、医療画像を強化する。本研究は, フラクチャー解析改善のための解を提供するための部分的 denoising 技術について検討する。この研究の結果は、効率的な前処理の開発に関する貴重な洞察を与えてくれる。
論文参考訳（メタデータ） (2025-03-21T10:39:21Z)
Semi-supervised classification of dental conditions in panoramic radiographs using large language model and instance segmentation: A real-world dataset evaluation [6.041146512190833]
13種類の歯科疾患をパノラマX線写真で分類するための半教師付き学習フレームワークが提案されている。このソリューションは、ジュニアスペシャリストに匹敵する精度のレベルを示した。
論文参考訳（メタデータ） (2024-06-25T19:56:12Z)
Self-supervised vision-langage alignment of deep learning representations for bone X-rays analysis [53.809054774037214]
本稿では, 骨X線とフレンチレポートを組み合わせることで, 視覚言語による事前訓練を活用することを提案する。骨X線表現にまつわる埋め込み空間を形成するために、フランスの報告を統合する最初の研究である。
論文参考訳（メタデータ） (2024-05-14T19:53:20Z)
Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
論文参考訳（メタデータ） (2023-09-12T03:05:00Z)
Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文参考訳（メタデータ） (2023-08-03T21:56:50Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
Metal Artifact Reduction with Intra-Oral Scan Data for 3D Low Dose Maxillofacial CBCT Modeling [0.7444835592104696]
高精度な3次元顎顔面CBCTモデリングのための2段階金属アーチファクト低減法を提案する。第1段階では、金属関連アーティファクトを緩和するために画像と画像の深層学習ネットワークが使用される。第2段階では、矯正された歯科用CBCT画像から骨を分割して3次元顎顔面モデルを構築する。
論文参考訳（メタデータ） (2022-02-08T00:24:41Z)
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文参考訳（メタデータ） (2021-11-26T13:47:34Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)

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。