論文の概要: AlphaDent: A dataset for automated tooth pathology detection

• arxiv url: http://arxiv.org/abs/2507.22512v1
• Date: Wed, 30 Jul 2025 09:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.115253
• Title: AlphaDent: A dataset for automated tooth pathology detection
• Title（参考訳）: AlphaDent: 自動歯の病理診断のためのデータセット
• Authors: Evgeniy I. Sosnin, Yuriy L. Vasilev, Roman A. Solovyev, Aleksandr L. Stempkovskiy, Dmitry V. Telpukhov, Artem A. Vasilev, Aleksandr A. Amerikanov, Aleksandr Y. Romanov,
• Abstract要約: このデータセットは、295人の患者の歯のDSLRカメラ写真に基づいており、1200枚以上の画像を含んでいる。 この記事では、データセットとラベリングフォーマットの詳細な説明を提供する。 その結果,高い予測精度が得られた。
• 参考スコア（独自算出の注目度）: 98.1937495272719
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this article, we present a new unique dataset for dental research - AlphaDent. This dataset is based on the DSLR camera photographs of the teeth of 295 patients and contains over 1200 images. The dataset is labeled for solving the instance segmentation problem and is divided into 9 classes. The article provides a detailed description of the dataset and the labeling format. The article also provides the details of the experiment on neural network training for the Instance Segmentation problem using this dataset. The results obtained show high quality of predictions. The dataset is published under an open license; and the training/inference code and model weights are also available under open licenses.
• Abstract（参考訳）: 本稿では,歯学研究のための新しいユニークなデータセットであるAlphaDentについて紹介する。 このデータセットは、295人の患者の歯のDSLRカメラ写真に基づいており、1200枚以上の画像を含んでいる。 データセットは、インスタンスセグメンテーション問題を解決するためにラベル付けされ、9つのクラスに分けられる。 この記事では、データセットとラベリングフォーマットの詳細な説明を提供する。 この記事では、このデータセットを使用したインスタンスセグメンテーション問題のニューラルネットワークトレーニングに関する実験の詳細も提供する。 その結果,高い予測精度が得られた。 データセットはオープンライセンスで公開されており、トレーニング/推論コードとモデルウェイトもオープンライセンスで利用できる。

関連論文リスト

• Toffee: Efficient Million-Scale Dataset Construction for Subject-Driven Text-to-Image Generation [58.09421301921607]
  我々は、主観的画像編集と生成のための最初の大規模データセットを構築した。 データセットは、以前の最大のデータセットの5倍のサイズですが、コストは、何万時間も低いです。
  論文  参考訳（メタデータ） (2024-06-13T16:40:39Z)
• HICH Image/Text (HICH-IT): Comprehensive Text and Image Datasets for Hypertensive Intracerebral Hemorrhage Research [12.479936404475803]
  高血圧性脳内出血(HICH)の医学領域にHICH-ITと呼ばれる新しいデータセットを導入する。 このデータセットは、HICHの診断と治療における人工知能の精度を高めるように設計されている。
  論文  参考訳（メタデータ） (2024-01-29T07:44:09Z)
• NuInsSeg: A Fully Annotated Dataset for Nuclei Instance Segmentation in H&E-Stained Histological Images [1.1500025852056222]
  我々は、ヘマトキシリンとエオシン(H&E)を染色した組織像(NuInsSeg)で、手動で注釈付けされた最も大きな核のデータセットの1つを公表した。 このデータセットには、665枚の画像パッチが含まれており、31個のヒトとマウスの臓器から3万個以上の手動で分割されている。 データセット全体に対して、初めて、あいまいなエリアマスクを新たに提供します。
  論文  参考訳（メタデータ） (2023-08-03T13:45:07Z)
• Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation [42.034896915716374]
  本稿では,公開可能な大規模医療データセットをセグメント化するためのStyleGANによるアプローチを提案する。 スタイル転送はトレーニングデータセットを拡張し、新しい解剖学的音声画像を生成するために使用される。 次に、拡張データセットを使用してU-Netセグメンテーションネットワークをトレーニングし、セグメンテーション精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-07T06:34:10Z)
• Applied Deep Learning to Identify and Localize Polyps from Endoscopic Images [0.0]
  我々は,ポリープや潰瘍のアノテーションを含むデータセットのオープンソース化を目指してきた。 これは、ポリプと潰瘍の画像を含むインド初のデータセットです。 大規模な公開データセットでトレーニングされた、人気のあるディープラーニングオブジェクト検出モデルを用いて、データセットを評価しました。
  論文  参考訳（メタデータ） (2023-01-22T22:14:25Z)
• Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance [58.01014026139231]
  新しい大規模結核(TB)胸部X線データセット(TBX-Att)を提案する。 属性情報を利用してTBの分類とローカライズを行うための属性支援弱教師付きフレームワークを構築した。 提案モデルはTBX-Attデータセットで評価され,今後の研究の確かなベースラインとして機能する。
  論文  参考訳（メタデータ） (2022-07-01T07:50:35Z)
• Prefix Conditioning Unifies Language and Label Supervision [84.11127588805138]
  学習した表現の一般化性を低減することにより,データセットのバイアスが事前学習に悪影響を及ぼすことを示す。 実験では、この単純な手法により、ゼロショット画像認識精度が向上し、画像レベルの分布シフトに対するロバスト性が向上することを示した。
  論文  参考訳（メタデータ） (2022-06-02T16:12:26Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。