論文の概要: Mesh based segmentation for automated margin line generation on incisors receiving crown treatment

• arxiv url: http://arxiv.org/abs/2507.22859v1
• Date: Wed, 30 Jul 2025 17:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.366915
• Title: Mesh based segmentation for automated margin line generation on incisors receiving crown treatment
• Title（参考訳）: クラウン処理を受ける切歯の自動マージンライン生成のためのメッシュベースセグメンテーション
• Authors: Ammar Alsheghri, Ying Zhang, Farnoosh Ghadiri, Julia Keren, Farida Cheriet, Francois Guibault,
• Abstract要約: 本研究は,ディープラーニングを用いてマージンラインを自動的かつ正確に決定する新しいフレームワークを提案する。 深層学習セグメンテーションモデルをトレーニングするために, 共同歯科実験室によって切歯のデータセットが提供された。 また, 予測された真理境界線と地上の真理境界線との偏差が小さいほど, 準備の質が良くなることを示した。
• 参考スコア（独自算出の注目度）: 4.899719916627318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dental crowns are essential dental treatments for restoring damaged or missing teeth of patients. Recent design approaches of dental crowns are carried out using commercial dental design software. Once a scan of a preparation is uploaded to the software, a dental technician needs to manually define a precise margin line on the preparation surface, which constitutes a non-repeatable and inconsistent procedure. This work proposes a new framework to determine margin lines automatically and accurately using deep learning. A dataset of incisor teeth was provided by a collaborating dental laboratory to train a deep learning segmentation model. A mesh-based neural network was modified by changing its input channels and used to segment the prepared tooth into two regions such that the margin line is contained within the boundary faces separating the two regions. Next, k-fold cross-validation was used to train 5 models, and a voting classifier technique was used to combine their results to enhance the segmentation. After that, boundary smoothing and optimization using the graph cut method were applied to refine the segmentation results. Then, boundary faces separating the two regions were selected to represent the margin line faces. A spline was approximated to best fit the centers of the boundary faces to predict the margin line. Our results show that an ensemble model combined with maximum probability predicted the highest number of successful test cases (7 out of 13) based on a maximum distance threshold of 200 m (representing human error) between the predicted and ground truth point clouds. It was also demonstrated that the better the quality of the preparation, the smaller the divergence between the predicted and ground truth margin lines (Spearman's rank correlation coefficient of -0.683). We provide the train and test datasets for the community.
• Abstract（参考訳）: 歯冠は、損傷または欠損した患者の歯の修復に不可欠な歯科治療である。 近年の歯科用歯冠の設計手法は, 市販の歯科用歯冠設計ソフトウェアを用いて行われている。 準備のスキャンがソフトウェアにアップロードされると、歯科技工士が手動で調理面の正確なマージン線を定義する必要がある。 本研究は,ディープラーニングを用いてマージンラインを自動的かつ正確に決定する新しいフレームワークを提案する。 深層学習セグメンテーションモデルをトレーニングするために, 共同歯科実験室によって切歯のデータセットが提供された。 メッシュベースのニューラルネットワークは、入力チャネルを変更して変更され、2つの領域を分離する境界面内にマージン線を含むように、準備された歯を2つの領域に分割するために使用される。 次に、5つのモデルを訓練するためにk-foldクロスバリデーションを用い、それらの結果を組み合わせてセグメンテーションを強化するために投票分類手法を用いた。 その後,グラフカット法を用いて境界平滑化と最適化を行い,セグメンテーション結果を改良した。 その後、2つの領域を分ける境界面が選択され、マージンライン面が表現される。 スプラインは境界面の中心に最も収まるように近似され、マージン線を予測した。 その結果,最大確率と組み合わされたアンサンブルモデルにより,予測された真理点雲と地上の真理点雲との間の最大距離200m(ヒューマンエラーを表す)の閾値に基づいて,最大試験回数(13点中7点)が予測された。 また, 予測された真理マージン線と接地マージン線(スピアマンのランク相関係数-0.683)との偏差が小さいほど, 調製の質が向上することを示した。 コミュニティのために、トレーニングとテストのデータセットを提供しています。

関連論文リスト

• GeoT: Geometry-guided Instance-dependent Transition Matrix for Semi-supervised Tooth Point Cloud Segmentation [48.64133802117796]
  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。
  論文  参考訳（メタデータ） (2025-03-21T09:43:57Z)
• 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)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• 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)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)
• An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray Positions Classification [1.0672152844970149]
  適応ヒストグラム等化と畳み込みニューラルネットワーク(CNN)に基づく新しい解法を提案する。 テストセットの精度と特異性は90%を超え、AUCは0.97に達した。
  論文  参考訳（メタデータ） (2020-05-01T13:55:44Z)

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。