論文の概要: Tooth-Diffusion: Guided 3D CBCT Synthesis with Fine-Grained Tooth Conditioning

• arxiv url: http://arxiv.org/abs/2508.14276v1
• Date: Tue, 19 Aug 2025 21:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.27503
• Title: Tooth-Diffusion: Guided 3D CBCT Synthesis with Fine-Grained Tooth Conditioning
• Title（参考訳）: 歯の拡散:細粒化歯質調合による3次元CBCT合成
• Authors: Said Djafar Said, Torkan Gholamalizadeh, Mostafa Mehdipour Ghazi,
• Abstract要約: 歯面2次属性でガイドされた3次元歯量生成のための条件付き拡散フレームワークを提案する。 本手法では,ウェーブレットをベースとした denoising diffusion, FiLM conditioning, マスク付き損失関数を統合して, 関連する解剖学的構造を学習する。 その結果, FIDスコアが低く, 塗装性能が良好で, SSIM値が0.91以上であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the growing importance of dental CBCT scans for diagnosis and treatment planning, generating anatomically realistic scans with fine-grained control remains a challenge in medical image synthesis. In this work, we propose a novel conditional diffusion framework for 3D dental volume generation, guided by tooth-level binary attributes that allow precise control over tooth presence and configuration. Our approach integrates wavelet-based denoising diffusion, FiLM conditioning, and masked loss functions to focus learning on relevant anatomical structures. We evaluate the model across diverse tasks, such as tooth addition, removal, and full dentition synthesis, using both paired and distributional similarity metrics. Results show strong fidelity and generalization with low FID scores, robust inpainting performance, and SSIM values above 0.91 even on unseen scans. By enabling realistic, localized modification of dentition without rescanning, this work opens opportunities for surgical planning, patient communication, and targeted data augmentation in dental AI workflows. The codes are available at: https://github.com/djafar1/tooth-diffusion.
• Abstract（参考訳）: 診断と治療計画のための歯科用CBCTスキャンの重要性は高まっているが、微細な制御による解剖学的に現実的なスキャンを生成することは、医用画像合成の課題である。 本研究では, 3次元歯の体積生成のための新しい条件拡散フレームワークを提案する。 本手法では,ウェーブレットをベースとした denoising diffusion, FiLM conditioning, マスク付き損失関数を統合して, 関連する解剖学的構造を学習する。 本研究は, 歯の付加, 除去, 完全歯列合成などの多種多様な課題に対して, 対と分布の類似度の測定値を用いてモデルを評価した。 その結果, FIDスコアが低く, 塗装性能が良好で, SSIM値が0.91以上であった。 本研究は, 外科的計画, 患者とのコミュニケーション, 歯科用AIワークフローにおける対象データ拡張の機会を開放する。 コードは、https://github.com/djafar1/tooth-diffusion.comで入手できる。

関連論文リスト

• Multi-Phase Automated Segmentation of Dental Structures in CBCT Using a Lightweight Auto3DSeg and SegResNet Implementation [0.0]
  コーンビームCT(CBCT)は歯科医療において重要な画像モダリティとなり,診断・治療計画のための歯および周辺構造物の3次元可視化が可能となった。 DLaBella29のMICCAI 2025 ToothFairy3 Challengeに対するアプローチについて述べる。 主要な前処理工程は画像再サンプリングから0.6mm等方分解能と強度の切り抜きであった。 提案手法は,TothFairy3のアウト・オブ・サンプル・バリデーションセットで平均0.87のDiceを達成した。
  論文  参考訳（メタデータ） (2025-08-18T14:35:26Z)
• ToothForge: Automatic Dental Shape Generation using Synchronized Spectral Embeddings [0.4799822253865054]
  ToothForgeは、新しい3D歯を自動生成するためのスペクトルアプローチである。 形状スペクトルを生成するには 分解されたハーモニクスの不安定さが伴う 同期モデリングは、以前のメソッドによって課された制限要素を取り除く。
  論文  参考訳（メタデータ） (2025-06-03T09:56:22Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Automatic Tooth Arrangement with Joint Features of Point and Mesh Representations via Diffusion Probabilistic Models [33.75061391364549]
  歯の整列は矯正治療において重要なステップであり、歯の整列は全体の健康を改善し、顔の美学を高め、自信を高める。 未経験者による歯のアレンジメントの効率化と不合理なデザインによる誤りの最小化を目的として, 深層学習に基づく歯のアレンジメント手法が提案されている。
  論文  参考訳（メタデータ） (2023-12-23T02:27:15Z)
• 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)
• DETDet: Dual Ensemble Teeth Detection [0.0]
  2023 MICCAI DENTEXは, 歯科用パノラマX線診断と列挙の精度を高めることを目的としている。 DeTDetはDual Ensemble Teeth Detection Networkである。 我々は列挙モジュールにMask-RCNN,診断モジュールにDINOを採用した。
  論文  参考訳（メタデータ） (2023-08-27T11:04:26Z)
• 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)
• 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)
• A fully automated method for 3D individual tooth identification and segmentation in dental CBCT [1.567576360103422]
  本稿では,歯科用CBCT画像から3次元個別歯を同定・分別する完全自動化手法を提案する。 提案手法は,ディープラーニングに基づく階層型多段階モデルを構築することで,上記の課題に対処する。 実験結果から, 本法は歯の識別に93.35%のF1スコア, 個々の3次元歯のセグメンテーションに94.79%のDice類似係数を達成できた。
  論文  参考訳（メタデータ） (2021-02-11T15:07:23Z)

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。