Fugu-MT 論文翻訳(概要): Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation

論文の概要: Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation

arxiv url: http://arxiv.org/abs/2509.07923v1
Date: Tue, 09 Sep 2025 17:05:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-10 14:38:27.40896
Title: Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation
Title（参考訳）: CBCTとIOSのマルチモーダルコントラストプレトレーニングによる歯の分節強化
Authors: Moo Hyun Son, Juyoung Bae, Zelin Qiu, Jiale Peng, Kai Xin Li, Yifan Lin, Hao Chen,
Abstract要約: 本稿では,歯のマルチモーダル・コントラスト学習法であるTothMCLについて述べる。提案手法は, F'ederation Dentaire Internationale (FDI) の精密な分類と正確な識別を可能にする, 解剖学的特徴を効果的にモデル化する。
参考スコア（独自算出の注目度）: 8.574756499299374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Digital dentistry represents a transformative shift in modern dental practice. The foundational step in this transformation is the accurate digital representation of the patient's dentition, which is obtained from segmented Cone-Beam Computed Tomography (CBCT) and Intraoral Scans (IOS). Despite the growing interest in digital dental technologies, existing segmentation methodologies frequently lack rigorous validation and demonstrate limited performance and clinical applicability. To the best of our knowledge, this is the first work to introduce a multimodal pretraining framework for tooth segmentation. We present ToothMCL, a Tooth Multimodal Contrastive Learning for pretraining that integrates volumetric (CBCT) and surface-based (IOS) modalities. By capturing modality-invariant representations through multimodal contrastive learning, our approach effectively models fine-grained anatomical features, enabling precise multi-class segmentation and accurate identification of F\'ed\'eration Dentaire Internationale (FDI) tooth numbering. Along with the framework, we curated CBCT-IOS3.8K, the largest paired CBCT and IOS dataset to date, comprising 3,867 patients. We then evaluated ToothMCL on a comprehensive collection of independent datasets, representing the largest and most diverse evaluation to date. Our method achieves state-of-the-art performance in both internal and external testing, with an increase of 12\% for CBCT segmentation and 8\% for IOS segmentation in the Dice Similarity Coefficient (DSC). Furthermore, ToothMCL consistently surpasses existing approaches in tooth groups and demonstrates robust generalizability across varying imaging conditions and clinical scenarios.
Abstract（参考訳）: デジタル歯科は、現代の歯科医療における変革的な変化を表している。このトランスフォーメーションの基本的なステップは患者の歯の正確なデジタル表現であり、それはS segmented Cone-Beam Computed Tomography (CBCT) と Intraoral Scans (IOS) から得られる。デジタル歯科技術への関心が高まっているにもかかわらず、既存のセグメンテーション手法は厳密な検証を欠くことが多く、限られた性能と臨床応用性を示している。我々の知る限りでは、歯のセグメンテーションのためのマルチモーダル・プレトレーニング・フレームワークを導入するのはこれが初めてである。本稿では, 歯のマルチモーダル・コントラスト学習法であるTothMCLについて述べる。マルチモーダル・コントラッシブ・ラーニングによるモダリティ不変表現の抽出により, 細粒度解剖学的特徴を効果的にモデル化し, F'ed\'eration Dentaire Internationale (FDI) の正確な識別を可能にした。 CBCT-IOS3.8K, CBCT-IOS3.8K, CBCT-IOSデータセットは3,867例であった。次に、TothMCLを独立したデータセットの総合的なコレクションで評価し、これまでで最大かつ最も多様な評価を表現した。 Dice similarity Coefficient (DSC) において, CBCTセグメンテーションの12\%, IOSセグメンテーションの8\%の増加とともに, 内部および外部両方のテストにおける最先端性能を実現する。さらに、TothMCLは歯群の既存のアプローチを一貫して超越し、様々な画像条件や臨床シナリオにまたがる堅牢な一般化性を示す。

関連論文リスト

MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。最先端の微調整戦略を一貫して上回ります。
論文参考訳（メタデータ） (2025-09-07T15:22:53Z)
Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training [53.77904429789069]
本稿では, 歯列検出のための新しいDual-View Co-TrainingネットワークであるAttention-TNetについて紹介する。 OurTNetは、自動歯肉検出を用いて、パノラマX線画像からのグローバルビューと、収穫した歯肉画像からのローカルビューの2つの補完的なビューを確立する。両ビューからの情報を効果的に統合するために,Gated Cross-Viewモジュールを導入する。
論文参考訳（メタデータ） (2025-08-28T14:13:26Z)
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)
A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。完全解剖を分割できる連続学習駆動CTモデルを提案する。単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
論文参考訳（メタデータ） (2025-03-16T23:55:02Z)
A Multi-Stage Framework for 3D Individual Tooth Segmentation in Dental CBCT [7.6057981800052845]
コーンビームCT(CBCT)は歯科疾患の診断方法として一般的である。深層学習に基づく手法は、医用画像処理において説得力のある結果を得た。歯科用CBCTにおける3次元歯の一般化のための多段階フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-15T04:23:28Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays [0.0]
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。グリッド対応アテンションゲートで強化されたエンコーダ・デコーダアーキテクチャを用いたエンドツーエンドのインスタンスセグメンテーションネットワークを構築した。主成分分析 (PCA) を用いて, 歯の配向を正確に推定するための指向性バウンディングボックス (OBB) の生成を提案する。
論文参考訳（メタデータ） (2023-10-26T06:01:25Z)
AI-enabled Automatic Multimodal Fusion of Cone-Beam CT and Intraoral Scans for Intelligent 3D Tooth-Bone Reconstruction and Clinical Applications [29.065668174732014]
仮想歯科治療計画における重要なステップは、CBCTから全ての歯骨構造を正確に切り離すことである。従来の研究では、深層学習を用いたCBCTセグメンテーションのいくつかの方法が確立されている。本稿では,CBCTセグメンテーションモデル,口腔内スキャン(IOS)セグメンテーションモデル,および3次元融合クラウン・ルート構造を生成する融合モデルからなる深部歯科用マルチモーダル分析フレームワークを提案する。
論文参考訳（メタデータ） (2022-03-11T07:50:15Z)
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)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。