論文の概要: U-Mamba2: Scaling State Space Models for Dental Anatomy Segmentation in CBCT

• arxiv url: http://arxiv.org/abs/2509.12069v2
• Date: Tue, 30 Sep 2025 12:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 19:34:21.43179
• Title: U-Mamba2: Scaling State Space Models for Dental Anatomy Segmentation in CBCT
• Title（参考訳）: U-Mamba2:CBCTにおける歯科解剖学領域のスケーリング状態空間モデル
• Authors: Zhi Qin Tan, Xiatian Zhu, Owen Addison, Yunpeng Li,
• Abstract要約: CBCT (Cone-Beam Computed Tomography) は歯科用3次元イメージング技術として広く用いられている。 U-Mamba2は、マルチ解剖学的CBCTセグメンテーションのために設計された新しいニューラルネットワークアーキテクチャである。
• 参考スコア（独自算出の注目度）: 44.3806898357896
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cone-Beam Computed Tomography (CBCT) is a widely used 3D imaging technique in dentistry, providing volumetric information about the anatomical structures of jaws and teeth. Accurate segmentation of these anatomies is critical for clinical applications such as diagnosis and surgical planning, but remains time-consuming and challenging. In this paper, we present U-Mamba2, a new neural network architecture designed for multi-anatomy CBCT segmentation in the context of the ToothFairy3 challenge. U-Mamba2 integrates the Mamba2 state space models into the U-Net architecture, enforcing stronger structural constraints for higher efficiency without compromising performance. In addition, we integrate interactive click prompts with cross-attention blocks, pre-train U-Mamba2 using self-supervised learning, and incorporate dental domain knowledge into the model design to address key challenges of dental anatomy segmentation in CBCT. Extensive experiments, including independent tests, demonstrate that U-Mamba2 is both effective and efficient, securing first place in both tasks of the Toothfairy3 challenge. In Task 1, U-Mamba2 achieved a mean Dice of 0.84, HD95 of 38.17 with the held-out test data, with an average inference time of 40.58s. In Task 2, U-Mamba2 achieved the mean Dice of 0.87 and HD95 of 2.15 with the held-out test data. The code is publicly available at https://github.com/zhiqin1998/UMamba2.
• Abstract（参考訳）: Cone-Beam Computed Tomography (CBCT) は歯科医療で広く用いられている3Dイメージング技術であり、顎と歯の解剖学的構造に関するボリューム情報を提供する。 これらの解剖学の正確なセグメンテーションは、診断や手術計画などの臨床応用には重要であるが、時間と課題が残っている。 本稿では,複数解剖学的CBCTセグメンテーションのためのニューラルネットワークアーキテクチャであるU-Mamba2について,TothFairy3チャレンジの文脈で紹介する。 U-Mamba2は、Mamba2状態空間モデルをU-Netアーキテクチャに統合し、性能を損なうことなく、より高い効率のためにより強い構造的制約を課す。 さらに,対話型クリックプロンプトをクロスアテンションブロックと統合し,自己指導学習を用いてU-Mamba2を事前訓練し,歯科領域の知識をモデル設計に取り入れ,CBCTにおける歯科解剖学的セグメンテーションの重要な課題に対処する。 独立したテストを含む大規模な実験では、U-Mamba2は効果的かつ効率的であり、Tothfairy3チャレンジの両タスクにおいて第一位を確保している。 タスク1では、U-Mamba2の平均Diceは0.84、HD95は38.17で、平均推測時間は40.58秒であった。 第2タスクでは、U-Mamba2は平均Diceが0.87、HD95が2.15に達した。 コードはhttps://github.com/zhiqin1998/UMamba2.comで公開されている。

関連論文リスト

• Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation [8.574756499299374]
  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。
  論文  参考訳（メタデータ） (2025-09-09T17:05:04Z)
• 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)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• T-Mamba: A unified framework with Long-Range Dependency in dual-domain for 2D & 3D Tooth Segmentation [4.882283647589811]
  歯のセグメンテーションは、2次元および3次元の歯データに固有の高ノイズと低コントラストのために困難に満ちている。 本稿では,T-Mambaを導入し,周波数ベースの特徴と共有バイポジションエンコーディングを視覚マンバに統合する。 T-Mambaは、視覚マンバに周波数ベースの機能を導入する最初の試みであり、その柔軟性により、2Dと3Dの歯のデータの両方を、別個のモジュールを必要とせずに処理できる。
  論文  参考訳（メタデータ） (2024-04-01T11:57:40Z)
• Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [46.44049019428938]
  我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。 LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。 大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
  論文  参考訳（メタデータ） (2024-02-09T05:06:58Z)
• TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer [47.18526074157094]
  歯科用歯冠および歯肉の詳細な3D情報を提供するために, 歯科用光学式歯内スキャナー (IOS) が広く用いられている。 既往の方法は複雑な境界においてエラーを起こしやすく、患者間で不満足な結果を示す。 マルチタスク3Dトランスフォーマアーキテクチャを用いて, 歯の局所的および大域的依存関係とIOS点群における歯肉の象牙質の両方をキャプチャするTSegFormerを提案する。
  論文  参考訳（メタデータ） (2023-11-22T08:45:01Z)
• 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)

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。