論文の概要: Generating Findings for Jaw Cysts in Dental Panoramic Radiographs Using GPT-4o: Building a Two-Stage Self-Correction Loop with Structured Output (SLSO) Framework

• arxiv url: http://arxiv.org/abs/2510.02001v1
• Date: Thu, 02 Oct 2025 13:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.144348
• Title: Generating Findings for Jaw Cysts in Dental Panoramic Radiographs Using GPT-4o: Building a Two-Stage Self-Correction Loop with Structured Output (SLSO) Framework
• Title（参考訳）: GPT-4oを用いた歯科用パノラマX線写真における顎嚢胞の発見:構造化出力(SLSO)を用いた2段階自己補正ループの構築
• Authors: Nanaka Hosokawa, Ryo Takahashi, Tomoya Kitano, Yukihiro Iida, Chisako Muramatsu, Tatsuro Hayashi, Yuta Seino, Xiangrong Zhou, Takeshi Hara, Akitoshi Katsumata, Hiroshi Fujita,
• Abstract要約: 本研究は,OpenAI GPT-4oのマルチモーダル機能を利用して,歯科用パノラマX線写真で顎嚢胞所見を自動生成する。 画像入力, 解析, 構造化データ生成, 歯数抽出, 整合性検査を含む, 22例の顎嚢胞に対して10段階法を施行した。 提案したSLSOフレームワークは多くの項目の出力精度を66.9%、33.3%、および28.6%の改善率で改善した。
• 参考スコア（独自算出の注目度）: 2.168737695126382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we utilized the multimodal capabilities of OpenAI GPT-4o to automatically generate jaw cyst findings on dental panoramic radiographs. To improve accuracy, we constructed a Self-correction Loop with Structured Output (SLSO) framework and verified its effectiveness. A 10-step process was implemented for 22 cases of jaw cysts, including image input and analysis, structured data generation, tooth number extraction and consistency checking, iterative regeneration when inconsistencies were detected, and finding generation with subsequent restructuring and consistency verification. A comparative experiment was conducted using the conventional Chain-of-Thought (CoT) method across seven evaluation items: transparency, internal structure, borders, root resorption, tooth movement, relationships with other structures, and tooth number. The results showed that the proposed SLSO framework improved output accuracy for many items, with 66.9%, 33.3%, and 28.6% improvement rates for tooth number, tooth movement, and root resorption, respectively. In the successful cases, a consistently structured output was achieved after up to five regenerations. Although statistical significance was not reached because of the small size of the dataset, the overall SLSO framework enforced negative finding descriptions, suppressed hallucinations, and improved tooth number identification accuracy. However, the accurate identification of extensive lesions spanning multiple teeth is limited. Nevertheless, further refinement is required to enhance overall performance and move toward a practical finding generation system.
• Abstract（参考訳）: 本研究では,OpenAI GPT-4oのマルチモーダル機能を利用して,歯科用パノラマX線写真から顎嚢胞の所見を自動生成する。 精度を向上させるために,構造化出力(SLSO)フレームワークを用いた自己補正ループを構築し,その有効性を検証した。 画像入力・解析・構造化データ生成・歯数抽出・整合性検査・不整合検出時の反復再生・その後の再構成・整合性確認を含む22例の顎嚢胞に対して10段階のプロセスが施行された。 従来のCoT法を用いて, 透明性, 内部構造, 境界, 根面吸収, 歯の移動, 他構造との関係, 歯数について比較実験を行った。 その結果, 提案したSLSOフレームワークは, 歯数, 歯の移動, 歯根吸収の改善率を66.9%, 33.3%, 28.6%で改善した。 成功例では、最大5回の再生後に一貫して構成された出力が達成された。 データセットの小さいため統計的意義は得られなかったが、全体のSLSOフレームワークは否定的な発見記述を強制し、幻覚を抑え、歯数同定精度を向上した。 しかし、複数の歯にまたがる広範囲な病変の正確な同定は限られている。 それでも、全体的な性能を高め、実用的な発見生成システムに移行するためには、さらなる改良が必要である。

関連論文リスト

• 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)
• Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection [35.46541584018842]
  教師なし異常検出(UAD)法は、異常を外れ値として識別するために健全なデータ分布に依存する。 脳MRIでは、再生モデルが正常な脳MRIを再構成し、異常が入力と再構成のずれとして検出される。 我々は確率的拡散モデルを用いて複数の再構成を構築し、マハラノビス距離を用いてこれらの再構成結果の分布を分析し、異常を外れ値として同定する。
  論文  参考訳（メタデータ） (2024-07-17T11:02:31Z)
• OralBBNet: Spatially Guided Dental Segmentation of Panoramic X-Rays with Bounding Box Priors [34.82692226532414]
  OralBBNetは、歯の分類とパノラマX線におけるセグメンテーションの精度と堅牢性を改善するように設計されている。 本手法は, 従来の方法と比較して, 平均平均精度 (mAP) が1～3%向上した。 本研究は, 歯科診断における対象検出モデルのより広範な実装の基盤を確立するものである。
  論文  参考訳（メタデータ） (2024-06-06T04:57:29Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• 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)
• DeepOPG: Improving Orthopantomogram Finding Summarization with Weak Supervision [0.0]
  要約プロセスを機能的なセグメンテーションと歯のローカリゼーションに分割するDeepOPGを開発しています。 実験では、DeepOPGが要約の発見に高い効果を示し、6種類の発見を総合して88.2%のAUCを達成した。
  論文  参考訳（メタデータ） (2021-03-15T11:28:45Z)

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。