論文の概要: Restrictive Hierarchical Semantic Segmentation for Stratified Tooth Layer Detection

• arxiv url: http://arxiv.org/abs/2512.07984v1
• Date: Mon, 08 Dec 2025 19:15:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.701566
• Title: Restrictive Hierarchical Semantic Segmentation for Stratified Tooth Layer Detection
• Title（参考訳）: 層状歯層検出のための拘束的階層的セマンティックセマンティックセグメンテーション
• Authors: Ryan Banks, Camila Lindoni Azevedo, Hongying Tang, Yunpeng Li,
• Abstract要約: 解剖学的階層を意味的セグメンテーションに組み込む一般的なフレームワークを導入する。 子クラス機能は、親クラス確率のフィーチャーワイド線形変調を用いて条件付けされる。 確率的構成規則は親クラスと子孫クラスの一貫性を強制する。
• 参考スコア（独自算出の注目度）: 1.8962631112665473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate understanding of anatomical structures is essential for reliably staging certain dental diseases. A way of introducing this within semantic segmentation models is by utilising hierarchy-aware methodologies. However, existing hierarchy-aware segmentation methods largely encode anatomical structure through the loss functions, providing weak and indirect supervision. We introduce a general framework that embeds an explicit anatomical hierarchy into semantic segmentation by coupling a recurrent, level-wise prediction scheme with restrictive output heads and top-down feature conditioning. At each depth of the class tree, the backbone is re-run on the original image concatenated with logits from the previous level. Child class features are conditioned using Feature-wise Linear Modulation of their parent class probabilities, to modulate child feature spaces for fine grained detection. A probabilistic composition rule enforces consistency between parent and descendant classes. Hierarchical loss combines per-level class weighted Dice and cross entropy loss and a consistency term loss, ensuring parent predictions are the sum of their children. We validate our approach on our proposed dataset, TL-pano, containing 194 panoramic radiographs with dense instance and semantic segmentation annotations, of tooth layers and alveolar bone. Utilising UNet and HRNet as donor models across a 5-fold cross validation scheme, the hierarchical variants consistently increase IoU, Dice, and recall, particularly for fine-grained anatomies, and produce more anatomically coherent masks. However, hierarchical variants also demonstrated increased recall over precision, implying increased false positives. The results demonstrate that explicit hierarchical structuring improves both performance and clinical plausibility, especially in low data dental imaging regimes.
• Abstract（参考訳）: 解剖学的構造の正確な理解は、特定の歯科疾患を確実に進行させるのに不可欠である。 これをセマンティックセグメンテーションモデルに導入する1つの方法は、階層構造を意識した方法論を活用することである。 しかし、既存の階層型セグメンテーション手法は、主に損失関数を通じて解剖学的構造を符号化し、弱い間接的な監督を提供する。 本稿では,制約出力ヘッドとトップダウン特徴条件を連成することにより,明示的な解剖学的階層をセマンティックセグメンテーションに組み込む一般的なフレームワークを提案する。 クラスツリーの各深さでは、バックボーンが以前のレベルのロジットと連結された元のイメージで再実行される。 子クラス特徴は、親クラス確率の関数ワイド線形変調を用いて条件付けされ、子の特徴空間を微粒な検出のために変調する。 確率的構成規則は親クラスと子孫クラスの一貫性を強制する。 階層的損失は、レベル単位の重み付きDiceとクロスエントロピー損失と一貫性のある期間損失を組み合わせ、親の予測が子供の総和であることを保証する。 今回提案したTL-panoは,高密度な症例とセマンティックセグメンテーションアノテーションを含む194個のパノラマ線写真を含む。 UNetとHRNetを5倍のクロスバリデーションスキームのドナーモデルとして利用することにより、階層的変異は一貫してIoU、Dice、リコールを増加させ、特に微細な解剖学のために、より解剖学的に一貫性のあるマスクを生成する。 しかし、階層的変異は精度よりもリコールが増加し、偽陽性が増加したことを示唆している。 以上の結果から,特に低データ歯科用画像システムにおいて,明示的階層構造はパフォーマンスと臨床的妥当性を両立させることが明らかとなった。

関連論文リスト

• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• SLoRD: Structural Low-Rank Descriptors for Shape Consistency in Vertebrae Segmentation [12.964962611736443]
  各種臨床応用にはCT像からの多型椎骨切開が重要である。 既存の単段法と多段法は、不正確な脊椎の分節に悩まされている。 形状整合性のための構造的低ランク記述子に基づく輪郭生成ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-11T14:39:54Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Flattening the Parent Bias: Hierarchical Semantic Segmentation in the Poincaré Ball [39.76366192826905]
  親が子どもから推定されるフラットな(階層的でない)セグメンテーションネットワークは,階層的アプローチよりも高いセグメンテーション精度を有することを示す。 また,ポアンカー球モデルを用いた階層的セグメンテーションに対するより原理的なアプローチについても検討する。
  論文  参考訳（メタデータ） (2024-04-04T19:50:57Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
  ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。 本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。 また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
  論文  参考訳（メタデータ） (2020-07-17T01:56:28Z)

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。