Fugu-MT 論文翻訳(概要): SOFTooth: Semantics-Enhanced Order-Aware Fusion for Tooth Instance Segmentation

論文の概要: SOFTooth: Semantics-Enhanced Order-Aware Fusion for Tooth Instance Segmentation

arxiv url: http://arxiv.org/abs/2512.23411v1
Date: Mon, 29 Dec 2025 12:14:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-30 22:37:30.48702
Title: SOFTooth: Semantics-Enhanced Order-Aware Fusion for Tooth Instance Segmentation
Title（参考訳）: SOFTooth:Semantics-Enhanced Order-Aware Fusion for Tooth Instance Segmentation
Authors: Xiaolan Li, Wanquan Liu, Pengcheng Li, Pengyu Jie, Chenqiang Gao,
Abstract要約: 混み合ったアーチ, あいまいな歯肉境界, 欠損歯, 稀ながら臨床的に重要な第3大臼歯などにより, 3次元歯の症例分割は困難である。我々は,2次元マスクを明示的に監視することなく,凍結した2次元セマンティクスを活用するセマンティクス強化2D-3D融合フレームワークSOFToothを提案する。 3DTeethSeg'22では、SOFToothは、第3大臼歯を含む症例に対して、全体的な精度と平均IoUを達成する。
参考スコア（独自算出の注目度）: 18.381890045783376
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Three-dimensional (3D) tooth instance segmentation remains challenging due to crowded arches, ambiguous tooth-gingiva boundaries, missing teeth, and rare yet clinically important third molars. Native 3D methods relying on geometric cues often suffer from boundary leakage, center drift, and inconsistent tooth identities, especially for minority classes and complex anatomies. Meanwhile, 2D foundation models such as the Segment Anything Model (SAM) provide strong boundary-aware semantics, but directly applying them in 3D is impractical in clinical workflows. To address these issues, we propose SOFTooth, a semantics-enhanced, order-aware 2D-3D fusion framework that leverages frozen 2D semantics without explicit 2D mask supervision. First, a point-wise residual gating module injects occlusal-view SAM embeddings into 3D point features to refine tooth-gingiva and inter-tooth boundaries. Second, a center-guided mask refinement regularizes consistency between instance masks and geometric centroids, reducing center drift. Furthermore, an order-aware Hungarian matching strategy integrates anatomical tooth order and center distance into similarity-based assignment, ensuring coherent labeling even under missing or crowded dentitions. On 3DTeethSeg'22, SOFTooth achieves state-of-the-art overall accuracy and mean IoU, with clear gains on cases involving third molars, demonstrating that rich 2D semantics can be effectively transferred to 3D tooth instance segmentation without 2D fine-tuning.
Abstract（参考訳）: 3次元(3D)の歯列分割は、混み合ったアーチ、あいまいな歯肉境界、欠損した歯、そして稀に臨床的に重要な第3大臼歯のために依然として困難である。幾何学的手がかりに頼ったネイティブな3D法は、境界の漏れ、中心のドリフト、不整合歯の同一性、特に少数民族や複雑な解剖学に悩まされることが多い。一方、Segment Anything Model (SAM)のような2D基礎モデルは、強力な境界認識セマンティクスを提供するが、3Dに直接適用することは、臨床ワークフローでは現実的ではない。これらの問題に対処するために,2次元マスクを明示的に監視することなく凍結した2次元セマンティクスを活用する,セマンティクスを付加した秩序対応2D-3D融合フレームワークであるSOFToothを提案する。まず,歯の歯肉と歯間境界を洗練させるために,咬合視SAMを三次元的特徴に注入する。第二に、中心誘導マスクの洗練により、インスタンスマスクと幾何学的セントロイドの整合性が規則化され、中心ドリフトが減少する。さらに、オーダーアウェアハンガリーのマッチング戦略は、解剖学的歯の順序と中心距離を類似性に基づく割り当てに統合し、欠落または混み合った歯列下においてもコヒーレントなラベル付けを確保する。 3DTeethSeg'22において、SOFToothは、第3大臼歯を含む症例に対して、最先端の総合的精度と平均IoUを達成し、リッチな2Dセマンティクスを2D微調整なしで効果的に3Dの歯のインスタンスセマンティクスに転送できることを実証した。

関連論文リスト

3DTeethSAM: Taming SAM2 for 3D Teeth Segmentation [26.743010197720675]
3DTeethSAMは、Segment Anything Model 2 (SAM2) の3次元歯のセグメンテーションへの適応である。この方法が3DTeethSegベンチマークで検証され,高分解能3次元メッシュ上で91.90%のIoUを達成した。
論文参考訳（メタデータ） (2025-12-12T13:42:06Z)
SGS-3D: High-Fidelity 3D Instance Segmentation via Reliable Semantic Mask Splitting and Growing [20.383892902000976]
高忠実度3Dインスタンスセグメンテーション(SGS-3D)のための分割・成長型セマンティックマスクを提案する。本稿では,3次元幾何学的プリミティブの共起を利用したマスクフィルタリング手法を提案する。幾何学的洗練のために,空間的連続性と高次特徴を両立させて細粒度オブジェクトインスタンスを構築する。
論文参考訳（メタデータ） (2025-09-05T14:37:31Z)
Integrating SAM Supervision for 3D Weakly Supervised Point Cloud Segmentation [66.65719382619538]
3Dセマンティックセグメンテーションの現在の手法では、大きな、不規則な、秩序のない3Dポイントクラウドデータの注釈付けの難しさに対処するため、限定アノテーション付きトレーニングモデルが提案されている。本稿では,2次元基礎モデルから生成したセグメンテーションマスクを組み込んだ,疎可な3次元アノテーションの有用性を最大化する手法を提案する。
論文参考訳（メタデータ） (2025-08-27T14:13:01Z)
3D Dental Model Segmentation with Geometrical Boundary Preserving [19.232921210620447]
3次元口腔内スキャンメッシュはデジタル歯科診断において広く使われており、3次元口腔内スキャンメッシュの分節化は重要な予備課題である。深層学習に基づく手法はクラウンの高精度なセグメンテーションを可能にする。しかし、クラウンとガムの接合部のセグメンテーション精度は依然として平均以下である。
論文参考訳（メタデータ） (2025-03-31T04:00:11Z)
GeoT: Geometry-guided Instance-dependent Transition Matrix for Semi-supervised Tooth Point Cloud Segmentation [48.64133802117796]
GeoTは、半教師付き歯科用セグメンテーションのための擬似ラベルのノイズを明示的にモデル化するために、インスタンス依存遷移行列(IDTM)を使用するフレームワークである。具体的には, 数万点の歯科的点から生じるIDTMの広い解空間を扱うために, 歯の幾何学的先行性を導入する。提案手法は,ラベル付きデータの20%しか持たない完全教師付き手法に匹敵する性能を達成し,セグメンテーションを容易にするためにラベル付きデータを完全に活用することができる。
論文参考訳（メタデータ） (2025-03-21T09:43:57Z)
Bootstraping Clustering of Gaussians for View-consistent 3D Scene Understanding [59.51535163599723]
FreeGSは、教師なしセマンティック組み込み3DGSフレームワークで、2Dラベルを必要とせずに、ビュー一貫性のある3Dシーン理解を実現する。 FreeGSは複雑なデータ前処理のワークロードを避けながら、最先端のメソッドと互換性がある。
論文参考訳（メタデータ） (2024-11-29T08:52:32Z)
XMask3D: Cross-modal Mask Reasoning for Open Vocabulary 3D Semantic Segmentation [72.12250272218792]
本稿では,3次元特徴量と2次元テキスト埋め込み空間とのより精巧なマスクレベルのアライメントを,クロスモーダルマスク推論フレームワークであるXMask3Dを用いて提案する。我々は、3Dグローバルな特徴を暗黙の条件として、事前訓練された2D denoising UNetに統合し、セグメンテーションマスクの生成を可能にする。生成した2Dマスクを用いて、マスクレベルの3D表現を視覚言語の特徴空間と整合させ、3D幾何埋め込みの開語彙能力を増大させる。
論文参考訳（メタデータ） (2024-11-20T12:02:12Z)
Differentiable Collision-Supervised Tooth Arrangement Network with a Decoupling Perspective [10.293207903989053]
既存の学習ベースの手法では、隠れた歯の特徴を使って歯の動きを直接後退させる。本稿では,衝突制御型歯列配置ネットワークであるDTANを提案する。我々は,3つの異なる歯列データセットを構築し,精度と速度の大幅な向上を実現した。
論文参考訳（メタデータ） (2024-09-18T12:52:54Z)
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)
3D Tooth Mesh Segmentation with Simplified Mesh Cell Representation [42.512602472176184]
3次元メッシュによる手動歯のセグメンテーションは面倒であり, 歯科医によって異なる。本稿では,メッシュセルのバリセンタ情報のみを利用する新たなセグメンテーション手法を提案する。暗黙的な構造的制約を緩和し、より優れたセグメンテーション性能を達成できることを最初に示す。
論文参考訳（メタデータ） (2023-01-25T11:43:56Z)
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。