論文の概要: High-Fidelity 3D Tooth Reconstruction by Fusing Intraoral Scans and CBCT Data via a Deep Implicit Representation

• arxiv url: http://arxiv.org/abs/2601.15358v1
• Date: Wed, 21 Jan 2026 09:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.373607
• Title: High-Fidelity 3D Tooth Reconstruction by Fusing Intraoral Scans and CBCT Data via a Deep Implicit Representation
• Title（参考訳）: 深部インシシシット表現による口腔内スカンとCBCTデータを用いた高忠実度3次元歯の再構築
• Authors: Yi Zhu, Razmig Kechichian, Raphaël Richert, Satoshi Ikehata, Sébastien Valette,
• Abstract要約: 本稿では,CBCTとIOSデータを暗黙的表現を用いて融合する,完全自動パイプラインを提案する。 IOSクラウンとCBCTルートを組み合わせたハイブリッド・プロキシ・メッシュを作成した。 この最適化プロセスは、理想的な歯形を学習した多様体に入力を投影し、シームレスで水密で解剖学的に一貫性のあるモデルを生成する。
• 参考スコア（独自算出の注目度）: 16.263041213151613
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-fidelity 3D tooth models are essential for digital dentistry, but must capture both the detailed crown and the complete root. Clinical imaging modalities are limited: Cone-Beam Computed Tomography (CBCT) captures the root but has a noisy, low-resolution crown, while Intraoral Scanners (IOS) provide a high-fidelity crown but no root information. A naive fusion of these sources results in unnatural seams and artifacts. We propose a novel, fully-automated pipeline that fuses CBCT and IOS data using a deep implicit representation. Our method first segments and robustly registers the tooth instances, then creates a hybrid proxy mesh combining the IOS crown and the CBCT root. The core of our approach is to use this noisy proxy to guide a class-specific DeepSDF network. This optimization process projects the input onto a learned manifold of ideal tooth shapes, generating a seamless, watertight, and anatomically coherent model. Qualitative and quantitative evaluations show our method uniquely preserves both the high-fidelity crown from IOS and the patient-specific root morphology from CBCT, overcoming the limitations of each modality and naive stitching.
• Abstract（参考訳）: 高忠実度3D歯はデジタル歯科治療には不可欠であるが, 歯冠の細部と歯根の細部を捉える必要がある。 Cone-Beam Computed Tomography (CBCT) は根を捕捉するが、ノイズの多い低分解能のクラウンを持ち、intraoral Scanners (IOS) は高密度クラウンを提供するが根情報はない。 これらのソースの単純な融合は、不自然なシームやアーティファクトをもたらす。 本稿では,CBCTとIOSデータを暗黙的表現を用いて融合する,完全自動パイプラインを提案する。 IOSクラウンとCBCTルートを組み合わせたハイブリッド・プロキシ・メッシュを作成した。 このアプローチのコアは、このノイズの多いプロキシを使用して、クラス固有のDeepSDFネットワークをガイドすることです。 この最適化プロセスは、理想的な歯形を学習した多様体に入力を投影し、シームレスで水密で解剖学的に一貫性のあるモデルを生成する。 定性的および定量的評価により,IOSの高忠実度クラウンとCBCTの患者特異的根形態をそれぞれ一意に保存し,各モダリティおよびナイーブ縫合の限界を克服した。

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)
• Tooth-Diffusion: Guided 3D CBCT Synthesis with Fine-Grained Tooth Conditioning [0.0]
  歯面2次属性でガイドされた3次元歯量生成のための条件付き拡散フレームワークを提案する。 本手法では,ウェーブレットをベースとした denoising diffusion, FiLM conditioning, マスク付き損失関数を統合して, 関連する解剖学的構造を学習する。 その結果, FIDスコアが低く, 塗装性能が良好で, SSIM値が0.91以上であった。
  論文  参考訳（メタデータ） (2025-08-19T21:21:35Z)
• GEPAR3D: Geometry Prior-Assisted Learning for 3D Tooth Segmentation [0.15487122608774898]
  Cone-Beam Computed Tomography (CBCT) における歯のセグメンテーションは依然として困難である。 GEPAR3Dは、インスタンス検出とマルチクラスセグメンテーションを単一のステップに統合し、ルートセグメンテーションを改善する新しいアプローチである。 本研究では, 深層水洗法を活用し, それぞれの歯を境界までボクセル距離を符号化した連続した3次元エネルギー盆地としてモデル化する。
  論文  参考訳（メタデータ） (2025-07-31T20:46:58Z)
• Boundary feature fusion network for tooth image segmentation [7.554733074482215]
  本稿では, 歯と隣接組織の境界が不明瞭である問題に対処するために, 境界情報を統合した斬新な歯のセグメンテーションネットワークを提案する。 最新のSTSデータチャレンジでは、我々の方法論が厳格にテストされ、合計スコアは0.91だった。
  論文  参考訳（メタデータ） (2024-09-06T02:12:21Z)
• 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)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• TFormer: 3D Tooth Segmentation in Mesh Scans with Geometry Guided Transformer [37.47317212620463]
  光学式口腔内スキャナー (IOS) は, 歯冠および歯肉の3次元および高分解能な幾何学的情報を提供するデジタル歯科において広く用いられている。 従来の方法では, 複雑な歯歯列境界や歯肉境界にエラーが生じやすいため, 様々な患者に対して不満足な結果が生じることが多い。 大規模かつ高解像度の3D IOSデータセットを用いて評価した3Dトランスフォーマーアーキテクチャに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-29T15:20:54Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 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)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。