Fugu-MT 論文翻訳(概要): OrthoAI: A Lightweight Deep Learning Framework for Automated Biomechanical Analysis in Clear Aligner Orthodontics -- A Methodological Proof-of-Concept

論文の概要: OrthoAI: A Lightweight Deep Learning Framework for Automated Biomechanical Analysis in Clear Aligner Orthodontics -- A Methodological Proof-of-Concept

arxiv url: http://arxiv.org/abs/2603.00124v1
Date: Mon, 23 Feb 2026 07:33:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.037378
Title: OrthoAI: A Lightweight Deep Learning Framework for Automated Biomechanical Analysis in Clear Aligner Orthodontics -- A Methodological Proof-of-Concept
Title（参考訳）: OrthoAI:Clear Aligner Orthodonticsにおけるバイオメカニカル分析自動化のための軽量ディープラーニングフレームワーク - 概念の方法論的証明-
Authors: Edouard Lansiaux, Margaux Leman, Mehdi Ammi,
Abstract要約: 提案するOrthoAIは,軽量な3次元歯科領域分割と自動生体力学解析を組み合わせたオープンソースの概念実証支援システムである。システムは歯の運動を6自由度にわたって分解し、運動特異的な予測可能性を計算し、生体力学的限界を超えると警告を発する。実際の口腔内メッシュ上でのシステム検証は行われておらず、ランドマーク由来の表現を超越した一般化を想定してはならない。
参考スコア（独自算出の注目度）: 0.1274452325287335
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Clear aligner therapy now dominates orthodontics, yet clinician review of digitally planned tooth movements-typically via ClinCheck (Align Technology)-remains slow and error-prone. We present OrthoAI, an open-source proof-of-concept decision-support system combining lightweight 3D dental segmentation with automated biomechanical analysis to assist treatment-plan evaluation. The framework uses a Dynamic Graph CNN trained on landmark-reconstructed point clouds from 3DTeethLand (MICCAI) and integrates a rule-based biomechanical engine grounded in orthodontic evidence (Kravitz et al 2009; Simon et al 2014). The system decomposes per-tooth motion across six degrees of freedom, computes movement-specific predictability, issues alerts when biomechanical limits are exceeded, and derives an exploratory composite index. With 60,705 trainable parameters, segmentation reaches a Tooth Identification Rate of $81.4\%$ and mIoU of $8.25\%$ on surrogate point clouds-reflecting sparse landmark supervision rather than dense meshes. Although spatial boundaries are coarse, downstream analysis depends mainly on tooth identity and approximate centroid/axis estimation. Results establish a baseline for future full-mesh training and highlight current perceptual limits. The end-to-end pipeline runs in $<4s$ on consumer hardware. Code, weights, and analysis tools are released to support reproducible research in geometric deep learning and digital orthodontics. The system has not been validated on real intraoral meshes and should not be assumed to generalize beyond landmark-derived representations.
Abstract（参考訳）: ClinCheck(Align Technology)を介して、デジタル的に計画された歯の動きは、ゆっくりとしてエラーを起こしやすい。提案するOrthoAIは,軽量な3次元歯科領域分割と自動バイオメカニカル分析を組み合わせて,治療計画評価を支援するオープンソースの概念実証支援システムである。このフレームワークは、3DTeethLand(MICCAI)のランドマーク再構成された点雲に基づいてトレーニングされたDynamic Graph CNNを使用し、矯正的証拠に基づくルールベースのバイオメカニクスエンジンを統合する(Kravitz et al 2009; Simon et al 2014)。このシステムは歯の運動を6自由度で分解し、運動特異的な予測可能性を計算し、生体力学の限界を超えると警告を発し、探索的な複合指数を導出する。 60,705のトレーニング可能なパラメータを持つセグメンテーションは、密度の高いメッシュではなく、粗いランドマークを反射するサロゲート点雲において81.4\%$とmIoUの歯の識別率8.25\%に達する。空間境界は粗いが、下流解析は主に歯の同一性と近似遠心軸推定に依存する。結果は、将来のフルメシュトレーニングのベースラインを確立し、現在の知覚限界を強調します。エンドツーエンドのパイプラインは、コンシューマハードウェアで$<4s$で実行される。幾何学的深層学習とデジタル矯正学における再現可能な研究を支援するために、コード、ウェイト、分析ツールがリリースされた。このシステムは実際の口腔内メッシュ上では検証されておらず、ランドマーク由来の表現を超越した一般化を想定してはならない。

関連論文リスト

SSA3D: Text-Conditioned Assisted Self-Supervised Framework for Automatic Dental Abutment Design [52.57094737117145]
本稿では、再構成ブランチと回帰ブランチを備えたデュアルブランチアーキテクチャを用いた自己教師付き自動支台築造設計フレームワーク(SS$A3$D)を提案する。回帰分岐は、教師付き学習下での分配パラメータを予測し、個別の事前学習と微調整のプロセスを排除します。また、他の手法と比較して最先端性能を実現し、自動当接設計の精度と効率を大幅に向上させる。
論文参考訳（メタデータ） (2025-12-12T12:08:05Z)
ArchMap: Arch-Flattening and Knowledge-Guided Vision Language Model for Tooth Counting and Structured Dental Understanding [19.228631155023432]
ArchMapは、堅牢な構造化された歯科理解のためのトレーニング不要で知識誘導型のフレームワークである。生の3Dメッシュを空間的に整列し、連続性を保存するマルチビュープロジェクションに標準化する。精度が高く、セマンティックドリフトが減少し、スパース条件やアーティファクト条件下での安定性が向上する。
論文参考訳（メタデータ） (2025-11-18T10:46:06Z)
Leveraging Point Transformers for Detecting Anatomical Landmarks in Digital Dentistry [0.0]
我々はMICCAI 2024の3DTeethLand Grand Challengeで行った実験について紹介する。我々は、ポイントトランスフォーマーv3インスパイアされたモジュールを設計し、ポイント間距離を予測するために軽量デコーダによって処理される有意義な幾何学的特徴と解剖学的特徴を捉えた。有望な結果を報告し、学習した特徴解釈可能性に関する洞察について考察する。
論文参考訳（メタデータ） (2025-04-15T17:34:56Z)
CHaRM: Conditioned Heatmap Regression Methodology for Accurate and Fast Dental Landmark Localization [1.8705038743447968]
3D IOSにおける歯のランドマーク検出のための完全なエンドツーエンド深層学習手法CHaRMを提案する。 CHaRMは、ポイントクラウドエンコーダ、歯列分類ヘッド、新しいCHaRモジュールの4つのコンポーネントを統合している。ランドマークの前に歯を分割する2段目とは異なり、CHaRMはIOS点雲を直接操作する。
論文参考訳（メタデータ） (2025-01-22T18:35:57Z)
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)
A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays [0.0]
本研究では, 深層学習技術を活用したパノラマX線画像からの歯のセグメンテーションと配向に対する包括的アプローチを提案する。グリッド対応アテンションゲートで強化されたエンコーダ・デコーダアーキテクチャを用いたエンドツーエンドのインスタンスセグメンテーションネットワークを構築した。主成分分析 (PCA) を用いて, 歯の配向を正確に推定するための指向性バウンディングボックス (OBB) の生成を提案する。
論文参考訳（メタデータ） (2023-10-26T06:01:25Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
Semi-supervised segmentation of tooth from 3D Scanned Dental Arches [5.985943912419412]
歯のセグメンテーションは歯の修復において重要なトピックであり、歯冠形成、診断、治療計画に不可欠である。本稿では,3次元アーチのセグメンテーションにおいて,スペクトルクラスタリングをニューラルネットワークの自己超越信号として用いることを提案する。実験の結果,半教師付き学習では,完全に教師付き状態のMeshSegNetよりも改善が見られた。
論文参考訳（メタデータ） (2022-08-10T19:56:47Z)
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)
Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文参考訳（メタデータ） (2020-11-14T12:50:32Z)

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。