論文の概要: OrthoAI v2: From Single-Agent Segmentation to Dual-Agent Treatment Planning for Clear Aligners
- arxiv url: http://arxiv.org/abs/2603.15663v1
- Date: Tue, 10 Mar 2026 13:03:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:06.85633
- Title: OrthoAI v2: From Single-Agent Segmentation to Dual-Agent Treatment Planning for Clear Aligners
- Title（参考訳）: OrthoAI v2:シングルエージェントセグメンテーションからクリアアライナーのためのデュアルエージェント処理計画へ
- Authors: Lansiaux Edouard, Leman Margaux,
- Abstract要約: 私たちは、AI支援矯正治療計画のためのオープンソースのパイプラインの2番目のイテレーションであるOrthoAI v2を紹介します。
v2は3つの主要な貢献を通じて 3つの制限に対処します
200のクラウドシナリオの合成ベンチマークで、OrthoAI v2の並列アンサンブルは、計画品質スコアが92.8 pm 4.1$対76.4 pm 8.3$に達し、OrthoAI v1は+21%$相対的ゲインとなり、完全なCPUデプロイ可能性(4.2 pm 0.8$s)を維持した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present OrthoAI v2, the second iteration of our open-source pipeline for AI-assisted orthodontic treatment planning with clear aligners, substantially extending the single-agent framework previously introduced. The first version established a proof-of-concept based on Dynamic Graph Convolutional Neural Networks (\dgcnn{}) for tooth segmentation but was limited to per-tooth centroid extraction, lacked landmark-level precision, and produced a scalar quality score without staging simulation. \vtwo{} addresses all three limitations through three principal contributions: (i)~a second agent adopting the Conditioned Heatmap Regression Methodology (\charm{})~\cite{rodriguez2025charm} for direct, segmentation-free dental landmark detection, fused with Agent~1 via a confidence-weighted orchestrator in three modes (parallel, sequential, single-agent); (ii)~a composite six-category biomechanical scoring model (biomechanics $\times$ 0.30 + staging $\times$ 0.20 + attachments $\times$ 0.15 + IPR $\times$ 0.10 + occlusion $\times$ 0.10 + predictability $\times$ 0.15) replacing the binary pass/fail check of v1; (iii)~a multi-frame treatment simulator generating $F = A \times r$ temporally coherent 6-DoF tooth trajectories via SLERP interpolation and evidence-based staging rules, enabling ClinCheck 4D visualisation. On a synthetic benchmark of 200 crowding scenarios, the parallel ensemble of OrthoAI v2 reaches a planning quality score of $92.8 \pm 4.1$ vs.\ $76.4 \pm 8.3$ for OrthoAI v1, a $+21\%$ relative gain, while maintaining full CPU deployability ($4.2 \pm 0.8$~s).
- Abstract（参考訳）: 私たちはOrthoAI v2を紹介します。これは、AI支援矯正治療計画のためのオープンソースのパイプラインの第2イテレーションであり、これまで導入されたシングルエージェントフレームワークを大幅に拡張しています。
最初のバージョンでは、動的グラフ畳み込みニューラルネットワーク(\dgcnn{})に基づく概念実証が確立されたが、歯の抜歯に限られ、ランドマークレベルの精度が不足し、ステージングシミュレーションなしでスカラー品質スコアが得られた。
3つの主要なコントリビューションを通じて、すべての3つの制限に対処する。
(i)-条件付きヒートマップ回帰法(\charm{})~\cite{rodriguez2025charm}を併用した第2のエージェントで、3つのモード(並列、シーケンシャル、シングルエージェント)で信頼性重み付きオーケストレータを介してエージェント~1と融合する。
(ii)~複合6カテゴリのバイオメカニカルスコアモデル(バイオメカニクス$0.30 + ステージング$\times$0.20 + アタッチメント$\times$0.15 + IPR$\times$0.10 + occlusion$\times$0.10 + 予測可能性$\times$0.15 + v1のバイナリパス/フェイルチェックを置き換える。
(iii)〜SLERP補間とエビデンスに基づくステージングルールを通した時間的コヒーレント6-DoF歯のトラジェクトリを生成するマルチフレーム処理シミュレータであるClinCheck 4Dの可視化を実現した。
200の群集シナリオの合成ベンチマークで、OrthoAI v2の並列アンサンブルは、計画品質スコアが92.8 \pm 4.1$ vs。
7.6.4 \pm 8.3$ for OrthoAI v1, a $+21\%$ relative gain, and maintain full CPU deployability (4.2 \pm 0.8$~s)。
関連論文リスト
- Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳（メタデータ） (2026-02-27T07:36:32Z) - OrthoAI: A Lightweight Deep Learning Framework for Automated Biomechanical Analysis in Clear Aligner Orthodontics -- A Methodological Proof-of-Concept [0.1274452325287335]
提案するOrthoAIは,軽量な3次元歯科領域分割と自動生体力学解析を組み合わせたオープンソースの概念実証支援システムである。
システムは歯の運動を6自由度にわたって分解し、運動特異的な予測可能性を計算し、生体力学的限界を超えると警告を発する。
実際の口腔内メッシュ上でのシステム検証は行われておらず、ランドマーク由来の表現を超越した一般化を想定してはならない。
論文 参考訳（メタデータ） (2026-02-23T07:33:31Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - Constructive Universal Approximation and Sure Convergence for Multi-Layer Neural Networks [0.0]
o1Neuroはスパースインジケータ活性化ニューロン上に構築された新しいニューラルネットワークモデルである。
人口レベルでは、深い o1Neuro は $boldsymbolX$ の任意の可測関数を近似することができる。
サンプルレベルでは、o1Neuroの最適化は、十分に多くの更新ラウンドの後、確率が1に近づく最適モデルに達する。
論文 参考訳（メタデータ） (2025-07-07T08:55:28Z) - 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) - Federated Combinatorial Multi-Agent Multi-Armed Bandits [79.1700188160944]
本稿では,Banditを用いたオンライン最適化に適したフェデレーション学習フレームワークを提案する。
この設定では、エージェントのアームサブセットは、個々のアーム情報にアクセスせずにこれらのサブセットに対するノイズの多い報酬を観察し、特定の間隔で協力して情報を共有することができる。
論文 参考訳（メタデータ） (2024-05-09T17:40:09Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳（メタデータ） (2022-06-24T17:58:13Z) - Using spatial-temporal ensembles of convolutional neural networks for
lumen segmentation in ureteroscopy [11.457020223521605]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく自動手法を提案する。
提案手法は4つの並列CNNのアンサンブルに基づいて,単一および複数フレーム情報を同時に処理する。
論文 参考訳（メタデータ） (2021-04-05T16:24:32Z) - Asynchronous Advantage Actor Critic: Non-asymptotic Analysis and Linear
Speedup [56.27526702716774]
本稿では、A3CアルゴリズムをTD(0)で修正し、A3C-TD(0)と呼ばれ、証明可能な収束を保証する。
i.i.d.
サンプリング a3c-td(0) は、作業者あたり $mathcalo(epsilon-2.5/n)$ のサンプル複雑性を取得して $epsilon$ 精度を達成する。
2 に対して $mathcalO(epsilon-2.5/N)$ の最もよく知られたサンプル複雑性との比較
論文 参考訳（メタデータ） (2020-12-31T09:07:09Z) - ADAHESSIAN: An Adaptive Second Order Optimizer for Machine Learning [91.13797346047984]
本稿では,2次最適化アルゴリズムであるADAHESSIANを紹介する。
ADAHESSIANは、他の適応最適化手法と比較して、新しい最先端の成果を大きなマージンで達成することを示す。
論文 参考訳（メタデータ） (2020-06-01T05:00:51Z)
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。