論文の概要: TSegAgent: Zero-Shot Tooth Segmentation via Geometry-Aware Vision-Language Agents
- arxiv url: http://arxiv.org/abs/2603.19684v1
- Date: Fri, 20 Mar 2026 06:32:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.029054
- Title: TSegAgent: Zero-Shot Tooth Segmentation via Geometry-Aware Vision-Language Agents
- Title（参考訳）: TSegAgent:Geometry-Aware Vision-Language Agentによるゼロショット歯切開
- Authors: Shaojie Zhuang, Lu Yin, Guangshun Wei, Yunpeng Li, Xilu Wang, Yuanfeng Zhou,
- Abstract要約: 口腔内3Dモデルからの歯の分別と識別は,デジタル歯科における基本的な問題である。
既存のアプローチのほとんどは、高密度の注釈付きデータセットでトレーニングされたタスク固有の3Dニューラルネットワークに依存している。
本稿では,歯質分析をゼロショット幾何学的推論問題として再検討することで,これらの課題に対処するTSegAgentを提案する。
- 参考スコア（独自算出の注目度）: 18.53790376035867
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic tooth segmentation and identification from intra-oral scanned 3D models are fundamental problems in digital dentistry, yet most existing approaches rely on task-specific 3D neural networks trained with densely annotated datasets, resulting in high annotation cost and limited generalization to scans from unseen sources. Thus, we propose TSegAgent, which addresses these challenges by reformulating dental analysis as a zero-shot geometric reasoning problem rather than a purely data-driven recognition task. The key idea is to combine the representational capacity of general-purpose foundation models with explicit geometric inductive biases derived from dental anatomy. Instead of learning dental-specific features, the proposed framework leverages multi-view visual abstraction and geometry-grounded reasoning to infer tooth instances and identities without task-specific training. By explicitly encoding structural constraints such as dental arch organization and volumetric relationships, the method reduces uncertainty in ambiguous cases and mitigates overfitting to particular shape distributions. Experimental results demonstrate that this reasoning-oriented formulation enables accurate and reliable tooth segmentation and identification with low computational and annotation cost, while exhibiting strong generalization across diverse and previously unseen dental scans.
- Abstract（参考訳）: 口腔内スキャンされた3Dモデルからの自動歯分割と識別は、デジタル歯科の基本的な問題であるが、既存のほとんどのアプローチは、密接な注釈付きデータセットで訓練されたタスク固有の3Dニューラルネットワークに依存しているため、アノテーションコストが高くなり、未知のソースからのスキャンへの一般化が制限される。
そこで,本論文では,歯面分析を純粋にデータ駆動型認識タスクではなく,ゼロショット幾何学的推論問題として再構成することで,これらの課題に対処するTSegAgentを提案する。
鍵となる考え方は、汎用基礎モデルの表現能力と歯科解剖学から派生した明示的な幾何学的帰納バイアスを組み合わせることである。
提案手法は, 歯の特徴を学習する代わりに, 多視点の視覚的抽象化と幾何学的推論を利用して, タスク固有の訓練なしに歯のインスタンスやアイデンティティを推測する。
歯科アーチ組織や体積関係などの構造的制約を明示的に符号化することにより、曖昧な症例における不確実性を低減し、特定の形状分布への過度な適合を緩和する。
実験結果から, この推論指向の定式化により, 精度が高く, 信頼性の高い歯のセグメンテーションと, 低い計算コスト, アノテーションコストで識別が可能であり, 同時に, 多様な, 未確認の歯科スキャンにまたがる強力な一般化が示されることがわかった。
関連論文リスト
- TCATSeg: A Tooth Center-Wise Attention Network for 3D Dental Model Semantic Segmentation [32.91531490589717]
本稿では,局所的な幾何学的特徴とグローバルな意味的コンテキストを組み合わせた新しいフレームワークTATSegを提案する。
本手法の一般化を評価するため, 歯科補綴前標本を含む400種類の歯科モデルのデータセットを新たに提案した。
論文 参考訳（メタデータ） (2026-03-17T14:57:43Z) - 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) - 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) - Sparse Anatomical Prompt Semi-Supervised Learning with Masked Image Modeling for CBCT Tooth Segmentation [9.373643627609336]
Cone Beam Computed Tomography (CBCT) 歯科画像における歯の識別とセグメンテーションは, 歯科医が行う手技診断の効率と精度を著しく向上させることができる。
既存のセグメンテーション手法は主に大規模なデータボリュームトレーニングに基づいて開発され、そのアノテーションは非常に時間がかかります。
本研究では, 大量の未ラベルデータを効果的に活用し, 限られたラベル付きデータで正確な歯のセグメンテーションを実現するタスク指向Masked Auto-Encoderパラダイムを提案する。
論文 参考訳（メタデータ） (2024-02-07T05:05:21Z) - Automatic Tooth Arrangement with Joint Features of Point and Mesh
Representations via Diffusion Probabilistic Models [33.75061391364549]
歯の整列は矯正治療において重要なステップであり、歯の整列は全体の健康を改善し、顔の美学を高め、自信を高める。
未経験者による歯のアレンジメントの効率化と不合理なデザインによる誤りの最小化を目的として, 深層学習に基づく歯のアレンジメント手法が提案されている。
論文 参考訳（メタデータ） (2023-12-23T02:27:15Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - 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) - 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) - Generalized Iris Presentation Attack Detection Algorithm under
Cross-Database Settings [63.90855798947425]
プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。
本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。
これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
論文 参考訳（メタデータ） (2020-10-25T22:42:27Z) - 3D Dense Geometry-Guided Facial Expression Synthesis by Adversarial
Learning [54.24887282693925]
本稿では,3次元密度(深度,表面正規度)情報を表現操作に用いる新しいフレームワークを提案する。
既製の最先端3D再構成モデルを用いて深度を推定し,大規模RGB-Depthデータセットを作成する。
実験により,提案手法は競争ベースラインと既存の芸術を大きなマージンで上回ることを示した。
論文 参考訳（メタデータ） (2020-09-30T17:12:35Z)
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。