論文の概要: Dental Panoramic Radiograph Analysis Using YOLO26 From Tooth Detection to Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2604.16231v1
• Date: Fri, 17 Apr 2026 16:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.009607
• Title: Dental Panoramic Radiograph Analysis Using YOLO26 From Tooth Detection to Disease Diagnosis
• Title（参考訳）: ヨロ26を用いた歯科用パノラマX線写真解析
• Authors: Khawaja Azfar Asif, Rafaqat Alam Khan,
• Abstract要約: 本研究は,パノラマX線写真におけるyoLOv26の歯の自動検出,FDIによる数値化,歯科疾患のセグメンテーションへの応用について述べる。 YOLOv26モデルは、歯科画像の自動解析のための堅牢で正確なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Panoramic radiography is a fundamental diagnostic tool in dentistry, offering a comprehensive view of the entire dentition with minimal radiation exposure. However, manual interpretation is time-consuming and prone to errors, especially in high-volume clinical settings. This creates a pressing need for efficient automated solutions. This study presents the first application of YOLOv26 for automated tooth detection, FDI-based numbering, and dental disease segmentation in panoramic radiographs. The DENTEX dataset was preprocessed using Roboflow for format conversion and augmentation, yielding 1,082 images for tooth enumeration and 1,040 images for disease segmentation across four pathology classes. Five YOLOv26-seg variants were trained on Google Colab using transfer learning at a resolution of 800x800. Results demonstrate that the YOLOv26m-seg model achieved the best performance for tooth enumeration, with a precision of 0.976, recall of 0.970, and box mAP50 of 0.976. It outperformed the YOLOv8x baseline by 4.9% in precision and 3.3% in mAP50, while also enabling high-quality mask-level segmentation (mask mAP50 = 0.970). For disease segmentation, the YOLOv26l-seg model attained a box mAP50 of 0.591 and a mask mAP50 of 0.547. Impacted teeth showed the highest per-class average precision (0.943), indicating that visual distinctiveness influences detection performance more than annotation quantity. Overall, these findings demonstrate that YOLOv26-based models offer a robust and accurate framework for automated dental image analysis, with strong potential to enhance diagnostic efficiency and consistency in clinical practice.
• Abstract（参考訳）: パノラマX線撮影は歯科治療の基本的な診断ツールであり、最小限の放射線照射で歯の全体像を包括的に見ることができる。 しかし、手動による解釈は時間を要するため、特に高ボリュームな臨床環境ではエラーが生じる傾向にある。 これにより、効率的な自動化ソリューションの必要性が高まっます。 本研究は,パノラマX線写真におけるyoLOv26の歯の自動検出,FDIによる数値化,歯科疾患のセグメンテーションへの応用について述べる。 DENTEXデータセットは、フォーマット変換と拡張のためにRoboflowを使用して前処理され、歯列挙用1,082イメージと4つの病理クラスにわたる疾患セグメンテーション用1,040イメージが得られた。 5機のYOLOv26-segがGoogle Colabで800x800の解像度で転送学習を使用して訓練された。 その結果, YOLOv26m-セグモデルでは0.976の精度, 0.970のリコール, 0.976のボックスmAP50が得られた。 YOLOv8xベースラインの精度は4.9%、mAP50は3.3%向上し、高品質なマスクレベルのセグメンテーションが可能となった(mask mAP50 = 0.970)。 病気のセグメンテーションのために、YOLOv26l-セグモデルは0.591のボックスmAP50と0.547のマスクmAP50を得た。 衝撃歯は1クラス当たりの平均精度が最も高かった(0.943)。 以上の結果から, YOLOv26をベースとしたモデルは, 診断効率と臨床実習の整合性を高める可能性が高く, 自動歯科画像解析のための堅牢で正確な枠組みを提供することが示された。

関連論文リスト

• Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study [33.84976409983329]
  食道接合腺癌 (EGJA) の早期発見は, 予後改善に重要であるが, 術者に依存している。 本稿では,内視鏡画像を用いたEGJAのスクリーニングとステージング診断のための人工知能基盤モデルの開発を初めて試みる。
  論文  参考訳（メタデータ） (2025-09-22T12:03:40Z)
• Advanced Deep Learning Techniques for Classifying Dental Conditions Using Panoramic X-Ray Images [0.0]
  本研究では,パノラマX線画像における歯質自動分類のための深層学習手法について検討した。 カスタム畳み込みニューラルネットワーク(CNN)、CNN特徴抽出と従来の分類器を組み合わせたハイブリッドモデル、微調整された事前学習アーキテクチャの3つのアプローチが評価された。 その結果, ハイブリッドモデルにより形態的類似条件の識別が向上し, 効率的かつ信頼性の高い性能が得られた。
  論文  参考訳（メタデータ） (2025-08-27T04:52:50Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• OralBBNet: Spatially Guided Dental Segmentation of Panoramic X-Rays with Bounding Box Priors [34.82692226532414]
  OralBBNetは、歯の分類とパノラマX線におけるセグメンテーションの精度と堅牢性を改善するように設計されている。 本手法は, 従来の方法と比較して, 平均平均精度 (mAP) が1～3%向上した。 本研究は, 歯科診断における対象検出モデルのより広範な実装の基盤を確立するものである。
  論文  参考訳（メタデータ） (2024-06-06T04:57:29Z)
• YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
  本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。 実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
  論文  参考訳（メタデータ） (2024-03-17T15:47:54Z)
• AI-Dentify: Deep learning for proximal caries detection on bitewing x-ray -- HUNT4 Oral Health Study [0.0]
  人工知能の使用は、噛まれた画像の迅速かつ情報的な分析を提供することで、診断を支援する可能性がある。 HUNT4口腔健康研究から得られた13,887個の噛み付きデータセットは、6人の異なる専門家によって個別に注釈付けされた。 同じ6人の歯科医が共同で注釈を付けた197枚の画像のコンセンサスデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-09-30T12:17:36Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)

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。