論文の概要: Caries DETR: Tooth Structure-aware Prior and Lesion-aware Dynamic Loss Refinement for DETR Based Caries Detection

• arxiv url: http://arxiv.org/abs/2604.23718v1
• Date: Sun, 26 Apr 2026 14:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.520014
• Title: Caries DETR: Tooth Structure-aware Prior and Lesion-aware Dynamic Loss Refinement for DETR Based Caries Detection
• Title（参考訳）: Caries DETR:DeTRに基づく歯列検出のための歯構造認識先行と病変認識動的損失補正
• Authors: Xuefen Liu, Xinquan Yang, Mianjie Zheng, Kun Tang, Xuguang Li, Xiaoqi Guo, Linlin Shen, He Meng,
• Abstract要約: Caries-DETR は,口腔内画像のキャリー検出のためのトランスフォーマーフレームワークである。 歯質構造を意識した問合せ初期化 (TSQI) を設計し, 大規模口腔内写真を事前訓練する。 また、品質駆動型ハードマイニングを実現するために、Lesion-Aware Dynamic Loss Refinement (LDLR) を設計する。
• 参考スコア（独自算出の注目度）: 38.87257255907775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As dental caries appear as subtle, low-contrast lesions in intraoral imaging, existing deep learning models face significant challenges in the early detection of caries. While recent Transformer-based detectors have shown promising results in natural images, they often fail to capture the domain-specific anatomical priors crucial for dental caries detection. In this paper, we propose Caries-DETR, a specialized Transformer framework for caries detection in intraoral images. A Tooth Structure-aware Query Initialization (TSQI) is designed, leveraging large-scale intraoral photograph pre-training and a structure perception branch (SPB) to integrate high-frequency structural priors, guiding the model to focus on anatomically significant lesion areas. Furthermore, we design a Lesion-aware Dynamic Loss Refinement (LDLR) to implement quality-driven hard mining through adaptive loss reweighting based on lesion size, anatomical relevance, and prediction quality, optimizing detection for subtle lesions. Extensive experiments on two public datasets (i.e., AlphaDent and DentalAI) demonstrate that Caries-DETR achieves a state-of-the-art performance compared to existing methods and exhibits good generalization and robustness. Code and data at https://github.com/XuefenLiu-SZU/Caries-DETR}{https://github.com/XuefenLiu-SZU/Caries-DETR.
• Abstract（参考訳）: 口腔内画像では, 歯列の微妙な低コントラスト病変がみられ, 既存の深層学習モデルは, 早期発見において重大な課題に直面している。 トランスフォーマーをベースとした最近の検出器は、自然画像に有望な結果を示しているが、それらはしばしば、歯列検出に不可欠な、ドメイン固有の解剖学的前駆体を捉えることに失敗する。 本稿では,口腔内画像におけるケーシー検出のためのトランスフォーマーフレームワークであるCaries-DETRを提案する。 大規模口腔内写真事前訓練とSPB(Structure Recognition branch)を活用して,高頻度構造先行を統合し,解剖学的に有意な病変領域に焦点を絞るために,歯構造対応クエリ初期化(TSQI)を設計する。 さらに、病変の大きさ、解剖学的関連性、予測品質に基づく適応的損失重み付けによる品質駆動型ハードマイニングを実現し、微妙な病変の検出を最適化する。 AlphaDent と DentalAI の2つの公開データセットに対する大規模な実験は、Caries-DETR が既存の手法と比較して最先端のパフォーマンスを達成し、優れた一般化と堅牢性を示すことを示した。 code and data at https://github.com/XuefenLiu-SZU/Caries-DETR}{https://github.com/XuefenLiu-SZU/Caries-DETR

関連論文リスト

• Leveraging Image Editing Foundation Models for Data-Efficient CT Metal Artifact Reduction [2.201656998025222]
  高減衰インプラントによる金属人工物は、CT画像の品質を著しく低下させる。 本稿では,文脈内推論タスクとしてアーティファクトリダクションのフレーミングというパラダイムシフトを提案する。 提案手法は16対128対のトレーニング例のみで有効なアーティファクト抑制を実現する。
  論文  参考訳（メタデータ） (2026-04-07T14:32:25Z)
• 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)
• PanoGAN A Deep Generative Model for Panoramic Dental Radiographs [0.7037008937757394]
  本稿では, 歯科用パノラマX線写真合成のためのGAN(Generative Adversarial Network)の開発について述べる。 本研究は, 自然の探索ではあるが, 歯科研究・教育におけるデータの不足に対処することを目的としている。
  論文  参考訳（メタデータ） (2025-07-28T10:55:44Z)
• Geometric-Guided Few-Shot Dental Landmark Detection with Human-Centric Foundation Model [6.016276428517095]
  GeoSapiensは,前歯のCBCTによる頑健な歯のランドマーク検出を目的とした,新規な数ショット学習フレームワークである。 その結果,GeoSapiensが既存のランドマーク検出法を超越したことが明らかとなった。
  論文  参考訳（メタデータ） (2025-07-07T07:01:44Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• Object Detection for Medical Image Analysis: Insights from the RT-DETR Model [40.593685087097995]
  本稿では,RT-DETRモデルに基づく複雑な画像データ解析のための新しい検出フレームワークの適用について述べる。 RT-DETRモデルはTransformerベースのアーキテクチャ上に構築され,高次元かつ複雑な視覚データ処理に優れ,堅牢性と精度が向上した。
  論文  参考訳（メタデータ） (2025-01-27T20:02:53Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。