論文の概要: Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation
- arxiv url: http://arxiv.org/abs/2605.04201v1
- Date: Tue, 05 May 2026 18:42:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.489256
- Title: Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation
- Title（参考訳）: 解剖学的に高精度な3次元歯のセグメンテーションのためのトポロジー制約付き量子化nnUNet
- Authors: Paarth Prasad, Ruchika Malhotra,
- Abstract要約: 解剖学的に高精度な3次元歯のセグメンテーションのためのトポロジー制約付き量子化 nnUNet フレームワークを提案する。
提案手法は,新しい歯に特異的なトポロジ的損失を量子化学習に統合する。
実験により,従来の量子化モデルと比較して,提案手法はトポロジ的誤差を著しく低減することが示された。
- 参考スコア（独自算出の注目度）: 1.9336815376402718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a topology-constrained quantized nnUNet framework for efficient and anatomically accurate 3D tooth segmentation, addressing the challenges of spatial distortion introduced by quantization in deep learning models. The proposed method integrates a novel tooth-specific topological loss into quantization-aware training, preserving critical anatomical structures such as tooth count, adjacency relationships, and cavity integrity while maintaining computational efficiency. The system employs an 8-bit quantized nnUNet backbone, where weights and activations are dynamically calibrated to minimize precision loss during inference. Furthermore, the topological loss combines connected-component analysis, adjacency consistency, and hole detection penalties, ensuring anatomical fidelity without modifying the underlying network architecture. The joint optimization objective harmonizes cross-entropy loss, quantization regularization, and topological constraints, enabling end-to-end training with gradient approximations for persistent homology terms. Experiments demonstrate that our approach significantly reduces topological errors compared to conventional quantized models, achieving clinically plausible segmentations on dental CBCT scans. The method retains the hardware efficiency of integer-only inference, making it suitable for deployment in resource-constrained clinical environments. This work bridges the gap between computational efficiency and anatomical precision in medical image segmentation, offering a practical solution for real-world dental applications.
- Abstract（参考訳）: 本稿では, 深層学習モデルにおける量子化による空間歪みの課題に対処するため, 効率的かつ解剖学的に高精度な3次元歯列分割のための位相制約付き量子化nnUNetフレームワークを提案する。
提案手法は, 歯数, 隣接関係, 空洞の整合性などの重要な解剖学的構造を, 計算効率を保ちながら保存する。
このシステムは8ビットの量子化nnUNetバックボーンを使用し、重みとアクティベーションを動的に調整し、推論中の精度損失を最小限に抑える。
さらに、トポロジカルロスは連結成分分析、隣接整合性、ホール検出のペナルティを組み合わせ、基盤となるネットワークアーキテクチャを変更することなく解剖学的忠実性を確保する。
共同最適化の目的は、クロスエントロピー損失、量子化正則化、トポロジ制約を調和させ、永続ホモロジー項の勾配近似によるエンドツーエンドのトレーニングを可能にする。
以上の結果から,本手法は従来の定量化モデルと比較してトポロジカルな誤差を著しく低減し,歯科用CBCTスキャンにおいて臨床的に妥当なセグメンテーションを達成できることが示唆された。
この方法は、整数のみの推論のハードウェア効率を保ち、リソース制約された臨床環境への展開に適している。
この研究は、医療画像セグメント化における計算効率と解剖学的精度のギャップを埋め、現実の歯科応用に実用的な解決策を提供する。
関連論文リスト
- CAHAL: Clinically Applicable resolution enHAncement for Low-resolution MRI scans [29.281962308908195]
脳MRIの大規模自動形態計測解析は、太いスライスによって制限される。
既存の生成超解像法は、視覚的に魅力的な等方性ボリュームを生成するが、しばしば解剖学的幻覚を導入する。
本稿では,低分解能MRIスキャンのためのCAHAL(Clinically Applicable resolution enhancement for Low- resolution MRI)を提案する。
論文 参考訳（メタデータ） (2026-04-20T19:45:11Z) - BEAT-Net: Injecting Biomimetic Spatio-Temporal Priors for Interpretable ECG Classification [1.3909285316906435]
BEAT-NetはTokenizationフレームワークを用いたバイオミメティックECG分析である。
局所的なビート形態を抽出する特殊なエンコーダによって心臓生理を分解する。
例外的なデータ効率を示し、注釈付きデータの30～35%しか使用せずに、完全に教師付きのパフォーマンスを回復する。
論文 参考訳（メタデータ） (2026-01-12T08:37:47Z) - Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。
改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。
Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
論文 参考訳（メタデータ） (2025-09-09T14:31:51Z) - A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks [40.69150418258213]
本稿では,ニューラルネットワークにおける空間推論能力の評価を目的とした,包括的なベンチマークフレームワークの定義に関する予備的な結果を示す。
このフレームワークは現在、nnU-Netの能力の研究に使われている。
論文 参考訳（メタデータ） (2025-08-18T09:04:13Z) - An Efficient Approach for Muscle Segmentation and 3D Reconstruction Using Keypoint Tracking in MRI Scan [8.089892147270529]
本研究は,キーポイント選択とルーカス・カナーデ光流を統合したキーポイント追跡に基づく,学習不要なセグメンテーション手法を提案する。
提案手法はキーポイント選択戦略に応じて0.6から0.7の範囲の平均Dice類似度係数(DSC)を実現する。
論文 参考訳（メタデータ） (2025-07-11T15:39:28Z) - Skelite: Compact Neural Networks for Efficient Iterative Skeletonization [38.6452617345504]
骨格化は、その幾何学と位相をコンパクトに符号化した画像から薄い表現を抽出する。
学習可能なコンポーネントを用いて反復骨格化アルゴリズムを訓練するための新しいフレームワークを提案する。
提案手法は,トポロジ制約付きアルゴリズムの100倍の高速化を示す。
論文 参考訳（メタデータ） (2025-03-10T14:27:25Z) - Automatic Joint Structured Pruning and Quantization for Efficient Neural Network Training and Compression [44.35542987414442]
構造化プルーニングと量子化は、ディープニューラルネットワーク(DNN)のサイズを減らすために使用される基本技術である
これらのテクニックを共同最適化を通じて併用することで、より小さく高品質なモデルを作成することができる。
本稿では,任意のDNN上で協調的構造化プルーニングと量子化学習を自動かつ効率的に行うフレームワークGETAを提案する。
論文 参考訳（メタデータ） (2025-02-23T16:28:18Z) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z)
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。