論文の概要: From Full and Partial Intraoral Scans to Crown Proposal: A Classification-Guided Restoration Assistance Pipeline

• arxiv url: http://arxiv.org/abs/2605.15241v1
• Date: Thu, 14 May 2026 06:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.02844
• Title: From Full and Partial Intraoral Scans to Crown Proposal: A Classification-Guided Restoration Assistance Pipeline
• Title（参考訳）: 完全および部分的口腔内スコープからクラウン提案へ:分類誘導修復支援パイプライン
• Authors: Rabin Kunwar, Dikshya Parajuli, Rujal Acharya, Romik Gosai, Prince Panta, Kundan Siwakoti, Shuvangi Adhikari, Saugat Kafley, Louis Digiorgio, Amit Regmi, Akio Tanaka, Masahiko Inada, Yuriko Komagamine, Kennta Kashiwazaki, Manabu Kanazawa,
• Abstract要約: 口腔内生検とFDI歯数を入力として用いたエンド・ツー・エンドパイプラインを提案する。 パイプラインは、(I)データ準備とポーズ標準化、(II)スキャンタイプでルーティングされたセグメンテーション、(III)コンテキスト認識検索とBlenderベースのフィッティングによるクラウン提案生成の3段階からなる。 パイプラインは2.5-3.5分で予備的なクラウンシェルを生成し、エンドツーエンドの生成アプローチに代わる実用的な代替手段を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-unit crown restoration is among the most common procedures in clinical dentistry, with CAD/CAM workflows now designing crowns directly from intraoral scans. Partial scans are often preferred over full-arch scans for single-unit cases due to fewer stitching errors, yet most segmentation networks trained on full arches fail on partial scans, while end-to-end generative crown methods often produce over-smoothed surfaces that lose occlusal detail. We propose an end-to-end pipeline that takes a raw intraoral scan and target FDI tooth number as input and outputs an initial, patient-specific crown proposal for clinician refinement. The pipeline has three phases: (I) data preparation and pose standardization; (II) segmentation routed by scan type; and (III) crown proposal generation via context-aware retrieval and Blender-based fitting. We address partial-scan segmentation through a classify-then-align strategy: a DGCNN classifier categorizes the scan into one of five anatomical types, then coarse-to-fine RANSAC+ICP registration standardizes the jaw coordinate frame, followed by graph-cut optimization to refine tooth-gingival boundaries. Trained on 1,958 partial scans, the pipeline achieves macro-average DSC 0.9249, Recall 0.8919, and Precision 0.9615 across 17 semantic classes; a fine-tuned full-arch model reaches DSC 0.9347. The prepared tooth and its mesial and distal neighbors achieve DSC 0.9468-0.9569 with sub-millimeter Centroid Errors (0.2666-0.2774 mm). These centroids anchor a retrieval module using DGCNN embeddings and cosine similarity over neighboring and opposing teeth, followed by spline-guided alignment and Blender Python API refinement. The pipeline produces a preliminary crown shell in 2.5-3.5 minutes, offering a practical alternative to end-to-end generative approaches.
• Abstract（参考訳）: 単ユニットクラウン修復は、臨床歯科において最も一般的な手順の一つであり、CAD/CAMワークフローは、現在、口腔内スキャンから直接クラウンを設計している。 部分的スキャンは、縫合ミスが少ないため、単一ユニットの場合のフルアーチスキャンよりも好まれるが、フルアーチで訓練されたほとんどのセグメンテーションネットワークは部分的スキャンでは失敗する。 口腔内生検とFDI歯数を入力としてエンド・ツー・エンドパイプラインを提案し,臨床応用のための初期患者固有のクラウン提案を出力する。 パイプラインは、(I)データ準備とポーズ標準化、(II)スキャンタイプでルーティングされたセグメンテーション、(III)コンテキスト認識検索とBlenderベースのフィッティングによるクラウン提案生成の3段階からなる。 DGCNN分類器はスキャンを5つの解剖型のうちの1つに分類し、粗いRANSAC+ICP登録は顎座標フレームを標準化し、次いで歯肉境界を洗練するためのグラフカット最適化を行う。 1,958個の部分スキャンでトレーニングされたパイプラインは、マクロ平均のDSC 0.9249、Recall 0.8919、Precision 0.9615を17のセマンティッククラスで達成している。 DSC 0.9468-0.9569をサブミリのCentroid Errors (0.2666-0.2774 mm) で達成する。 これらのセントロイドは、DGCNN埋め込みと隣り合う歯と反対する歯のコサイン類似性を使用して検索モジュールをアンカーし、続いてスプライン誘導アライメントとブレンダーPython APIの改良が続く。 パイプラインは2.5-3.5分で予備的なクラウンシェルを生成し、エンドツーエンドの生成アプローチに代わる実用的な代替手段を提供する。

関連論文リスト

• High-Fidelity 3D Tooth Reconstruction by Fusing Intraoral Scans and CBCT Data via a Deep Implicit Representation [16.263041213151613]
  本稿では,CBCTとIOSデータを暗黙的表現を用いて融合する,完全自動パイプラインを提案する。 IOSクラウンとCBCTルートを組み合わせたハイブリッド・プロキシ・メッシュを作成した。 この最適化プロセスは、理想的な歯形を学習した多様体に入力を投影し、シームレスで水密で解剖学的に一貫性のあるモデルを生成する。
  論文  参考訳（メタデータ） (2026-01-21T09:40:56Z)
• Anatomy Guided Coronary Artery Segmentation from CCTA Using Spatial Frequency Joint Modeling [10.73944733412427]
  本稿では, 心筋解剖学的先行性, 構造認識的特徴符号化, 3次元ウェーブレット逆ウェーブレット変換を統合した冠動脈分割フレームワークを提案する。 実験の結果,提案手法はディス係数が0.8082,感度が0.7946,精度が0.8471,HD95が9.77mmであり,いくつかの主流セグメンテーションモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2025-12-14T04:12:40Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Multi-Phase Automated Segmentation of Dental Structures in CBCT Using a Lightweight Auto3DSeg and SegResNet Implementation [0.0]
  コーンビームCT(CBCT)は歯科医療において重要な画像モダリティとなり,診断・治療計画のための歯および周辺構造物の3次元可視化が可能となった。 DLaBella29のMICCAI 2025 ToothFairy3 Challengeに対するアプローチについて述べる。 主要な前処理工程は画像再サンプリングから0.6mm等方分解能と強度の切り抜きであった。 提案手法は,TothFairy3のアウト・オブ・サンプル・バリデーションセットで平均0.87のDiceを達成した。
  論文  参考訳（メタデータ） (2025-08-18T14:35:26Z)
• GEPAR3D: Geometry Prior-Assisted Learning for 3D Tooth Segmentation [0.15487122608774898]
  Cone-Beam Computed Tomography (CBCT) における歯のセグメンテーションは依然として困難である。 GEPAR3Dは、インスタンス検出とマルチクラスセグメンテーションを単一のステップに統合し、ルートセグメンテーションを改善する新しいアプローチである。 本研究では, 深層水洗法を活用し, それぞれの歯を境界までボクセル距離を符号化した連続した3次元エネルギー盆地としてモデル化する。
  論文  参考訳（メタデータ） (2025-07-31T20:46:58Z)
• A topology-preserving three-stage framework for fully-connected coronary artery extraction [39.47027832777158]
  冠動脈摘出術は,冠動脈疾患のコンピュータ診断に必須である。 完全連結冠状動脈抽出のためのトポロジー保存型3段階フレームワークを提案する。 このフレームワークには、血管のセグメンテーション、中心線再接続、血管再建の欠如が含まれる。
  論文  参考訳（メタデータ） (2025-04-02T11:04:44Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。