論文の概要: RobOralScan: Learning Active Intraoral Scanning for Robotic Dental Reconstruction
- arxiv url: http://arxiv.org/abs/2606.26955v1
- Date: Thu, 25 Jun 2026 12:29:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.281188
- Title: RobOralScan: Learning Active Intraoral Scanning for Robotic Dental Reconstruction
- Title（参考訳）: RobOralScan: 義歯再建のためのアクティブな口腔内スキャン
- Abstract要約: RobOralScanは、ロボット自動口腔内スキャンのための最初の強化学習ベースのパイプラインである。
RobOralScanは、部分的なスキャン観測を三状態の幾何学的表現に蓄積する幾何学的メモリベースの観測空間を導入した。
さらに, 歯に配慮した報酬信号と, グローバルなリコンストラクション・カバレッジを改善するためのプログレッシブ・トレーニング・スキームを組み合わせることで, 歯のカバレッジ・ラーニングも導入する。
RobOralScan は Chamfer Distance 0.00838、平均カバー92.58%、低テール歯列カバー88.45%、正規化 AUC 0.6674 を達成する。
- 参考スコア（独自算出の注目度）: 21.73394131799344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intraoral scanning is widely used for digital optical impressions in prosthodontic, implant, and orthodontic treatment, but full-arch and long-span scanning remain labor-intensive tasks with limited automation. In the confined oral cavity, operators must continuously adjust scanner motion while accumulating narrow field-of-view observations, making reconstruction quality sensitive to missing tooth surfaces and operator workload. We propose RobOralScan, which, to the best of our knowledge, is the first reinforcement learning (RL)-based pipeline for robotic automatic intraoral scanning. RobOralScan introduces a geometric memory-based observation space that accumulates partial scan observations into a tri-state geometric representation, allowing the policy to reason over scan history and insufficiently observed regions. It further introduces tooth-wise coverage learning, combining coverage-aware reward signals and a progressive training scheme to improve global reconstruction coverage while reducing uneven coverage across individual teeth. The learned policy selects relative scanner motions from accumulated geometric memory and robot proprioception for closed-loop scan control within the oral workspace. RobOralScan achieves a Chamfer Distance of 0.00838, an average coverage of 92.58%, a lower-tail per-tooth coverage of 88.45%, and a normalized AUC of 0.6674, completing the scan criterion in 8 of 10 evaluation episodes. Furthermore, zero-shot sim-to-real experiments demonstrate its practical feasibility on a physical robot-scanner setup.
- Abstract（参考訳）: 口腔内スキャンは, 補綴, インプラント, 矯正治療におけるデジタル光学的印象に広く用いられているが, フルアーキ, ロングスパンスキャンは作業集約的な作業であり, 自動化が限られている。
閉鎖された口腔内では、操作者は狭視野の観察を蓄積しながらスキャナの動きを連続的に調整し、歯面の欠如や作業負荷に敏感な再建品質を実現する必要がある。
我々はRobOralScanを提案する。これは我々の知る限り、ロボット自動口腔内スキャンのための最初の強化学習(RL)ベースのパイプラインである。
RobOralScanは、部分的なスキャン観測を3状態の幾何学的表現に蓄積する幾何学的メモリベースの観測空間を導入し、スキャン履歴と不十分な観察領域の推論を可能にする。
さらに、歯に配慮した報酬信号と、グローバルな再建範囲を改善するためのプログレッシブトレーニングスキームを組み合わせることで、個々の歯にまたがる不均一なカバレッジを減らし、歯のカバー範囲の学習も導入する。
学習方針は, 口腔内におけるクローズドループスキャン制御のために, 蓄積した幾何学的記憶とロボットの受容から, 相対的なスキャナの動きを選択する。
RobOralScan は Chamfer Distance 0.00838、平均カバー92.58%、低テール歯列カバー88.45%、正規化 AUC 0.6674 を達成し、スキャン基準を10回中8回達成している。
さらに、ゼロショット・シム・トゥ・リアルな実験は、物理的なロボット・スキャナーのセットアップで実現可能であることを示した。
関連論文リスト
- Deep Learning-based 3D Oral Cavity Reconstruction Using 2D Intraoral Images [0.0]
本稿では,異なる角度から得られた10個の2次元口腔内画像を用いて,3次元口腔モデルを再構成するソフトウェアによるアプローチを提案する。
提案手法は、コストを低減し、物理走査装置の必要性をなくし、患者の不快を最小化し、自動3D再構築を可能にする。
論文 参考訳（メタデータ） (2026-06-04T10:44:04Z) - Learning Surgical Robotic Manipulation with 3D Spatial Priors [73.00031539525202]
本稿では,3次元空間認識を持つ手術ロボットを支援する,終端から終端までのバイスモータポリシーであるSSTを紹介した。
立体内視鏡画像から頑健な3次元潜伏表現を抽出するために、手術3Dに基づいて強力な幾何学変換器を微調整する。
SSTは、複雑な外科手術における最先端性能と強力な空間一般化を実現する。
論文 参考訳（メタデータ） (2026-03-04T07:19:56Z) - Evaluating the Suitability of Different Intraoral Scan Resolutions for Deep Learning-Based Tooth Segmentation [0.0]
口腔内スキャンは歯科補綴、治療計画、矯正処置などの業務に広く用いられている。
歯のセグメンテーションなどのタスクを自動化するディープラーニングベースの手法が開発されている。
典型的な口腔内スキャンには20万以上のメッシュセルが含まれており、計算処理に費用がかかる。
論文 参考訳（メタデータ） (2025-02-26T19:30:29Z) - A Mobile Robotic Approach to Autonomous Surface Scanning in Legal Medicine [37.93484643449362]
法医学の文書には内科と外科の両方が含まれている。
フルボディのRGB-D表面スキャンを可能にする移動ロボットシステムを開発した。
以上の結果から,提案システムはより効率的かつ自律的な法医学文書作成に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2025-02-20T12:39:08Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳（メタデータ） (2023-01-17T21:41:21Z) - Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound
Imaging [61.60067283680348]
新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。
本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。
本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
論文 参考訳（メタデータ） (2022-12-15T14:34:12Z) - Orientation-guided Graph Convolutional Network for Bone Surface
Segmentation [51.51690515362261]
骨表面をセグメント化しながら接続性を向上する指向性グラフ畳み込みネットワークを提案する。
提案手法は,接続距離を5.01%向上させる。
論文 参考訳（メタデータ） (2022-06-16T23:01:29Z) - Searching for Efficient Architecture for Instrument Segmentation in
Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。
我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文 参考訳（メタデータ） (2020-07-08T21:38:29Z) - Adaptive Partial Scanning Transmission Electron Microscopy with
Reinforcement Learning [0.0]
本稿では,スキャン対象の検体へのスキャンパスを断片的に適応する連続スパーススキャンシステムの試作について述べる。
リカレントニューラルネットワークは強化学習によって訓練され、スパーススキャンを完了するフィードフォワード畳み込みニューラルネットワークと協調する。
論文 参考訳（メタデータ） (2020-04-06T16:25:38Z) - Assessing Robustness to Noise: Low-Cost Head CT Triage [6.914268150661423]
我々は頭部CTをトリアージするモデルを開発し、受信機動作特性曲線(AUROC)の0.77の範囲を報告する。
AUROCは、管電流を16倍減らした画像に対してわずか0.65%、投射を8倍減らした画像に対して0.22%減少する。
論文 参考訳（メタデータ） (2020-03-17T22:49:37Z)
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。