論文の概要: ProtoPointNet: Prototype-Based Interpretable Classification of 3D Dental Point Clouds with Verifiable Spatial Activations

• arxiv url: http://arxiv.org/abs/2607.12335v1
• Date: Tue, 14 Jul 2026 04:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.034697
• Title: ProtoPointNet: Prototype-Based Interpretable Classification of 3D Dental Point Clouds with Verifiable Spatial Activations
• Title（参考訳）: ProtoPointNet:空間活性を検証した3次元歯科用点雲の原型に基づく解釈可能な分類
• Authors: George V. Jose, Thao Liang Chiam, Toby Hughes, Dilan Patel, Alan Brook, Lyle J. Palmer, Nikhil Cherian Kurian,
• Abstract要約: 本稿では, 歯科咬合分類の試作モデルであるProtoPointNetについて紹介する。 共有マルチタスクポイントクラウドバックボーンは、矢状左、矢状右、垂直、横、中線分類のための軸固有のプロトタイプヘッドを学習する。 Bits2Bitesでは、ProtoPointNetが0.724、AUROCが0.825の平均テストマクロF1を達成する。
• 参考スコア（独自算出の注目度）: 0.7189825525514403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototype-based networks provide inherently interpretable classification by linking predictions to learned exemplars, but their use in 3D point clouds and clinical surface-pair reasoning remains limited. We introduce ProtoPointNet, a prototype-based model for dental occlusion classification from registered upper--lower intraoral arch pairs. Each point is encoded by a 14-dimensional descriptor combining local surface geometry, curvature, and explicit inter-arch displacement and clearance, exposing occlusal relationships to prototype matching. A shared multi-task point-cloud backbone learns axis-specific prototype heads for sagittal-left, sagittal-right, vertical, transverse, and midline classification. To support limited clinical data, we train prototypes from scratch using auxiliary supervision and encoder-freeze hand-off. On Bits2Bites, ProtoPointNet achieves mean test macro-F1 of 0.724 and AUROC of 0.825, with strongest performance on vertical (F1 0.828) and sagittal-left classification (F1 0.807). Projected prototype activations localise to anatomically plausible regions, including posterior molars and premolars for cross-bite evidence and anterior incisors for bite-depth evidence. These results support prototype-based reasoning as a transparent, spatially grounded alternative to black-box 3D classifiers for dental surface-pair analysis.
• Abstract（参考訳）: プロトタイプベースのネットワークは、予測を学習した例にリンクすることで本質的に解釈可能な分類を提供するが、3Dポイントクラウドや臨床表面対推論での使用は制限されている。 本稿では, 歯科咬合分類の試作モデルであるProtoPointNetについて紹介する。 各点を、局所曲面幾何学、曲率、明示的なアーチ間変位とクリアランスを組み合わせた14次元記述子で符号化し、プロトタイプマッチングと咬合関係を明らかにする。 共有マルチタスクポイントクラウドバックボーンは、矢状左、矢状右、垂直、横、中線分類のための軸固有のプロトタイプヘッドを学習する。 限られた臨床データをサポートするために,補助監督とエンコーダフリーズハンドオフを用いてプロトタイプをスクラッチから訓練する。 Bits2Bitesでは、ProtoPointNetは平均テストマクロF1の0.724とAUROCの0.825を達成し、垂直(F1 0.828)と左矢状分類(F1 0.807)で最大のパフォーマンスを発揮する。 プロジェクションされたプロトタイプは、後歯臼歯や前臼歯を含む解剖学的に可塑性領域に局在し、クロスビートエビデンスや噛み込みエビデンスのための前切歯を含む。 これらの結果は, 歯面面面解析のためのブラックボックス3D分類器の代替として, 透明で空間的に接地されたプロトタイプベースの推論を支援する。

関連論文リスト

• GRAPE: Graph-Augmented Prototype Explanations for Interactive Medical Image Diagnosis [2.6199098515549646]
  原型ベースの医用画像分類器は、発見を独立したものとして扱い、安全でない医師のフィードバックを静かに増幅し、新しい発見が必要なときは常に完全な再訓練を必要とする。 GRAPE(Graph-Augmented Prototype Explanations)は,3つの課題すべてに対処する統一アーキテクチャである。 第一に、グラフ注意タスクヘッドは解剖学的概念の共起をモデル化し、TBX11Kのプロトタイプベースライン上でマクロF1を+13.8,ppアップする。 第二に、概念ミスマッチ安全性チェック(Concept-Mismatch Safety Check)は、医師が引き起こした領域内でのモデルの圧倒的な発見が、主張されたラベルと矛盾し、誤ったアノテーションの85%をキャッチし、51%に対して警告する。
  論文  参考訳（メタデータ） (2026-06-29T20:45:26Z)
• SCOPE: Scene-Contextualized Incremental Few-Shot 3D Segmentation [51.48871964840347]
  SCOPE (Scene-conised Prototype Enrichment) は、プラグ&プレイの背景誘導型プロトタイプエンリッチメントフレームワークである。 プロトタイプベースの3Dセグメンテーション手法と統合されている。 新規クラスのIoUを6.98%、IoUを3.61%、IoUを2.25%、IoUを1.70%向上させる。
  論文  参考訳（メタデータ） (2026-03-06T18:59:36Z)
• Multi-head automated segmentation by incorporating detection head into the contextual layer neural network [0.0]
  本稿では,Swin U-Netをベースとしたゲート型マルチヘッドトランスフォーマーアーキテクチャを提案する。 ゲートモデルが非ゲートセグメンテーションのみのベースラインを大幅に上回ることを示す。 これらの結果は,自動セグメンテーションアプリケーションにおいて,検出に基づくゲーティングが堅牢性と解剖学的妥当性を高めることを示唆している。
  論文  参考訳（メタデータ） (2026-02-02T18:51:25Z)
• Proto-FG3D: Prototype-based Interpretable Fine-Grained 3D Shape Classification [59.68055837500357]
  本稿では,3次元形状のきめ細かい分類のためのプロトタイプベースフレームワークProto-FG3Dを提案する。 Proto-FG3Dは、Prototype Associationを介して、共同でマルチビューとマルチカテゴリ表現学習を確立する。 Proto-FG3Dは、精度、透明な予測、そして視覚化によるアドホックな解釈可能性において最先端の手法を超越している。
  論文  参考訳（メタデータ） (2025-05-23T09:31:02Z)
• PointVoxelFormer -- Reviving point cloud networks for 3D medical imaging [0.0]
  点雲は、医療画像における体積データを表現するための非常に効率的な方法である。 それらの利点にもかかわらず、ポイントクラウドは、ボリューム3D CNNやビジョントランスフォーマーと比較して、医療画像においてまだ過小評価されている。 この研究は、ポイントワイズ演算と中間微分可能化と高密度局所化CNNを組み合わせたハイブリッドアプローチを示す。
  論文  参考訳（メタデータ） (2024-12-23T08:43:39Z)
• Voxel or Pillar: Exploring Efficient Point Cloud Representation for 3D Object Detection [49.324070632356296]
  我々は3次元および2次元のスパース畳み込みにより点雲をボクセルと柱の特徴に符号化するスパース・ボクセル・ピラーエンコーダを開発した。 我々の効率的で完全なスパース法は、密度検出器とスパース検出器の両方にシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-04-06T05:00:58Z)
• SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using disentangled representation with anatomical priors [4.2663199451998475]
  網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。 特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。 並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
  論文  参考訳（メタデータ） (2022-07-01T14:30:59Z)
• 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)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。