論文の概要: Teeth2Point: A Two-Stage Dental CBCT ROI-to-Point Segmentation Framework
- arxiv url: http://arxiv.org/abs/2608.18667v1
- Date: Wed, 19 Aug 2026 08:18:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.34046
- Title: Teeth2Point: A Two-Stage Dental CBCT ROI-to-Point Segmentation Framework
- Title（参考訳）: Teeth2Point: 2段階の歯科用CBCTROI-to-Pointセグメンテーションフレームワーク
- Abstract要約: Teeth2PointはCBCTセマンティックセグメンテーションのための効率的なポイントベースのトランスフォーマーフレームワークである。
トランスモデルはポイントトークンを使用して正確なセグメンテーションを予測し、グローバルなコンテキストをキャプチャできる。
Teeth2Pointは、異常ケースのパフォーマンスを4つのデータセットで平均1.44DSCポイント改善する。
- 参考スコア（独自算出の注目度）: 16.924373259722092
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern deep learning architectures have demonstrated strong performance in dental CBCT segmentation. One remaining crucial challenge is accurate tooth labeling in cases with missing or malpositioned teeth, which are highly relevant for dental practice. Transformer-based architectures should in theory be able to resolve such ambiguities using global anatomical context. However, due to the high resolution of CBCT volumes and the wide spatial distribution of teeth within volumes, dense patch-based volumetric processing faces an inherent trade-off. Computational costs limit the number of patches that can be used in self-attention and thus, one can either increase the extent of the context captured in self-attention or capture fine-grained structural details by using small patches, but not both. In this work, we present Teeth2Point, an efficient point-based transformer framework for dental CBCT semantic segmentation that can avoid this trade-off. Teeth2Point first localizes volumetric regions of interest (ROIs) surrounding teeth using a convolutional model, then converts ROIs into point tokens using adaptive sampling. A transformer model predicts accurate segmentations using the point tokens, which allow capturing global context while retaining high resolution. The transformer is first pretrained using self-supervised learning (SSL), in the style of DINO but using domain-specific augmentation strategies, followed by supervised finetuning. The SSL pretraining, which includes random token masking, provides robustness to complex anatomical variations. Compared with the strongest two-stage baseline, Teeth2Point improves abnormal-case performance by 1.44 DSC points on average across four datasets; relative to the first-stage nnU-Net, the gain is 1.9 points.
- Abstract（参考訳）: 最新の深層学習アーキテクチャは歯科用CBCTセグメンテーションにおいて高い性能を示した。
残る重要な課題の1つは、歯の欠損または再着床した症例における正確な歯のラベル付けであり、歯の練習に非常に関係している。
トランスフォーマーベースのアーキテクチャは、理論的には、グローバルな解剖学的コンテキストを使ってそのような曖昧さを解決できるべきである。
しかし、CBCTボリュームの高解像度化と歯の広い空間分布のため、密集したパッチベースのボリューム処理は本質的にトレードオフに直面している。
計算コストは、自己アテンションで使用できるパッチの数を制限するため、自己アテンションでキャプチャされたコンテキストの範囲を増やすか、小さなパッチを使用することできめ細かな構造的詳細をキャプチャすることができるが、両方ではない。
本研究では, 歯科用CBCTセマンティックセグメンテーションのための効率的な点ベーストランスフォーマフレームワークであるTeeth2Pointについて述べる。
Teeth2Pointはまず、畳み込みモデルを用いて歯の周囲の体積領域(ROI)をローカライズし、次に適応サンプリングを用いてROIをポイントトークンに変換する。
トランスモデルはポイントトークンを使用して正確なセグメンテーションを予測し、高解像度を維持しながらグローバルなコンテキストをキャプチャすることができる。
トランスは、まずDINOのスタイルで自己教師付き学習(SSL)を用いて事前訓練されるが、ドメイン固有の拡張戦略を使用し、次に教師付き微調整を行う。
ランダムトークンマスキングを含むSSL事前トレーニングは、複雑な解剖学的変異に対して堅牢性を提供する。
最強の2段階ベースラインと比較して、Teeth2Pointは4つのデータセットで平均1.44DSCポイントの異常ケース性能を改善している。
関連論文リスト
- Normalized Architectures are Natively 4-Bit [49.13186675123547]
重みと隠れ表現を単位超球面に制限するアーキテクチャであるnGPTは、本質的に低精度算術よりも堅牢である。
本手法は,最大3B/30Bパラメータの1.2B密度モデルとハイブリッド(Mamba-Transformer)MoEモデルの両方で検証する。
論文 参考訳（メタデータ） (2026-05-07T11:54:07Z) - GeoT: Geometry-guided Instance-dependent Transition Matrix for Semi-supervised Tooth Point Cloud Segmentation [48.64133802117796]
GeoTは、半教師付き歯科用セグメンテーションのための擬似ラベルのノイズを明示的にモデル化するために、インスタンス依存遷移行列(IDTM)を使用するフレームワークである。
具体的には, 数万点の歯科的点から生じるIDTMの広い解空間を扱うために, 歯の幾何学的先行性を導入する。
提案手法は,ラベル付きデータの20%しか持たない完全教師付き手法に匹敵する性能を達成し,セグメンテーションを容易にするためにラベル付きデータを完全に活用することができる。
論文 参考訳（メタデータ） (2025-03-21T09:43:57Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Teeth Localization and Lesion Segmentation in CBCT Images using
SpatialConfiguration-Net and U-Net [0.4915744683251149]
歯の局所化と根尖部病変の分節化は臨床診断と治療計画にとって重要な課題である。
本研究では,2つの畳み込みニューラルネットワークを用いた深層学習手法を提案する。
この方法は、歯の局所化に対する97.3%の精度と、それぞれ0.97および0.88の有望な感度と特異性を達成し、その後の病変検出を行う。
論文 参考訳（メタデータ） (2023-12-19T14:23:47Z) - FDNet: Feature Decoupled Segmentation Network for Tooth CBCT Image [5.455286826028825]
本稿では,CBCTスキャンで遭遇する歯質変化状況に優れた特徴デカップリングネットワークであるFDNetを提案する。
フレームワークの有効性は厳格なベンチマークによって検証され、それぞれ85.28%と75.23%のDiceとIoUのスコアを達成している。
論文 参考訳（メタデータ） (2023-11-11T12:00:24Z) - Sub-token ViT Embedding via Stochastic Resonance Transformers [51.12001699637727]
Vision Transformer (ViT) アーキテクチャは、画像を高次元のベクトル化トークンの集合として表現し、それぞれが長方形の非重複パッチに対応する。
我々は「確率共鳴」にインスパイアされた無訓練法を提案する。
結果として得られるSRT(Stochastic Resonance Transformer)は、元の表現のリッチな意味情報を保持するが、空間的トークン化の粗い効果を軽減し、より微細な空間領域に基盤を置いている。
論文 参考訳（メタデータ） (2023-10-06T01:53:27Z) - Teeth And Root Canals Segmentation Using ZXYFormer With Uncertainty
Guidance And Weight Transfer [8.497690081160087]
本研究はCBCT画像から歯根管と根管を同時に分割する試みである。
歯と根管は形態学的に非常に異なり、単純なネットワークがそれらを正確に識別することは困難である。
逆特徴フュージョン変換器と不確実性推定に基づく粗大部分分割法を提案する。
論文 参考訳（メタデータ） (2023-08-14T11:06:28Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - 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) - 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) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z) - Pose-Aware Instance Segmentation Framework from Cone Beam CT Images for
Tooth Segmentation [9.880428545498662]
コーンビームCT(CBCT)画像からの個々の歯のセグメンテーションは矯正構造の解剖学的理解に不可欠である。
CBCT画像中の重金属人工物の存在は、個々の歯の正確なセグメンテーションを妨げる。
本稿では,金属製品に対して堅牢なインスタンスセグメンテーションフレームワークを活用するために,ピクセルワイズラベリングのためのニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-02-06T07:57:34Z)
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。