論文の概要: Occlusal Geometry in Closed Form for Orthodontic Report Generation

• arxiv url: http://arxiv.org/abs/2609.13237v1
• Date: Wed, 02 Sep 2026 14:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.665617
• Title: Occlusal Geometry in Closed Form for Orthodontic Report Generation
• Title（参考訳）: 矯正用レポート生成用クローズドフォームの咬合形状
• Abstract要約: 上述のRAS規約に代えて,アーチテーパーとアーチ閉鎖から解剖学的フレームを回収する。 各アーチは, オーバービット, オーバージェット, ミッドライン偏差, 横オーバーラップ, クロスビット範囲, 交叉ラグ, 咬合曲線を有するアーチ角座標において, 咬合隆起プロファイルに還元される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Orthodontic report generation from intraoral data is normally cast as multimodal captioning, yet the released Bite2Text scan pairs are supplied already registered in occlusion, which makes several core occlusal quantities directly measurable rather than inferable. The system reported here exploits that property: an anatomical frame is recovered per case from arch taper and arch closure instead of the stated RAS convention, which does not hold across the release, and each arch is reduced to an occlusal ridge profile in arch-angle coordinates yielding overbite, overjet, midline deviation, transverse overlap, crossbite extent, cusp interdigitation lag, and the occlusal curves in closed form. Gradient boosting maps 31 such measurements onto 13 template fields, a field being predicted only where patient-level cross-validation beats its own majority baseline, and a deterministic renderer emits the corpus six-part narrative; a ConvNeXt-Tiny classifier over the five standardised photographic views is fused per field, raising mean field accuracy from 0.601 to 0.683. Reimplementation of the challenge evaluator shows that its BLEU-4 and METEOR are local variants whose F-mean weights recall nine to one, that two clinicians agree on 47 percent of findings for the same patient, and that a constant report consequently outscores a genuine second clinician report by 0.165 captioning. Held-out scores reach BLEU-4 0.458 and METEOR 0.677 against intraoral scan references and 0.278 and 0.507 against photograph references, and the submitted system placed third in the ODIN 2026 Bite2Text test phase at 0.2680 and 0.4629, within 0.022 BLEU-4 of first, running on CPU in under ten seconds per case. The dataset and code are available at https://github.com/GIND123/ODIN_toothfairy4
• Abstract（参考訳）: 口腔内データから発生した矯正的報告は、通常マルチモーダルキャプションとしてキャストされるが、放出されたBite2Textスキャンペアは、既にオクルージョンに登録されており、推測可能ではなく、いくつかの中核咬合量を直接測定できる。 解剖学的フレームをアーチテーパーとアーチクロージャから回収し、放流を通さないRAS規約に代えて、各アーチを、オーバービット、オーバージェット、ミッドライン偏差、横重なり、クロスビット範囲、カスプの交叉ラグ、閉形式の咬合曲線の咬合隆起プロファイルに還元する。 このような測定を13のテンプレートフィールドにグラディエントブーストマップ31、患者レベルのクロスバリデーションが自身のマジョリティベースラインを上回った場合にのみ予測されるフィールド、および決定論的レンダラーがコーパス6部物語を出力し、5つの標準写真ビュー上のConvNeXt-Tiny分類器がフィールド毎に融合され、平均フィールド精度が0.601〜0.683となる。 課題評価装置の再実装は、BLEU-4とMETEORは、F平均重量が9から1の局所変異体であり、同じ患者の47%の発見に2人の臨床医が同意していることを示し、その結果、定期的な報告は0.165キャプションによる真の第2の臨床報告を上回っていることを示している。 BLEU-4 0.458 と METEOR 0.677 は口腔内スキャン基準に対して 0.278 と 0.507 は写真基準に対して ODIN 2026 Bite2Text テストフェーズ 0.2680 と 0.4629 は、1ケースあたり 10 秒未満で CPU 上で 0.022 BLEU-4 を実行している。 データセットとコードはhttps://github.com/GIND123/ODIN_toothfairy4で公開されている。

関連論文リスト

• Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
  SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。 SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
  論文  参考訳（メタデータ） (2026-09-16T15:34:21Z)
• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• Clinical Reasoning Under a Partially Observed Objective in Cone Beam CT Report Generation [0.0]
  コーンビーム計算トモグラフィーによる顎顔面画像生成は, 実包含量判定の大規模言語モデルにおいて, 80%の重量を重み付けする複合目的によって評価される。 グレーダのBLEU-4とMETEORルーチンは純粋なPythonで再現され、機械の精度に一致する。
  論文  参考訳（メタデータ） (2026-09-02T15:06:06Z)
• RibAssist 3D: Biplanar Rib-Fracture Detection, Addressing, and Selective 3D Localization from CT-Derived Projections [0.6768558752130311]
  リブ骨折はCT(Computed tomography)で局所化するのに一般的で時間を要する 2つの直交CTからの投射で独立に検出された骨折は、視界をまたいでペアリングし、偽出力の制御速度で信頼できる3Dポイントに三角測量できるかどうかを問う。 本研究は、選択的3次元局所化のための再現可能なフレームワークを確立し、クロスビュー対応を主要な運用ボトルネックとして認識する。
  論文  参考訳（メタデータ） (2026-08-07T07:47:20Z)
• What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval [42.66754319854329]
  我々は,刺激同期MEG-to-audio検索を監査フレームワークとして再放送した。 構造的ショートカット、ウィンドウレベルの刺激ロックされたエビデンス、ウィンドウ間のコンテキストアグリゲーションを使用します。 これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。
  論文  参考訳（メタデータ） (2026-05-23T11:23:39Z)
• GAZE: Grounded Agentic Zero-shot Evaluation with Viewer-Level Tools and Literature Retrieval on Rare Brain MRI [0.0]
  視覚言語モデル(VLM)は画像を読み、単一の前方通過でテキストを生成するのに対し、放射線学者は通常、画像を調べてレポートを書く前に文献を参照する。 我々は,米国国立医学図書館が支援するビューアーレベルのツールと2つの検索ツールをコールすることで,医療用VLMをこの反復的な方法で動作させるフレームワークであるGAZEを紹介する。 NOVAでは、281の稀な神経疾患を含む906例の脳MRIのベンチマークで、GAZEは、病変の局在と病変の局在を共通点(IoU)0.3で58.2の平均精度(mAP)に達する。
  論文  参考訳（メタデータ） (2026-04-25T13:38:49Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• An error correction scheme for improved air-tissue boundary in real-time MRI video for speech production [44.73595024823637]
  本稿では, コントゥール1とコントゥール2を別々に比較して, エア・タブ境界(ATB)セグメンテーションの2つの新しい評価指標を提案する。 提案した検出および補正戦略により、この2つの評価指標は、contour1では61.8%、61.4%、contour2では67.8%、28.4%改善される。
  論文  参考訳（メタデータ） (2022-03-09T03:17:24Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。