論文の概要: Patient-Level, Leakage-Aware Deep Learning for Cross-Center Periapical Radiograph Classification

• arxiv url: http://arxiv.org/abs/2609.14703v1
• Date: Sun, 13 Sep 2026 17:56:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.897485
• Title: Patient-Level, Leakage-Aware Deep Learning for Cross-Center Periapical Radiograph Classification
• Title（参考訳）: 患者レベル, 漏れを意識した深層学習による心尖部X線診断
• Abstract要約: 本稿では,DentIROデータセットを用いた歯内1本歯の根尖部X線写真に対する最初の患者レベル・リーク・アウェア分類ベンチマークを提案する。 DentIROデータセットは、2つのクリニックにまたがる3,243人の患者から5,300枚の画像と4つのクラス(Healthy, Caries, Crowned, Root Canal)で構成されている。
• 参考スコア（独自算出の注目度）: 7.02937797539818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dental caries and endodontic disease are among the most common health conditions worldwide, and intraoral periapical radiographs are central to their detection, treatment planning, and follow-up. Automated tooth-level classification of these images, however, lacks reproducible benchmarks, is often evaluated with image-level splits that leak patients between training and test, and is rarely validated across clinics. This paper presents the first patient-level, leakage-aware classification benchmark for single-tooth intraoral periapical radiographs on the DentIRO dataset, which comprises 5,300 images from 3,243 patients across two clinics and four classes: Healthy, Caries, Crowned, and Root Canal. Five transfer-learning models are compared with patient-grouped stratified cross-validation, so that every patient remains within a single fold. DenseNet121 gave the strongest and most stable result at a mean macro-F1 of 0.9787, while the four ImageNet-initialized backbones performed comparably. A controlled comparison on a fixed architecture showed that chest-radiograph pretraining transferred less effectively than ImageNet initialization. Bidirectional cross-center validation produced a small average generalization gap of 0.0077, and Grad-CAM confirmed that predictions rely on clinically meaningful tooth regions rather than acquisition artifacts. The benchmark offers a rigorous and reproducible baseline for intraoral radiograph classification.
• Abstract（参考訳）: 歯科治療と内科疾患は世界中で最も一般的な健康状態の1つであり、口腔内放射線検査はその検出、治療計画、追跡の中心である。 しかし、これらの画像の自動分類には再現可能なベンチマークが欠如しており、訓練と検査の間の患者をリークする画像レベルの分割で評価されることがしばしばあり、クリニック間で検証されることは稀である。 本報告では,DentIROデータセットを用いて,2つのクリニックと4つのクラス(Healthy, Caries, Crowned, Root Canal)にわたる3,243人の患者から5,300枚の画像から得られた1本の歯内根尖部X線写真に対する最初の患者レベル・リーク対応分類ベンチマークについて述べる。 5つのトランスファーラーニングモデルは、患者グループによる階層化されたクロスバリデーションと比較され、すべての患者が1つの折りたたみ状態に留まる。 DenseNet121は平均マクロF1の0.9787で最強で最も安定な結果を得たが、4つのImageNet初期化バックボーンは互換性を持って実行された。 固定アーキテクチャにおける制御された比較の結果,胸部X線撮影前トレーニングはImageNetの初期化よりも効率が低かった。 双方向のクロスセンター検証によって平均一般化ギャップは0.0077と小さく、Grad-CAMは、予測が獲得アーティファクトよりも臨床的に意味のある歯の領域に依存していることを確認した。 このベンチマークは、口内ラジオグラフィー分類のための厳密で再現可能なベースラインを提供する。

関連論文リスト

• WristMIR: Coarse-to-Fine Region-Aware Retrieval of Pediatric Wrist Radiographs with Radiology Report-Driven Learning [0.39146761527401425]
  WristMIRは、地域対応の小児手首画像検索フレームワークである。 手動のイメージレベルのアノテーションなしで、きめ細かい、臨床的に意味のある画像表現を学習する。
  論文  参考訳（メタデータ） (2026-02-08T08:57:57Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram [9.788176765955534]
  冠動脈疾患(CAD)は死亡率の低下と患者の治療計画の改善に重要である。 冠状動脈リファインメントネットワーク(CASR-Net, Coronary Artery and Refinement Network)は, 画像前処理, セグメンテーション, 精細化の3段階からなるパイプラインである。
  論文  参考訳（メタデータ） (2025-10-31T09:40:29Z)
• Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training [53.77904429789069]
  本稿では, 歯列検出のための新しいDual-View Co-TrainingネットワークであるAttention-TNetについて紹介する。 OurTNetは、自動歯肉検出を用いて、パノラマX線画像からのグローバルビューと、収穫した歯肉画像からのローカルビューの2つの補完的なビューを確立する。 両ビューからの情報を効果的に統合するために,Gated Cross-Viewモジュールを導入する。
  論文  参考訳（メタデータ） (2025-08-28T14:13:26Z)
• Semi-supervised classification of dental conditions in panoramic radiographs using large language model and instance segmentation: A real-world dataset evaluation [6.041146512190833]
  13種類の歯科疾患をパノラマX線写真で分類するための半教師付き学習フレームワークが提案されている。 このソリューションは、ジュニアスペシャリストに匹敵する精度のレベルを示した。
  論文  参考訳（メタデータ） (2024-06-25T19:56:12Z)
• AI-Dentify: Deep learning for proximal caries detection on bitewing x-ray -- HUNT4 Oral Health Study [0.0]
  人工知能の使用は、噛まれた画像の迅速かつ情報的な分析を提供することで、診断を支援する可能性がある。 HUNT4口腔健康研究から得られた13,887個の噛み付きデータセットは、6人の異なる専門家によって個別に注釈付けされた。 同じ6人の歯科医が共同で注釈を付けた197枚の画像のコンセンサスデータセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-09-30T12:17:36Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。