論文の概要: Automated Dental Caries Segmentation in Panoramic Radiographs Using Dual-Stage Deep Learning

• arxiv url: http://arxiv.org/abs/2609.18952v1
• Date: Wed, 15 Jul 2026 07:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.577543
• Title: Automated Dental Caries Segmentation in Panoramic Radiographs Using Dual-Stage Deep Learning
• Title（参考訳）: Dual-Stage Deep Learning を用いたパノラマX線写真における顎骨の自動分割
• Abstract要約: 本研究では, 高速R-CNNとU-Netを併用した2段階の深層学習フレームワークを提案する。 大規模多角形アノテーション付きデータセットを高分解能なバイナリセグメンテーションマスクに変換するための体系的な変換パイプラインを開発した。 このフレームワークは、専門家が検証したデータセットと、3000パノラマ画像からアルゴリズムで処理されたラベルの両方を使用してトレーニングされた。
• 参考スコア（独自算出の注目度）: 4.725884044391295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early detection of dental caries remains challenging due to limitations in traditional diagnostic methods, particularly for proximal lesions in posterior teeth. Deep learning models show promise for automated caries detection but face scalability constraints due to requirements for large volumes of expertly annotated training data. This study presents a dual-stage deep learning framework combining Faster R-CNN for tooth localization with U-Net for pixel-wise caries segmentation in panoramic radiographs. We developed a systematic transformation pipeline to convert large-scale polygon-annotated datasets into high-resolution binary segmentation masks, enabling pixel-wise supervised learning. The framework was trained using both expert-verified datasets and algorithmically processed labels from 3,000 panoramic images. Our approach achieved robust performance with an IoU of 0.9013, Dice coefficient of 0.9482, Recall of 0.9433, and Precision of 0.9774, demonstrating superior accuracy compared to existing methods while significantly reducing false-positive rates. The dual-stage framework effectively addresses data annotation bottlenecks in dental AI applications and demonstrates potential for scalable, automated caries detection systems that can improve diagnostic consistency and support clinical decision-making.
• Abstract（参考訳）: 歯列早期発見は, 従来の診断法, 特に後歯部近位部病変の限界により, いまだに困難である。 ディープラーニングモデルは、自動キャリー検出を約束するが、大量の専門的な注釈付きトレーニングデータを必要とするため、スケーラビリティの制約に直面している。 本研究では, 高速R-CNNとU-Netを併用した2段階の深層学習フレームワークを提案する。 大規模多角形アノテートデータセットを高分解能なバイナリセグメンテーションマスクに変換するためのシステム変換パイプラインを開発した。 このフレームワークは、専門家が検証したデータセットと、3000パノラマ画像からアルゴリズムで処理されたラベルの両方を使用してトレーニングされた。 提案手法は,0.9013のIoU,0.9482のDice係数,0.9433のリコール,0.9774の精度で頑健な性能を実現した。 このデュアルステージフレームワークは、歯科用AIアプリケーションにおけるデータアノテーションのボトルネックを効果的に解決し、診断整合性を改善し、臨床的意思決定をサポートするスケーラブルで自動化されたケーシー検出システムの可能性を示す。

関連論文リスト

• Abnormalities and Disease Detection in Gastro-Intestinal Tract Images [2.5209477824050954]
  本研究は,リアルタイムアプリケーションにおけるGI画像の正確な分類とセグメント化の課題に対処する。 リアルタイム検出を支援するために,テクスチャと局所バイナリパターンを統合したニューラルネットワークを開発した。 ユーザビリティを向上させるために,Depth-Wise Separable Convolutionとニューラルネットワークアンサンブルを活用した2つのセグメンテーションツールが提案されている。
  論文  参考訳（メタデータ） (2026-03-23T10:13:56Z)
• Automated Cervical Os Segmentation for Camera-Guided, Speculum-Free Screening [38.85521544870542]
  本研究は,経血管内視鏡的画像における頸部骨のリアルタイム分割のための深層学習法について検討した。 DICE(0.50 pm 0.31)と検出レート(0.87 pm 0.33)を達成した。 これらの結果は、非専門的な使用をサポートするために、自動os認識を投機のない頸部検診装置に統合するための基盤を確立する。
  論文  参考訳（メタデータ） (2025-09-12T14:19:27Z)
• 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)
• Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
  大腸癌の検出は、患者の生存率を高めるために重要である。 大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。 Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。 精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
  論文  参考訳（メタデータ） (2025-05-30T16:54:51Z)
• Towards Better Cephalometric Landmark Detection with Diffusion Data Generation [43.381003080365254]
  本研究では,人間の介入を伴わない,多様な頭部X線画像とそれに対応するアノテーションを生成できる革新的なデータ生成手法を開発した。 詳細なプロンプトを活用することで,異なるスタイルや属性を制御できるように生成プロセスを改善する。 生成したデータを使用しない手法と比較して,SDR(Success Detection Rate)が6.5%向上し,82.2%が顕著となった。
  論文  参考訳（メタデータ） (2025-05-09T13:50:27Z)
• WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep Imaging Ultrasound [1.2903292694072621]
  ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。 本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。 このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
  論文  参考訳（メタデータ） (2023-11-17T20:32:37Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。