論文の概要: Deep Learning-based Semantic Segmentation of Dental Radiographs: Comparative Evaluation of PSPNet, DeepLabv3, UNet, and UNet++
- arxiv url: http://arxiv.org/abs/2610.15061v2
- Date: Thu, 15 Oct 2026 16:14:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:32.917342
- Title: Deep Learning-based Semantic Segmentation of Dental Radiographs: Comparative Evaluation of PSPNet, DeepLabv3, UNet, and UNet++
- Title（参考訳）: 深層学習に基づく歯科用ラジオグラフィのセマンティックセグメンテーション:PSPNet, DeepLabv3, UNet, UNet++の比較評価
- Abstract要約: 主に、Praamid Scene Parsing Network (PSPNet)、DeepLabV3、UNet、UNet++の4つのセグメンテーションモデルを比較した。
UNet++は最高IoUスコアが0.6719、DICE値が0.7869を示し、セグメンテーションの点で優れた結果を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient analysis of dental radiographs has become increasingly important for disease diagnosis and clinical decision making. In particular, dental radiographs segmentation plays a critical role as it is challenging due to several reasons, such as low contrast, noise in the images, variations in the image quality, etc. Previous studies have primarily addressed these challenges using convolutional neural networks (CNN)-based models. However, direct comparison of these segmentation models is still challenging due to the variations among the experimental settings. Therefore, we mainly compared four segmentation models, including Pyramid Scene Parsing Network (PSPNet), DeepLabV3, UNet, and UNet++, through a fair, controlled experimentation setting under varying conditions such as image sizes and batch sizes. For this, we used 1269 dental radiography images, and prior to training, we implemented a series of preprocessing techniques. To assess the models, we used several metrics, including Dice coefficient (DICE), Intersection over Union (IoU), accuracy, precision, training and validation losses. According to our results, UNet++ demonstrated the highest IoU score of 0.6719, and a DICE value of 0.7869, showing superior results in terms of segmentation, specifically when configured with an image size of 300x300 and a batch size of 16. In addition, we also explored the effect of image resolutions and batch sizes on model performance and accuracy under different architectures. Therefore, this study provides insights into the strengths of different segmentation models and the potential of deep learning-based semantic segmentation methods for improving automated dental radiograph analysis.
- Abstract（参考訳）: 歯科用X線撮影の正確かつ効率的な解析は, 疾患診断や臨床診断においてますます重要になっている。
特に、低コントラスト、画像のノイズ、画質の変化など、難易度が高いため、歯科用X線写真セグメンテーションは重要な役割を担っている。
これまでの研究は主に、畳み込みニューラルネットワーク(CNN)ベースのモデルを使用してこれらの課題に対処してきた。
しかしながら、これらのセグメンテーションモデルの直接比較は、実験的な設定の違いのため、依然として困難である。
そこで我々は、画像サイズやバッチサイズなど、さまざまな条件下で、公平に制御された実験環境を通じて、ピラミッドシーンパーシングネットワーク(PSPNet)、DeepLabV3、UNet、UNet++の4つのセグメンテーションモデルを比較した。
そこで,1269個の歯科用X線撮影画像を用いて,訓練前に一連の前処理技術を実装した。
モデルを評価するために、Dice coefficient(DICE)、Intersection over Union(IoU)、精度、精度、トレーニング、バリデーション損失など、いくつかの指標を使用した。
その結果、UNet++は最高IoUスコア0.6719、DICE値0.7869を示し、特に画像サイズ300x300とバッチサイズ16の場合に、セグメンテーションにおいて優れた結果を示した。
さらに,画像の解像度とバッチサイズが,異なるアーキテクチャ下でのモデル性能と精度に与える影響についても検討した。
そこで本研究では, 異なるセグメンテーションモデルの強度と, 深層学習に基づくセグメンテーション法の可能性について考察した。
関連論文リスト
- Pixel Wised Lesion Prediction on COVID-19 CT Imagery: A Comparative Analysis of Automated Image Segmentation Architectures [2.3332469289621787]
本研究は、最先端のトレーニング済みバックボーンと組み合わせた現代セグメンテーションフレームワークを評価することを目的とする。
Unet、PSPNet、Linknet、FPNの4つの異なるディープラーニングアーキテクチャを6つの事前学習エンコーダに統合する。
画像セグメンテーションの文脈では,2値実験と多値実験の両方を対象とする。
論文 参考訳（メタデータ） (2026-05-19T20:13:02Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳（メタデータ） (2022-11-24T02:55:20Z) - Segmentation of 3D Dental Images Using Deep Learning [0.0]
3D画像のセグメンテーションは、多くの医学的分析と認識スキームにおいて、最近かつ重要なステップである。
本稿では,最適な3次元セグメンテーション出力を得るために,様々な効率的な手法をハイブリダイズする多相ディープラーニングシステムを提案する。
論文 参考訳（メタデータ） (2022-07-19T23:17:54Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳（メタデータ） (2020-04-12T23:42:51Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。