Semantic decomposition Network with Contrastive and Structural Constraints for Dental Plaque Segmentation

要約

医療用試薬染色の画像から歯垢をセグメント化すると、診断およびフォローアップ治療計画の決定に役立つ情報が得られます。
ただし、正確な歯垢セグメンテーションは、セマンティック ブラー領域 (つまり、歯と歯垢の間の境界領域の混乱した境界) およびインスタンス形状の複雑なバリエーションを受ける歯と歯垢を識別する必要がある困難な作業です。
既存のメソッド。
したがって、歯と歯垢のセグメンテーションに個別に対処するために 2 つの単一タスク ブランチを導入し、各ブランチのカテゴリ固有の機能を学習するための追加の制約を設計するセマンティック分解ネットワーク (SDNet) を提案します。
歯垢セグメンテーションのパフォーマンス。
具体的には、SDNet は歯と歯垢の 2 つの別個のセグメンテーション ブランチを分割統治方式で学習し、それらの間の絡み合った関係を分離します。
カテゴリを指定する各ブランチは、正確なセグメンテーションを生成する傾向があります。
これらの 2 つのブランチがカテゴリ固有の機能により焦点を当てるのを助けるために、2 つの制約モジュールがさらに提案されています。
特徴抽出時のセマンティック ブラー領域。
2) 構造制約モジュール (SCM) は、境界を意識した幾何学的制約の監視によって、さまざまな形状の歯垢の完全な構造情報を提供します。
さらに、大規模なオープンソースのステンド デンタル プラーク セグメンテーション データセット (SDPSeg) を構築し、歯と歯垢に高品質の注釈を提供します。
SDPSeg データセットの実験結果は、SDNet が最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Segmenting dental plaque from images of medical reagent staining provides valuable information for diagnosis and the determination of follow-up treatment plan. However, accurate dental plaque segmentation is a challenging task that requires identifying teeth and dental plaque subjected to semantic-blur regions (i.e., confused boundaries in border regions between teeth and dental plaque) and complex variations of instance shapes, which are not fully addressed by existing methods. Therefore, we propose a semantic decomposition network (SDNet) that introduces two single-task branches to separately address the segmentation of teeth and dental plaque and designs additional constraints to learn category-specific features for each branch, thus facilitating the semantic decomposition and improving the performance of dental plaque segmentation. Specifically, SDNet learns two separate segmentation branches for teeth and dental plaque in a divide-and-conquer manner to decouple the entangled relation between them. Each branch that specifies a category tends to yield accurate segmentation. To help these two branches better focus on category-specific features, two constraint modules are further proposed: 1) contrastive constraint module (CCM) to learn discriminative feature representations by maximizing the distance between different category representations, so as to reduce the negative impact of semantic-blur regions on feature extraction; 2) structural constraint module (SCM) to provide complete structural information for dental plaque of various shapes by the supervision of an boundary-aware geometric constraint. Besides, we construct a large-scale open-source Stained Dental Plaque Segmentation dataset (SDPSeg), which provides high-quality annotations for teeth and dental plaque. Experimental results on SDPSeg datasets show SDNet achieves state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google