CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization

要約

3D 歯科モデルで解剖学的ランドマークを特定することは、歯科矯正治療にとって非常に重要です。
これらのキーポイントを手動で配置するのは複雑で時間がかかり、専門知識が必要です。
3D 口腔内スキャン (IOS) で歯のランドマークを自動検出するための機械学習手法がいくつか提案されていますが、研究は依然として限られており、歯のセグメンテーションを回避する完全なエンドツーエンドのアプローチはありません。
我々は、3D IOS で歯のランドマークを検出するための最初のエンドツーエンドの深層学習手法である CHaRNet (Conditioned Heatmap Regression Network) を提案します。
ランドマークを検出する前に歯をセグメント化する従来の 2 段階の方法とは異なり、CHaRNet は入力点群上のランドマークを直接検出します。
これは 4 つの主要なモジュールで構成されています: (1) 点群エンコーダ、(2) ヒートマップ回帰ヘッドを備えた点群デコーダ、(3) 歯の存在分類ヘッド、および (4) 革新的な条件付きヒートマップ回帰 (CHaR) モジュール
。
CHaR モジュールは、歯の存在分類を活用することでランドマーク回帰を改良し、歯を欠損した症例への動的適応を可能にし、複雑な歯科モデルの精度を向上させます。
私たちは 5 つの点群学習アルゴリズムを使用して CHaRNet を評価し、CHaR モジュールの有効性を検証し、1,214 ドルの注釈付き 3D 歯科モデルの臨床データセットでテストします。
歯科矯正におけるオープンなデータセットの不足に対処し、ベンチマークを促進し、新しい研究を促すために、データセットとコードの両方が一般に公開されます。
CHaRNet は、1.28 mm の平均ユークリッド距離誤差 (MEDE) と 82.40\% の平均成功率 (MSR) を達成し、堅牢なパフォーマンスを示しています。
特に、欠損した歯のモデルなど、不規則な歯の形状の処理に優れています。
このエンドツーエンドのアプローチにより、歯科矯正ワークフローが合理化され、3D IOS 分析の精度が向上し、コンピューター支援による効率的な治療計画が容易になります。

要約(オリジナル)

Identifying anatomical landmarks in 3D dental models is crucial for orthodontic treatment. Manually placing these key points is complex, time-consuming, and requires expert knowledge. While some machine learning methods have been proposed for automatic tooth landmark detection in 3D Intraoral Scans (IOS), research remains limited, with no fully end-to-end approaches that avoid teeth segmentation. We propose CHaRNet (Conditioned Heatmap Regression Network), the first end-to-end deep learning method for tooth landmark detection in 3D IOS. Unlike traditional two-stage methods that segment teeth before detecting landmarks, CHaRNet directly detects landmarks on the input point cloud. It consists of four key modules: (1) a point cloud encoder, (2) a point cloud decoder with a heatmap regression head, (3) a teeth presence classification head, and (4) the innovative Conditioned Heatmap Regression (CHaR) module. The CHaR module refines landmark regression by leveraging teeth presence classification, enabling dynamic adaptation to cases with missing teeth and improving accuracy in complex dental models. We evaluate CHaRNet using five point cloud learning algorithms to validate the effectiveness of the CHaR module and test it on a clinical dataset of $1,214$ annotated 3D dental models. Both the dataset and code will be publicly released to address the lack of open datasets in orthodontics, promote benchmarking, and inspire new research. CHaRNet achieves a Mean Euclidean Distance Error (MEDE) of 1.28 mm and a Mean Success Ratio (MSR) of 82.40\%, demonstrating robust performance. Notably, it excels in handling irregular dental geometries, such as models with missing teeth. This end-to-end approach streamlines orthodontic workflows, improves 3D IOS analysis precision, and facilitates efficient computer-assisted treatment planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google