CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization

要約

3D歯科モデルでの解剖学的ランドマークを特定することは、歯科矯正治療に不可欠です。
これらの重要なポイントを手動で配置すること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）での自動歯のランドマーク検出のためにいくつかの機械学習方法が提案されていますが、歯のセグメンテーションを避ける完全なエンドツーエンドのアプローチはなく、研究は限られたままです。
3D IOSでの歯のランドマーク検出のための最初のエンドツーエンドのディープラーニング方法であるCharNet（条件付きヒートマップ回帰ネットワーク）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は入力ポイントクラウドのランドマークを直接検出します。
（1）ポイントクラウドエンコーダー、（2）ヒートマップ回帰ヘッドを備えたポイントクラウドデコーダー、（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）モジュールで構成される4つの重要なモジュールで構成されています。
。
CHARモジュールは、歯の存在分類を活用し、歯が欠けているケース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ることにより、画期的な回帰を改善します。
5点クラウド学習アルゴリズムを使用してCharNetを評価して、CHARモジュールの有効性を検証し、1,214個の注釈付き3D歯科モデルの臨床データセットでテストします。
データセットとコードの両方が公開され、歯列矯正のオープンデータセットの欠如、ベンチマークの促進、新しい研究に拍車をかけることができます。
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、歯が欠けているモデルなど、不規則な歯科幾何学を処理することに優れています。
このエンドツーエンドのアプローチは、歯列矯正ワークフローを合理化し、3D IOS分析精度を改善し、効率的なコンピューター支援治療計画を促進します。

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