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、矯正治療に不可欠ですが、手動の配置は複雑で時間がかかります。
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アプローチが提案されていますが、歯のセグメンテーションをバイパスする完全にエンドツーエンドのソリューションを提供し、実用的な適用性を制限するものはありません。
3D IOSでの歯のランドマーク検出のための最初の完全なエンドツーエンドのディープラーニングフレームワークであるCharNet（条件付きヒートマップ回帰ネットワーク）を紹介します。
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段階ワークフローとは異なり、チャーネットは入力ポイントクラウドで直接動作し、複雑さと計算オーバーヘッドを減らします。
この方法には、4つのモジュールが統合されます。（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）新規条件付きヒートマップ回帰（CHAR）モジュール。
歯の存在分類を活用することにより、CHARモジュールは欠けている歯に動的に適応し、複雑な歯科モデルの検出精度を高めます。
1,214の注釈付き3Dモデルの臨床データセットで、5ポイントクラウド学習アルゴリズムを使用してチャーネットを評価します。
データセットとコードの両方が公開され、歯科矯正のオープンデータセットの欠如に対処し、さらなる研究を促します。
Charnetは、すべての歯列型で0.51 mm、1.28 mmの平均ユークリッド距離誤差（MEDE）を達成し、それぞれ87.06％と82.40％の平均成功率（MSR）がそれぞれ達成されます。
特に、歯が欠けているモデルを含む、不規則な幾何学で堅牢な性能を示します。
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分析精度を強化し、効率的なコンピューター支援治療計画をサポートします。

要約(オリジナル)

Identifying anatomical landmarks in 3D dental models is vital for orthodontic treatment, yet manual placement is complex and time-consuming. Although some machine learning approaches have been proposed for automatic tooth landmark detection in 3D Intraoral Scans (IOS), none provide a fully end-to-end solution that bypasses teeth segmentation, limiting practical applicability. We introduce CHaRNet (Conditioned Heatmap Regression Network), the first fully end-to-end deep learning framework for tooth landmark detection in 3D IOS. Unlike traditional two-stage workflows that segment teeth before detecting landmarks, CHaRNet directly operates on the input point cloud, thus reducing complexity and computational overhead. Our method integrates four 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 novel Conditioned Heatmap Regression (CHaR) module. By leveraging teeth presence classification, the CHaR module dynamically adapts to missing teeth and enhances detection accuracy in complex dental models. We evaluate CHaRNet using five point cloud learning algorithms on a clinical dataset of 1,214 annotated 3D models. Both the dataset and code will be publicly released to address the lack of open datasets in orthodontics and inspire further research. CHaRNet achieves a Mean Euclidean Distance Error (MEDE) of 0.51 mm on typical dental models and 1.28 mm across all dentition types, with corresponding Mean Success Rates (MSR) of 87.06% and 82.40%, respectively. Notably, it exhibits robust performance on irregular geometries, including models with missing teeth. This end-to-end approach streamlines orthodontic workflows, enhances 3D IOS analysis precision, and supports efficient computer-assisted treatment planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google