Leveraging Point Transformers for Detecting Anatomical Landmarks in Digital Dentistry

要約

口腔内スキャンデバイスの可用性の向上により、現代の臨床歯列矯正における重要性が高まりました。
臨床医は、高度なコンピューター支援設計技術を利用して、尖、近遠位位置、顔の軸点、歯の境界などの重要なランドマークを積極的に特定することを含む患者固有の治療計画を作成します。
このようなランドマークを検出すると、限られたデータセットサイズ、被験者間の大幅な解剖学的変動性、データの幾何学的性質など、課題が自動的に提示されます。
Miccai 2024の3dteethland Grand Challengeからの実験を紹介します。私たちの方法は、トランスアーキテクチャを通じてポイントクラウド学習の最近の進歩を活用しています。
ポイントトランスV3インスピレーションモジュールを設計して、意味のある幾何学的および解剖学的特徴をキャプチャしました。これは、グラフベースの非ミニマ抑制によってさらに処理される、軽量距離を予測するために軽量デコーダーによって処理されます。
有望な結果を報告し、学習した機能の解釈性に関する洞察について説明します。

要約(オリジナル)

The increasing availability of intraoral scanning devices has heightened their importance in modern clinical orthodontics. Clinicians utilize advanced Computer-Aided Design techniques to create patient-specific treatment plans that include laboriously identifying crucial landmarks such as cusps, mesial-distal locations, facial axis points, and tooth-gingiva boundaries. Detecting such landmarks automatically presents challenges, including limited dataset sizes, significant anatomical variability among subjects, and the geometric nature of the data. We present our experiments from the 3DTeethLand Grand Challenge at MICCAI 2024. Our method leverages recent advancements in point cloud learning through transformer architectures. We designed a Point Transformer v3 inspired module to capture meaningful geometric and anatomical features, which are processed by a lightweight decoder to predict per-point distances, further processed by graph-based non-minima suppression. We report promising results and discuss insights on learned feature interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google