Processing and Segmentation of Human Teeth from 2D Images using Weakly Supervised Learning

要約

歯のセグメンテーションは、正確な診断と治療計画を立てるための歯科画像解析において不可欠なタスクです。
教師ありディープラーニング手法は歯のセグメンテーションに利用できますが、多くの場合、セグメンテーション マスクに広範な手動アノテーションを付ける必要があり、時間とコストがかかります。
この研究では、手動によるアノテーションの必要性を減らす、歯のセグメンテーションに対する弱い教師ありのアプローチを提案します。
私たちの方法では、キーポイント検出ネットワークからの出力ヒートマップと中間特徴マップを利用して、セグメンテーション プロセスをガイドします。
歯のキーポイント検出ネットワークをトレーニングするために、歯のキーポイントで注釈が付けられた 3,000 個の口腔画像で構成される TriDental データセットを導入します。
キーポイント検出ネットワークのさまざまなレイヤーからの特徴マップを組み合わせて、明示的なセグメンテーション アノテーションなしで正確な歯のセグメンテーションを可能にします。
検出されたキーポイントは、セグメンテーション マスクをさらに改良するためにも使用されます。
TriDental データセットの実験結果は、最先端のセグメンテーション手法と比較して、精度と堅牢性の点で当社のアプローチが優れていることを示しています。
私たちの方法は、実際の歯科用途における歯のセグメンテーションのための費用対効果が高く効率的なソリューションを提供し、大規模な手作業によるアノテーション作業の必要性を排除します。

要約(オリジナル)

Teeth segmentation is an essential task in dental image analysis for accurate diagnosis and treatment planning. While supervised deep learning methods can be utilized for teeth segmentation, they often require extensive manual annotation of segmentation masks, which is time-consuming and costly. In this research, we propose a weakly supervised approach for teeth segmentation that reduces the need for manual annotation. Our method utilizes the output heatmaps and intermediate feature maps from a keypoint detection network to guide the segmentation process. We introduce the TriDental dataset, consisting of 3000 oral cavity images annotated with teeth keypoints, to train a teeth keypoint detection network. We combine feature maps from different layers of the keypoint detection network, enabling accurate teeth segmentation without explicit segmentation annotations. The detected keypoints are also used for further refinement of the segmentation masks. Experimental results on the TriDental dataset demonstrate the superiority of our approach in terms of accuracy and robustness compared to state-of-the-art segmentation methods. Our method offers a cost-effective and efficient solution for teeth segmentation in real-world dental applications, eliminating the need for extensive manual annotation efforts.

arxiv情報

著者 Tomáš Kunzo,Viktor Kocur,Lukáš Gajdošech,Martin Madaras
発行日 2023-11-13 15:25:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク