Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans

要約

コンピューター支援歯科矯正治療では、歯を正確にセグメント化し、歯科メッシュモデルで対応する解剖学的ランドマークを特定することが不可欠です。
これらの2つのタスクを手動で実行することは、時間がかかり、面倒であり、さらに重要なことに、患者の歯の異常と大規模な変動のために矯正歯科医の経験に大きく依存します。
一部の機械学習ベースの方法は、歯科矯正分野で設計および適用されており、歯科用メッシュを自動的にセグメント化します（口腔内スキャンなど）。
対照的に、歯のランドマークの局在化に関する研究の数はまだ限られています。
この論文は、生の口腔内スキャンでの関節の歯のラベリングとランドマークの識別のためのメッシュディープラーニング（TS-MDLと呼ばれる）に基づく2段階のフレームワークを提案します。
TS-MDLは、最初にエンドツーエンドの\ emph {i} MeshSegNetメソッド（つまり、精度と効率の両方が向上した既存のMeshSegNetの変形）を採用して、ダウンサンプリングされたスキャンで各歯にラベルを付けます。
セグメンテーション出力に基づいて、TS-MDLは、元のメッシュ上の各歯の関心領域（ROI）をさらに選択して、対応するランドマークヒートマップを回帰するための先駆的なPointNetの軽量バリアント（つまり、PointNet-Reg）を構築します。
私たちのTS-MDLは、実際の臨床データセットで評価され、有望なセグメンテーションとローカリゼーションのパフォーマンスを示しています。
具体的には、TS-MDLの最初の段階の\ emph {i} MeshSegNetは、\ textcolor [rgb] {0,0,0} {$ 0.964 \ pm0.054 $}で平均ダイス類似度係数（DSC）に達し、
オリジナルのMeshSegNet。
第2段階では、PointNet-Regは$ 66$ランドマークの予測とグラウンドトゥルース間の距離で$0.597\ pm0.761 \、mm $の平均絶対誤差（MAE）を達成しました。これは、ランドマーク検出の他のネットワークと比較して優れています。
これらすべての結果は、歯列矯正におけるTS-MDLの潜在的な使用法を示唆しています。

要約(オリジナル)

Accurately segmenting teeth and identifying the corresponding anatomical landmarks on dental mesh models are essential in computer-aided orthodontic treatment. Manually performing these two tasks is time-consuming, tedious, and, more importantly, highly dependent on orthodontists’ experiences due to the abnormality and large-scale variance of patients’ teeth. Some machine learning-based methods have been designed and applied in the orthodontic field to automatically segment dental meshes (e.g., intraoral scans). In contrast, the number of studies on tooth landmark localization is still limited. This paper proposes a two-stage framework based on mesh deep learning (called TS-MDL) for joint tooth labeling and landmark identification on raw intraoral scans. Our TS-MDL first adopts an end-to-end \emph{i}MeshSegNet method (i.e., a variant of the existing MeshSegNet with both improved accuracy and efficiency) to label each tooth on the downsampled scan. Guided by the segmentation outputs, our TS-MDL further selects each tooth’s region of interest (ROI) on the original mesh to construct a light-weight variant of the pioneering PointNet (i.e., PointNet-Reg) for regressing the corresponding landmark heatmaps. Our TS-MDL was evaluated on a real-clinical dataset, showing promising segmentation and localization performance. Specifically, \emph{i}MeshSegNet in the first stage of TS-MDL reached an averaged Dice similarity coefficient (DSC) at \textcolor[rgb]{0,0,0}{$0.964\pm0.054$}, significantly outperforming the original MeshSegNet. In the second stage, PointNet-Reg achieved a mean absolute error (MAE) of $0.597\pm0.761 \, mm$ in distances between the prediction and ground truth for $66$ landmarks, which is superior compared with other networks for landmark detection. All these results suggest the potential usage of our TS-MDL in orthodontics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google