FDNet: Feature Decoupled Segmentation Network for Tooth CBCT Image

要約

歯列矯正治療計画には、正確なトゥース コーン ビーム コンピューター断層撮影 (CBCT) 画像の分割が不可欠です。
この論文では、複雑なアーチファクトや不明瞭な歯の境界など、CBCT スキャンで遭遇するさまざまな歯の状態に直面して優れた機能分離セグメンテーション ネットワークである FDNet を提案します。
低周波ウェーブレット変換 (LF ウェーブレット) は、歯のグローバルな構造的完全性を強調することで意味論的な内容を豊かにするために使用され、一方、SAM エンコーダーを利用して境界描写を洗練し、隣接する歯の構造間のコントラストを改善します。
これらの 2 つの側面を統合することで、FDNet はセマンティック ギャップに適切に対処し、詳細かつ正確なセグメンテーションを提供します。
このフレームワークの有効性は厳格なベンチマークによって検証され、Dice スコアと IoU スコアでそれぞれ 85.28% と 75.23% という最高のスコアを達成しました。
このセマンティック機能と境界機能の革新的な分離により、各要素の独自の強みが活用され、セグメンテーション パフォーマンスの品質が向上します。

要約(オリジナル)

Precise Tooth Cone Beam Computed Tomography (CBCT) image segmentation is crucial for orthodontic treatment planning. In this paper, we propose FDNet, a Feature Decoupled Segmentation Network, to excel in the face of the variable dental conditions encountered in CBCT scans, such as complex artifacts and indistinct tooth boundaries. The Low-Frequency Wavelet Transform (LF-Wavelet) is employed to enrich the semantic content by emphasizing the global structural integrity of the teeth, while the SAM encoder is leveraged to refine the boundary delineation, thus improving the contrast between adjacent dental structures. By integrating these dual aspects, FDNet adeptly addresses the semantic gap, providing a detailed and accurate segmentation. The framework’s effectiveness is validated through rigorous benchmarks, achieving the top Dice and IoU scores of 85.28% and 75.23%, respectively. This innovative decoupling of semantic and boundary features capitalizes on the unique strengths of each element to elevate the quality of segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google