小児歯科パノラマX線画像におけるデュアルアグリゲーショントランスフォーマーUNetを用いた歯のセグメンテーション

科学分野:

• コンピュータビジョン
• 医用画像処理
• 深層学習

背景:

• 小児歯科の診断はパノラマX線撮影に依存しており、精密な歯のセグメンテーションが必要です。
• 子供の歯科画像は、発達中の歯列や限られたデータセットのために、セグメンテーションの課題を提示します。
• 正確なセグメンテーションは、診断と小児歯科研究の進歩に不可欠です。

研究 の 目的:

• 子供の歯科用データセットに合わせて調整された新しい医用画像セグメンテーションモデルを導入すること。
• 小児のパノラマX線撮影における歯の効率的かつ正確なセグメンテーションを達成すること。
• 発達中および移行期の歯列のセグメンテーションの複雑性に対処すること。

主な方法:

• 空間的およびチャネル的自己注意を組み込んだデュアルアグリゲーション トランスフォーマー UNet (DATUnet) を開発しました。
• トランスフォーマーブロックは、可変の歯の形状、サイズ、および画像品質の問題に対する特徴抽出を強化します。
• マルチスケール融合デコーダーを実装して、マルチレベル特徴の適応的融合を実現しました。

主要な成果:

• DATUnetは、プライベートの子供の歯科用レントゲン写真データセットで98.02%のピクセル精度 (PA) を達成しました。
• モデルは、93.20%のダイス係数と4.21のハウスドルフ距離 (HD) を示しました。
• 定量的結果は、小児の歯のセグメンテーションにおける高いパフォーマンスを示しています。

結論:

• 提案されたDATUnetモデルは、子供の歯のセグメンテーションにおいて既存の方法を上回っています。
• この専門的な医用画像処理分野で最先端 (SOTA) のパフォーマンスを達成しました。
• 複雑な歯科画像分析におけるトランスフォーマーベースのネットワークの可能性を強調しています。