DilatedToothSegNet:通过增加感受视觉,在3D牙网上建立牙细分网络
Lucas Krenmayr1,2, Reinhold von Schwerin3, Daniel Schaudt3
1Cooperative Doctoral Program for Data Science and Analytics, Ulm University and University of Applied Sciences, Ulm, 89075, Germany. lucas.krenmayr@uni-ulm.de.
Journal of imaging informatics in medicine
|March 5, 2024
概括
这项研究引入了扩展边缘卷积,以改善3D牙科模型细分,提高了计算机辅助牙科中缺失或错位牙的准确性. 新方法的性能优于Teeth3DS数据集中的现有技术.
科学领域:
- 计算机辅助牙科 计算机辅助牙科
- 几何深度学习的几何深度学习
- 3D表面细分3D表面细分
背景情况:
- 从口腔内扫描器获得的3D牙科模型对于计算机辅助的治疗规划至关重要.
- 手动对牙科模型进行细分和标记是耗时且容易出现错误的.
- 现有的深度学习方法与非典型的牙解剖学,缺失的牙或严重的错位扎.
研究的目的:
- 开发一种用于精确细分3D牙表面模型的自动化方法.
- 为解决当前对具有挑战性的牙科病例的深度学习方法的局限性.
- 为了提高牙科模型处理的效率和精度,用于正统牙科和牙科应用.
主要方法:
- 引入了一种新型网络运营商:扩展边缘卷积.
- 网络接收场的扩展以捕捉更遥远的特征.
- 广泛的评估使用Teeth3DS基准数据集进行定量和定性分析.
主要成果:
- 扩展边缘卷积显著提高了网络学习复杂特征的能力.
- 改进了细分精度,特别是在缺失或错位牙的情况下.
- 在定量和定性评估中表现出优于最先进的方法的优势.
结论:
- 拟议的扩张边缘卷积方法为3D牙表面细分提供了卓越的性能.
- 这一进步可以导致更有效,更准确的计算机辅助治疗规划在牙科和正牙科.
- 该方法对处理复杂和多样化的患者特定的牙科数据充满希望.


