TSRNet:一个双流网络,用于改进3D牙细分的细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 计算解剖学的计算解剖学

背景情况:

• 深度学习已经推进了3D牙细分.
• 现有的方法与不精确的细分边界和预测不准确性作斗争.
• 细化粗细分结果对于临床应用至关重要.

研究的目的:

• 介绍一种新的,可学习的方法来改进粗的3D牙细分结果.
• 解决当前3D牙细分算法的边界精度和预测错误方面的挑战.
• 为了提高3D牙细分的精度,以便更好地进行下游分析.

主要方法:

• 开发了一个双流网络,TSRNet (牙细分精细化网络),用于细分精细化.
• 利用显式边界地图和距离地图上的梯度信息进行校正.
• 采用了一种代的改进过程,以精细的边界和距离地图为指导.

主要成果:

• TSRNet有效地纠正了从粗细分的缺陷边界和距离地图.
• 两阶段精制方法显示,对基准数据集的显著改进.
• 在3D牙细分精细化方面取得了最先进的性能.

结论:

• 拟议的TSRNet在完善3D牙细分方面取得了重大进展.
• 该方法成功地改善了基线粗细分结果.
• 这种方法有望提高自动牙科分析的准确性.