评估面具自主监督学习框架,用于3D牙科模型细分任务
Lucas Krenmayr1,2, Reinhold von Schwerin3, Daniel Schaudt3
1Cooperative Doctoral Program for Data Science and Analytics, University of Ulm, 89081, Ulm, Germany. lucas.krenmayr@uni-ulm.de.
Scientific reports
|May 14, 2025
概括
蒙面自主监督学习增强了牙科模型的深度学习,改善了自动化治疗规划. 当标记数据稀缺时,这种方法最有利,提高了牙细分等任务的准确性.
科学领域:
- 3D 计算机视觉 3D 计算机视觉
- 医学成像分析分析 医学成像分析
- 人工智能在牙科中的应用
背景情况:
- 牙科的自动化计算机辅助治疗规划依赖于使用3D牙科模型的深度学习.
- 高精度模型的开发受到标记医疗数据的稀缺性所阻碍.
- 蒙面自主监督学习 (SSL) 为数据稀缺性挑战提供了潜在的解决方案.
研究的目的:
- 调查四个面具自主监督学习框架 (Point-BERT,Point-MAE,Point-GPT,Point-M2AE) 对3D牙科模型的有效性.
- 评估预训练对下游任务的影响,例如牙和支架细分.
- 确定在牙科应用中应用掩盖SSL的最佳条件.
主要方法:
- 在4000多个未标记的3D牙科模型上进行了四个掩盖的SSL框架的预训练.
- 在Teeth3DS数据集上微调预训练模型以进行牙细分.
- 对自定义数据集进行微调,用于支架细分.
- 在下游任务中对提高绩效的实验性评估.
主要成果:
- 前期培训显著提高了下游任务的性能,特别是在有限或不平衡的标记数据的情况下.
- 掩盖SSL预训练的好处在数据稀缺条件下最为明显.
- 随着可用的标记数据数量的增加,性能收益会减少.
结论:
- 蒙面自主监督学习是改善牙科应用的深度学习模型的可行策略,特别是在数据有限的临床环境中.
- 使用掩盖的SSL进行预训练可以提高自动化治疗计划系统的准确性和临床可用性.
- 了解标记数据可用性和性能增长之间的关系对于有效实施至关重要.
