DLLNet: An Attention-Based Deep Learning Method for Dental Landmark Localization on High-Resolution 3D Digital Dental Models.
DLLNet: An Attention-Based Deep Learning Method for Dental Landmark Localization on High-Resolution 3D Digital Dental Models.
复制标题
DLLNet：一种基于注意力的深度学习方法，用于高分辨率3D数字牙齿模型上的牙齿标志定位。
DOI：
10.1007/978-3-030-87202-1_46
复制
发表时间：
2021-09
期刊：
影响因子：
--
通讯作者：
Xia JJ
中科院分区：
文献类型：
--
作者：
Lang Y;Deng HH;Xiao D;Lian C;Kuang T;Gateno J;Yap PT;Xia JJ
牙科标志定位是正畸或正颌手术规划中分析牙科模型的基本步骤。然而，当前的临床实践要求临床医生手动对 3D 牙科模型上的 60 多个标志进行数字化。自动检测地标的方法可以将临床医生从繁琐的手动注释工作中解放出来，并提高定位精度。大多数现有的地标检测方法无法捕获局部几何背景，导致较大的错误和误检测。我们提出了一个端到端学习框架，可以自动定位高分辨率牙齿表面上的 68 个地标。我们的网络沿着两条路径分层提取多尺度局部上下文特征：地标定位路径和地标感兴趣区域分割路径。通过特征融合结合来自两条路径的局部到全局特征来学习更高级别的特征，以预测地标热图和地标区域分割图。然后将注意力机制应用于这两个地图以细化地标位置。我们在由 77 个高分辨率牙齿表面组成的真实患者数据集上评估了我们的框架。我们的方法实现了 0.42 毫米的平均定位误差，显着优于相关的最先进方法。
Dental landmark localization is a fundamental step to analyzing dental models in the planning of orthodontic or orthognathic surgery. However, current clinical practices require clinicians to manually digitize more than 60 landmarks on 3D dental models. Automatic methods to detect landmarks can release clinicians from the tedious labor of manual annotation and improve localization accuracy. Most existing landmark detection methods fail to capture local geometric contexts, causing large errors and misdetections. We propose an end-to-end learning framework to automatically localize 68 landmarks on high-resolution dental surfaces. Our network hierarchically extracts multi-scale local contextual features along two paths: a landmark localization path and a landmark area-of-interest segmentation path. Higher-level features are learned by combining local-to-global features from the two paths by feature fusion to predict the landmark heatmap and the landmark area segmentation map. An attention mechanism is then applied to the two maps to refine the landmark position. We evaluated our framework on a real-patient dataset consisting of 77 high-resolution dental surfaces. Our approach achieves an average localization error of 0.42 mm, significantly outperforming related start-of-the-art methods.
登录
查看更多内容
影响因子：
10.6
作者：
Hong, Yoonmi;Kim, Jaeil;Shen, Dinggang
通讯作者：
Shen, Dinggang
DOI：
10.1109/tip.2017.2721106
发表时间：
2017-10
期刊：
IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
影响因子：
--
作者：
Zhang J;Liu M;Shen D
通讯作者：
Shen D
影响因子：
9.6
作者：
Wang, Xinan;Shi, Di;Wang, Zhiwei
通讯作者：
Wang, Zhiwei
影响因子：
10.6
作者：
Lian, Chunfeng;Wang, Li;Shen, Dinggang
通讯作者：
Shen, Dinggang
通过上下文引导的完全卷积网络，关节颅颌面骨分割和具有里程碑意义的数字化。
DOI：
10.1007/978-3-319-66185-8_81
发表时间：
2017-09
期刊：
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
影响因子：
--
作者：
Zhang J;Liu M;Wang L;Chen S;Yuan P;Li J;Shen SG;Tang Z;Chen KC;Xia JJ;Shen D
通讯作者：
Shen D