基于掩码图像建模的自监督学习用于牙科全景片中的牙齿编号、修复体检测与实例分割
计算机视觉与模式识别
2022-10-21 v1
摘要
计算机辅助放射信息报告目前在牙科实践中兴起，以便利牙科诊疗并减少手动全景片解读的时间消耗。然而，用于训练的牙科放射片数量非常有限，尤其从深度学习角度看。本研究旨在利用近期自监督学习方法如 SimMIM 与 UM-MAE，提升模型在有限数量牙科放射片上的效率与理解能力。我们使用 Swin Transformer 进行牙齿编号、修复体检测与实例分割任务。据我们所知，这是首个将自监督学习方法应用于牙科全景片上的 Swin Transformer 的研究。我们的结果显示，SimMIM 方法在检测牙齿、修复体及实例分割上分别取得 90.4% 与 88.9% 的最高性能，平均精度较随机初始化基线分别提升 13.4 与 12.8。此外，我们扩充并校正了现有的全景片数据集。代码与数据集见于 https://github.com/AmaniHAlmalki/DentalMIM。
引用
@article{arxiv.2210.11404,
title = {Self-Supervised Learning with Masked Image Modeling for Teeth Numbering, Detection of Dental Restorations, and Instance Segmentation in Dental Panoramic Radiographs},
author = {Amani Almalki and Longin Jan Latecki},
journal= {arXiv preprint arXiv:2210.11404},
year = {2022}
}