[論文レビュー] DentalX: Context-Aware Dental Disease Detection with Radiographs

Zhi Qin Tan, Xiatian Zhu+2 more|arXiv (Cornell University)|Jan 13, 2026

Dental Radiography and Imaging被引用数 0

ひとこと要約

DentalX は歯科疾患検出と歯科解剖学のセグメンテーションを共同学習させ、構造的文脈を活用して歯科X線写真の検出とセグメンテーションを改善します。

ABSTRACT

Diagnosing dental diseases from radiographs is time-consuming and challenging due to the subtle nature of diagnostic evidence. Existing methods, which rely on object detection models designed for natural images with more distinct target patterns, struggle to detect dental diseases that present with far less visual support. To address this challenge, we propose {\bf DentalX}, a novel context-aware dental disease detection approach that leverages oral structure information to mitigate the visual ambiguity inherent in radiographs. Specifically, we introduce a structural context extraction module that learns an auxiliary task: semantic segmentation of dental anatomy. The module extracts meaningful structural context and integrates it into the primary disease detection task to enhance the detection of subtle dental diseases. Extensive experiments on a dedicated benchmark demonstrate that DentalX significantly outperforms prior methods in both tasks. This mutual benefit arises naturally during model optimization, as the correlation between the two tasks is effectively captured. Our code is available at https://github.com/zhiqin1998/DentYOLOX.

研究の動機と目的

• 歯科構造から得られる解剖学的文脈を活用して歯科疾患検出の改善を動機づける。
• 疾病検出と歯科解剖学的セグメンテーションを組み合わせた共同学習フレームワークを提案する。
• 検出ヘッドに解剖学情報を注入する構造的文脈抽出モジュールを導入する。
• 特化データセットでの大規模実験を通じて、共同学習の相互利益を示す。

提案手法

• 検出とセグメンテーションのためにマルチスケール特徴を抽出するためのFeature Pyramid Networkバックボーンを使用する。
• P3特徴から補助的な歯科解剖学分割を行う構造的文脈抽出（SCE）モジュールを導入する。
• 解剖学的文脈を、SCE由来の特徴を検出ヘッドの倒数第2の特徴と連結することで統合する。
• 検出データとセグメンテーションデータセットのミニバッチを交互に用い、損失を合計することで部分的に注釈付きデータで学習する。
• YOLO 風の検出ヘッド（分類、回帰、オブジェクトネス）に加え、補助的なセグメンテーションヘッドを用いて最適化する。
• 検出については IoU 閾値 0.5、0.75、0.5:0.95 での mean Average Precision（AP）を、セグメンテーションについては mean IoU/Dice/Accuracy を評価する。

実験結果

リサーチクエスチョン

• RQ1 歯科解剖学セグメンテーションを補助タスクとして組み込むことは、歯科X線写真の疾患検出を改善するか。
• RQ2 歯科解剖学からの構造的文脈抽出は、分類器が微妙な疾患を識別する能力を高めるか。
• RQ3 部分的に注釈付きデータでの共同学習は、検出とセグメンテーションの性能にどのような影響を与えるか。
• RQ4 トレーニング時にドメイン情報に基づく構造知識を組み込むことは、事後的なドメイン制約法よりも優れているか。

主な発見

Method	AP .5	AP .75	AP .5:.95	Params	Inference FPS
Faster R-CNN	34.2	8.1	13.9	42M	17
YOLOX	40.7	13.0	18.1	54.2M	191
DINOv3	30.3	6.1	12.8	7B	14
DentalX (ours)	45.9	17.1	21.0	54.5M	180

• DentalX は AP .5 が 45.9 、AP .5:.95 が 21.0 で、検出において Faster R-CNN、YOLOX、DINOv3 を上回る。"
• DentalX は歯科解剖学分割指標として mIoU 86.3、mDice 92.5、mAcc 94.2 を達成し、ベースラインを上回る。
• 構造的文脈モジュールを用いた共同学習は、検出とセグメンテーションの双方の単一タスク設定より改善をもたらす。
• アブレーションによると、構造的文脈の追加は AP .5 を 43.3 から 45.9 に、mIoU を 85.5 から 86.3 に増加させる。
• 推論後のドメイン制約実験（セグメンテーション出力を用いて検出を剪定）は、統合型の DentalX アプローチより劣る（AP .5 が 39.2）。