[論文レビュー] Learning Beyond Human Expertise with Generative Models for Dental Restorations

Jyh-Jing Hwang, Sergei Azernikov+2 more|arXiv (Cornell University)|Mar 30, 2018

Generative Adversarial Networks and Image Synthesis参考文献 42被引用数 47

ひとこと要約

本論文は条件付きGANを用いて歯科修復の crown-filled depth scans を自動設計するモデルを学習させ、技師のデザインと対合歯の空間関係から学習し、混雑や貫通を減らし咬合/咀嚼を改善する機能ベースのヒストグラム損失を用いる。

ABSTRACT

Computer vision has advanced significantly that many discriminative approaches such as object recognition are now widely used in real applications. We present another exciting development that utilizes generative models for the mass customization of medical products such as dental crowns. In the dental industry, it takes a technician years of training to design synthetic crowns that restore the function and integrity of missing teeth. Each crown must be customized to individual patients, and it requires human expertise in a time-consuming and labor-intensive process, even with computer-assisted design software. We develop a fully automatic approach that learns not only from human designs of dental crowns, but also from natural spatial profiles between opposing teeth. The latter is hard to account for by technicians but important for proper biting and chewing functions. Built upon a Generative Adversar-ial Network architecture (GAN), our deep learning model predicts the customized crown-filled depth scan from the crown-missing depth scan and opposing depth scan. We propose to incorporate additional space constraints and statistical compatibility into learning. Our automatic designs exceed human technicians' standards for good morphology and functionality, and our algorithm is being tested for production use.

研究の動機と目的

• 自動でデータ駆動型の歯冠設計を促進し、時間を要する人間の作業依存を低減する。
• 技師のデザインと歯の自然な空間関係の両方を活用して冠設計を情報づけする。
• 貫通を防ぎ、実用的な接触点を促進する明示的な機能制約を組み込む。
• 生産 ready な歯冠設計を生成できる条件付き画像から画像への翻訳モデルを開発・評価する。

提案手法

• 3Dスキャンを2D深度画像として表現し、歯冠設計を条件付き画像予測問題として捉える。
• U-Net ジェネレーターと PatchGAN 判別器を備えた pix2pix 風の条件付き GAN を用いる。
• 対合顎や上下顎間のギャップ距離などの空間情報を条件生成に組み込む。
• 機能損失として、臨界的なギャップ距離分布に適合させる微分可能なヒストグラム（カイ二乗距離）を導入し、非貫通と適切な接触点を重視する。
• 表面の滑らかさを促進し、誤検出の鋭いピークを減らす二次ヒストグラム損失を任意で適用する。
• 敵対的損失、L1 再構成損失、およびヒストグラムベースの機能損失の組み合わせで訓練し、生産 ready な歯冠を得る。

実験結果

リサーチクエスチョン

• RQ1 GAN ベースのモデルは、技師のデザインに近い crown-filled depth scans を生成することを学習できるか。
• RQ2 空間情報（対合歯とギャップ距離）を条件付けすることは、見た目以上に機能的妥当性を向上させるか。
• RQ3 ヒストグラムベースの機能損失は、生成歯冠の非貫通と現実的な接触点分布を強制できるか。
• RQ4 提案損失は、基準となる条件付きGANと比較して貫通指標と咬合/咀嚼関連特性を改善できるか。
• RQ5 生成歯冠は生産テストに適しており、形態と機能的制約が向上しているか。

主な発見

• 条件付き GAN ベースのアプローチは、検証時に RMSE が約 0.066–0.078、IOU が 0.915 を超え、輪郭の精度/再現率/F-measure が約 0.93 を超える。
• 空間情報条件付け (Cond3) は、ベースライン Cond1 に対する貫通率を低減させる（検証: 1.66% 対 53.25%、テスト: 17.28% 対 85.60%）。
• ヒストグラムベースの機能損失（HistU/HistW/Hist2nd）はさらに貫通率を低減させ、検証時は約 0.96–0.96%、テスト時は約 7.82–9.47%、接触点の分布特性（クラスターと広がり）を改善する。
• Hist2nd は表面を滑らかにする傾向があり一部ケースで領域別の貫通を増加させる可能性がある一方、HistW/HistU は貫通低減と輪郭品質のバランスをより良く達成する。
• 最良のヒストグラム変種（Hist2nd）は、テストセットで Cond3 に比べて接触点クラスター数とその広がりを改善し、咬合/咀嚼機能の向上を示唆する。