Streszczenie:
W niniejszej pracy chciałbym przedstawić wyniki mojej pracy nad projektem
dotyczącym redukcji/eliminacji czynnika ludzkiego w przygotowaniu
trójwymiarowych ortodontycznych cyfrowych modeli diagnostycznych: Skupię
się na dwóch głównych problemach, które wymagają automatyzacji
1. Problem: Orientacja modelu STL (ang. stereolithography) w przestrzeni
oraz detekcja i klasyfikacja poszczególnych zębów do jednej z czterech
klas: siekacz, kieł, trzonowiec i przedtrzonowiec.
Zaprezentowane rozwiązanie:Wykorzystałem Tensorflow Object Detection
API i model o architekturze Faster R-CNN w rzutach 2D trójwymiarowych
modeli.
2. Problem: Lokalizacja punktów mezjalnych i dystalnych na każdym ze
znalezionych zębów (1. Problem).
Zaprezentowane rozwiązanie: Użyłem dwóch podejść do rozwiązania
tego problemu: regresji (keypoint detection) oraz segmentacji obrazu
wraz z grupowaniem. Wykorzystałem głębokie sieci neuronowe
o architekturach typu ResNets i MultiResUNet dla zagadnienia regresji
w celu wyznaczenia współrzędnych punktów wraz z ich semantyką
(punkty można rozróżnić) oraz MultiResUNet dla zagadnienia segmentacji
obrazu, po której następuje algorytm grupujący w celu znalezienia
współrzędnych punktów bez ich semantyki (punkty nierozróżnialne).
Ostateczna metoda wykorzystuje oba podejścia w celu poprawy końcowych
wyników na produkcji.
