이 쿠키는 웹사이트가 정상적으로 작동하는 데 필요하며 시스템에서 꺼질 수 없습니다. 주로 사용자가 요청한 서비스(개인정보 설정, 로그인, 양식 작성 등)를 제공하기 위해 설정됩니다. 브라우저에서 이 쿠키를 차단하거나 알림을 받을 수 있도록 설정할 수 있지만, 이 경우 사이트 일부 기능이 정상적으로 작동하지 않을 수 있습니다. 이 쿠키는 개인 식별 정보를 저장하지 않습니다.
+타겟팅 쿠키
이 쿠키는 광고 파트너를 통해 설정되며, 귀하의 관심사에 기반한 광고를 다른 사이트에 표시하는 데 사용됩니다. 이 쿠키는 직접적으로 개인정보를 저장하지 않으며, 브라우저와 인터넷 기기 식별을 기반으로 작동합니다. 이 쿠키를 허용하지 않으면 타겟팅 광고를 덜 경험하게 됩니다.
+성능 쿠키
이 쿠키는 웹사이트 방문자 수 및 트래픽 소스를 집계하여, 사이트의 성능을 측정하고 개선하는 데 사용됩니다. 어떤 페이지가 인기가 많은지, 방문자가 사이트를 어떻게 이동하는지를 파악하는 데 도움이 됩니다. 모든 정보는 익명으로 수집되며, 이 쿠키를 허용하지 않을 경우 방문 및 활동 기록을 알 수 없어 사이트 성능 모니터링에 제약이 생깁니다.
This study aims to segment the maxillary sinus into maxillary bone, air, and lesion, by employing an active learning framework in conjunction with a customized 3D nnU-Net. Tested on 83 randomly selected cases, the framework uses limited cone-beam computed tomography (CBCT) datasets, reducing annotation efforts and costs. The approach shows consistent accuracy for air and lesion segmentation across three progressive stages, as indicated by the Dice similarity coefficients (DSCs). The use of this framework also significantly decreases the time required for segmentation. Overall, the findings demonstrate that the deep active learning framework can efficiently train on limited CBCT datasets, potentially enhancing segmentation tasks in dental CBCT images. This enhancement is particularly noticeable when using Coreline Soft's AVIEW Modeler software.
목록으로
