YOLOv26 を用いたデンタルパノラマ放射線画像の分析：歯検出から疾病診断まで

arXiv:2604.16231v1 Announce Type: new 要約：パノラマ放射線撮影は、歯科において最低限の放射線暴露で全歯列の包括的な観察を提供する基本的な診断ツールです。しかし、手動での解釈は時間がかかり、特に高負荷な臨床現場では誤りの要因となります。これにより、効率的な自動化ソリューションへの強い需要が生まれています。本研究では、YOLOv26 を初めてパノラマ放射線画像における自動歯検出、FDI 基準の番号付け、そして歯科疾病セグメンテーションに応用しました。DENTEX データセットは Roboflow を用いてフォーマット変換と拡張処理され、1,082 枚の画像が歯列挙出用、1,040 枚の画像が疾病セグメンテーション用として提供されました（4 つの病態クラス）。5 つの YOLOv26-seg 変体が Google Colab で転移学習を用いて 800x800 の解像度で訓練されました。結果は、YOLOv26m-seg モデルが歯列挙出に最適なパフォーマンスを示したことを示しており、正確率は 0.976、再現率は 0.970、box mAP50 は 0.976 で、基準となる YOLOv8x より正確率が 4.9% 高く、mAP50 は 3.3% 高くなりました。また、高品質なマスクレベルのセグメンテーション（mask mAP50 = 0.970）を可能にしました。疾病セグメンテーションについては、YOLOv26l-seg モデルが box mAP50 を 0.591、mask mAP50 を 0.547 と達成しました。埋伏歯はクラスごとの平均精度が最高（0.943）を示し、視覚的な特徴の影響力は注釈の量よりも検出パフォーマンスに対して大きいことが示されました。総括すると、これらの発見は YOLOv26 ベースのモデルが、自動化された歯科画像解析における堅固で正確なフレームワークを提供し、臨床実務における診断の効率と一貫性を強化する可能性が高いことを示しています。

arXiv:2604.16231v1 Announce Type: new Abstract: Panoramic radiography is a fundamental diagnostic tool in dentistry, offering a comprehensive view of the entire dentition with minimal radiation exposure. However, manual interpretation is time-consuming and prone to errors, especially in high-volume clinical settings. This creates a pressing need for efficient automated solutions. This study presents the first application of YOLOv26 for automated tooth detection, FDI-based numbering, and dental disease segmentation in panoramic radiographs. The DENTEX dataset was preprocessed using Roboflow for format conversion and augmentation, yielding 1,082 images for tooth enumeration and 1,040 images for disease segmentation across four pathology classes. Five YOLOv26-seg variants were trained on Google Colab using transfer learning at a resolution of 800x800. Results demonstrate that the YOLOv26m-seg model achieved the best performance for tooth enumeration, with a precision of 0.976, recall of 0.970, and box mAP50 of 0.976. It outperformed the YOLOv8x baseline by 4.9% in precision and 3.3% in mAP50, while also enabling high-quality mask-level segmentation (mask mAP50 = 0.970). For disease segmentation, the YOLOv26l-seg model attained a box mAP50 of 0.591 and a mask mAP50 of 0.547. Impacted teeth showed the highest per-class average precision (0.943), indicating that visual distinctiveness influences detection performance more than annotation quantity. Overall, these findings demonstrate that YOLOv26-based models offer a robust and accurate framework for automated dental image analysis, with strong potential to enhance diagnostic efficiency and consistency in clinical practice.