本研究提出一种基于深度学习的多模态分析框架（DDMA）用于三维重建牙齿-骨骼结构，结合CBCT和口内扫描，实现了高保真度和精准的牙冠-骨骼结构分割。DDMA可以显著提高数字牙科模型的质量，帮助牙医做出更好的临床决策。

Mar, 2022

本研究旨在为牙齿三维分割任务建立新的基准。通过建立带牙齿标准的CTooth数据集，评估了几种最先进的分割方法，并进一步总结和应用了一系列基于3D注意力的Unet变体，证明了注意力模块可以提高分割性能。该研究表明，使用基于注意力的Unet框架可以优于其他最先进的方法。

Jun, 2022

本文旨在建立一个3D牙科CBCT数据集CTooth+，并通过完全监督、半监督和主动学习等方法，评估多种最先进的牙齿体积分割策略，并定义了性能原则。该实验可作为未来基于人工智能的牙科成像研究和临床应用开发的基线和新基准。

Aug, 2022

本文介绍了3DTeethSeg'22竞赛的数据集及结果，该竞赛旨在解决牙齿定位、分割和标记的自动化算法挑战，以提高口腔诊断、治疗规划和口腔健康人群研究的效率。

May, 2023

我们提出了一种基于三维结构引导的牙齿对齐网络，在二维图像空间内对齐牙齿，生成具有美观度和真实纹理的二维照片，以促进正畸过程中的牙医与患者之间的沟通。

Oct, 2023

使用弱监督方法进行牙齿分割，通过关键点检测网络的输出热图和中间特征图来引导分割过程，采用TriDental数据集训练牙齿关键点检测网络，结合不同层次的特征图实现准确牙齿分割，进一步利用检测到的关键点优化分割结果，在真实牙科应用中实现成本效益高且高效的牙齿分割。

Nov, 2023

基于扩散概率模型，本研究提出了一种基于神经网络的牙齿排列方法，利用深度学习进行牙齿自动排列，通过提取牙模型的特征学习矫正牙齿的变换矩阵，生成具有满意的牙弓曲线和正常的咬合关系。

Dec, 2023

利用未标记数据和掩码预训练范式结合，提出了一种基于图注意力的稀疏掩码提示机制，用于准确分割牙齿和学习牙齿的解剖结构特征。

Feb, 2024

通过提出基于ViT的框架TeethSEG，针对牙齿定位、分割和标记的问题，设计了一种多尺度聚合模块和人类先验知识层，通过研发唯一的基于排列的放大器和多头自我/交叉门控层，提高了牙齿图像分割的效果，并在包含15万张牙齿内景照片的IO150K数据集上取得了优于目前同类模型的结果。

Apr, 2024

本研究解决了牙齿点云分割中的稀疏标签问题，提出了一种名为SAMTooth的框架，结合了Segment Anything Model (SAM)的强大分割能力，通过自信感知的提示生成策略来补充极其稀疏的监督。实验结果表明，使用仅0.1%的标注（每颗牙齿一个点）时，该方法显著优于近期的弱监督方法，甚至与最新的完全监督方法相媲美，展示了将SAM应用于稀疏标签的3D感知任务的巨大潜力。

Sep, 2024