Oct, 2022

基于双阶段深度监督注意力卷积神经网络的 CBCT 扫描下下颌管分割

PDF
TL;DR本文提出了一种基于深度学习的新型算法来自动分割下颌神经管，其中包括两个阶段：用新的基于直方图的动态窗口方案增强 CBCT 扫描图像以改善下颌神经管的可视性，然后采用基于 3D 深度监督注意力 U-Net 体系结构选定感兴趣的区域，最后采用多尺度输入残差 U-Net 结构准确地分割下颌神经管，并在 500 个扫描中进行了严格评估，结果表明我们的方法比当前现有的分割性能和鲁棒性方法表现更优越。
dental implantologymandibular canal segmentationcbct scansdeep learning-based schemehistogram-based dynamic windowing
发现论文，激发创造
  • CBCT 图像中的牙齿定位和损伤分割：基于 SpatialConfiguration-Net 和 U-Net

    本研究提出了一种基于深度学习的方法，利用两个卷积神经网络：SpatialConfiguration-Net (SCN) 和修改版的 U-Net，精确地预测了 CBCT 图像中所有牙齿的坐标，从而实现了对牙齿体积的精确裁剪，并通过分割方法检测出病变，解决了 CBCT 图像中的类别不平衡问题。经过对 144 个 CBCT 图像的评估，我们的方法实现了 97.3％的牙齿定位准确率，并具有 0.97 的敏感性和 0.88 的特异性，用于随后的病变检测。

    Dec, 2023

  • 利用 ZXYFormer 与不确定性引导和权重传输进行牙齿和根管分割

    本研究针对 CBCT 图像中的牙齿和根管进行同时分割，提出了基于逆特征融合变压器和不确定性估计的粗细分割方法，通过 157 个临床高分辨率 CBCT 数据的综合实验验证该方法优于现有的牙齿或根管分割方法。

    Aug, 2023

  • AI-Enabled 自动多模态融合锥形束 CT 和口内扫描用于智能化的 3D 牙骨重建和临床应用

    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

  • CTooth: 基于锥束计算机断层扫描图像的牙体积分割全标注三维数据集和基准

    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

  • 3D-U-SAM 网络用于 CBCT 图像中的少样本牙齿分割

    准确的牙位表示在治疗中非常重要。用于三维牙齿图像分割的预训练 SAM 和我们提出的三维牙齿图像分割网络 3D-U-SAM 解决了样本稀缺的问题，并通过削减逼近方法和 U-Net 参考的跳跃连接来提高细节保留能力。通过消融实验、对比实验和样本大小实验证明了该方法的有效性。

    Sep, 2023

  • 探索卷积神经网络 (CNN) 在牙科 X 光影像分割中的作用：一项全面系统文献综述

    深度学习在牙科图像分析中展示了其作为分析图像的有效工具，且具有非常高的性能水平。

    Jan, 2024

  • 全景 X 光片中的实例分割和牙齿分类

    通过整合深度学习模型 U-Net 和 YOLOv8，本研究提出了全景 X 射线下牙齿分类和分割的高效可靠的新架构 BB-UNet，并提出了医学数据集用于评估，为牙科诊断领域中的目标检测模型的更广泛应用铺平了道路。

    Jun, 2024

  • 基于连通性选择性重新训练的 CBCT 影像下颌下神经分割

    通过将混合监督问题转化为半监督问题，在 IAN 连接性的基础上提出了一种选择性重新训练的框架，从而避免了稀疏标签带来的负面影响。在 ToothFairy 验证案例中，我们的方法定量评估达到了 0.7956 的 Dice 相似系数和 4.4905 的 95% 哈斯多夫距离，并在竞赛中获得了冠军。

    Aug, 2023

  • UADSN：面神经分割的不确定性感知双流网络

    我们提出了一个不确定性感知的双流网络（UADSN），包括 2D 分割流和 3D 分割流，用于面神经在 CT 扫描中的定位和分割。通过使用两个流的预测结果来识别不确定区域，并引入一致性损失来监督这些区域的分割，同时在 U 型网络的跳跃连接中引入通道挤压和空间激发模块以提取有意义的空间信息。为了考虑拓扑保持，还引入了 clDice 损失函数。面神经数据集上的实验证明了 UADSN 及其子模块的有效性。

    Jun, 2024

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024