本研究检验了当前广泛使用的深度学习基于完整颌部模型的牙齿分割技术在部分口内扫描下的鲁棒性表现，结果发现这些技术表现严重不足。该研究对解决该问题和开发不依赖完整颌部模型的鲁棒牙齿分割技术具有重要作用。

Apr, 2023

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

DArch 是一种采用牙弓优先辅助的三维齿齑粒分割方法，该方法通过标记所有牙齿的质心以及每个牙齿的少量信息来缓解学习成本限制，并使用锚点采样方法生成最终的齿齑粒分割。

Apr, 2022

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

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

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

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

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

本研究提出了一种新的 ToothSegNet 框架，通过训练中使用生成的降质图像来提高 CBCT 图像的牙齿分割精度，该方法在计算机辅助正畸和医学治疗中有广泛应用。

Jul, 2023

本文提出了一种基于深度神经网络的点云三角化方法，通过检测三角形垂心来实现，从而避免了枚举所有三角形组合和表面参数化，实现了高效、通用和稳健的三角化。

Jan, 2023