本文提出一种文本条件嵌入植入位置回归网络（TCEIP），采用跨模态互动模块（CMA）和知识对齐模块（KAM）来实现图像和文本之间的交互，其在牙科植入物数据集上经过五倍交叉验证，并优于现有方法。

Jun, 2023

牙科种植手术是一项重要的工具，但设计过程严重依赖于牙医手动模拟种植角度和深度。我们在此论文中受到视频定位任务启发，将种植深度预测简化为视频定位，并开发了一种纹理感知种植深度预测网络（TPNet），用于直接输出种植深度而无需复杂的口腔骨测量。TPNet 由种植区域检测器（IRD）和种植深度预测网络（IDPNet）组成。IRD 是一个物体检测器，用于从 CBCT 中裁剪出候选种植物体积，从而大大节省了计算资源。IDPNet 采用裁剪后的 CBCT 数据来预测种植深度。我们设计了一种纹理感知损失（TPL），使 IDPNet 的编码器能够感知切片之间的纹理变化。对大型牙科种植数据集的大量实验表明，所提出的 TPNet 优于现有方法的性能。

Jun, 2024

利用深度神经网络及三维上下文信息识别种植体斜坡，通过多张切片，进行牙科种植位置的感知和预测，实验证明该方法比现有方法性能更优。

Aug, 2023

该研究提出了一种名为 MPRNet 的多阶段架构，使用编码器 - 解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。

Feb, 2021

本文介绍了一种基于 UNet 的双流终端到端架构，用于图像修复。其中，结构流辅助主流产生了合理结构和真实细节的结果。实验结果表明，该方法优于当前最先进的方法。

Nov, 2021

本研究提出一种自我蒸馏技术，基于 SimMIM Transformer 在牙科全景 X 射线拍摄中进行牙齿编号、检测牙科修复和矫正设备以及实例分割任务。结果表明，该方法优于其他自我监督学习方法，并改进了牙科全景 X 射线图像的注释。

Jun, 2023

利用深度学习图像处理技术，我们以口腔罕见疾病为背景进行研究，重点解决了数据稀缺所带来的挑战。通过使用由专家标注的 156 个口腔罕见疾病个体的全景放射片数据集，我们训练了检测转换器（DETR）神经网络来完成牙齿的检测、分割和编号，同时使用几何变换等数据增强技术。最后，通过稳定扩散的修复技术，我们生成了新的全景图像，将牙齿从全景放射片中移除并整合。结果显示，没有数据增强时，DETR 的平均精确度超过 0.69；使用数据增强技术后，平均精确度提高至 0.82。此外，使用修复技术生成的新的全景放射片展现出了有前景的性能，平均精确度达到 0.76。

Feb, 2024

这篇文章提出了一种使用二流图卷积网络从三维数字化牙模型中学习多个几何属性，实现牙齿分割的方法，并表明该方法优于现有的基于深度学习的方法。

Dec, 2020

采用半监督学习框架，结合大型语言模型和自编码器，通过对口腔放射病例报告进行注释和无标签数据利用，成功实现了牙科全景放射病例的自动化分类，结果表明该方法在鉴定牙齿相关病症上具有与初级专家相当的准确性。

Jun, 2024

通过对数据进行一系列的小波变换，提出一种使用张量网络进行监督学习的算法，其中使用了矩阵乘积状态来处理粗粒化的数据，并使用基于密度矩阵重整化群算法的自适应算法来训练 MPS。

Jan, 2020