多元化模式下缺失牙齿精准3D预测，为牙种植手术提供精准规划
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
本研究使用CBCT图像并借助牙齿分割方法生成无偏差牙科模板，进一步通过与CBCT进行考试以及PCA确定参数牙科模型的形状子空间来构造牙齿的参数模型，实验证明了该方法在数字牙科技术中构造无偏差牙科模板和参数牙科模型的有效性。
Apr, 2023
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
本文提出了一种基于深度学习的两流植入体位置回归框架，使用IRP作为植入区域探测器和MSPENet作为多尺度嵌入回归网络，并在牙种间各种间隙中采用了多尺度图像块来建立编码器以适应植入体位置预测问题。实验结果表明，该框架在牙种植入领域中表现优异。
May, 2023
本文提出一种基于现有的基于机器学习的2D标记检测算法和开发的新数学算法识别成对3D标记的全自动牙科锥束计算机断层扫描（CBCT）和面部扫描数据的配准方法。经实验证明，该方法达到了0.74毫米的平均表面距离误差。
May, 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
CBCT的3D牙齿分割方法中，通过使用多阶段框架解决了深度学习方法需要大量标注数据和设备获取数据分布不同的问题。实验证明了该方法的有效性。
Jul, 2024
本研究提出了一种名为TeethDreamer的3D牙齿重建框架，通过利用先前的知识生成已知姿态的多视角图像来解决稀疏输入，并通过神经表面重建技术重建高质量的3D牙齿模型，从而在远程监测正畸治疗方面展示了我们方法的优越性。
Jul, 2024