YOLOrtho — 牙齿数量和牙科疾病检测的统一框架
该论文提出了一种解决 MICCAI 2023 全景 X 射线中牙齿枚举和诊断问题的方法,通过多阶段框架检测和分类异常牙齿,包括牙齿实例检测、健康实例过滤和异常实例分类等步骤,各模型的性能分别为 0.49 的 AP 分数、0.71 的 F1 分数和 0.76 的 F1 分数。
Aug, 2023
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
在数字化牙科领域,人工智能有望在数字牙科中发挥重要作用,尤其是在牙科全景 X 射线诊断和计数方面。为了提高这方面的性能,我们引入了 DETDet,一个双重集成的牙齿检测网络,它包含了用于计数和诊断的两个不同的模块,并采用了一种包括 DiffusionDet 和 DINO 的集成模型以及一个用于利用未标记数据潜力的补充模块。
Aug, 2023
该研究使用人工智能技术提高牙科诊断和治疗计划的准确性,通过 DENTEX 挑战赛提供的数据集和竞赛结果,为牙科诊断和治疗规划领域中创建 AI 辅助工具奠定基础。
May, 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
我们提出了一种轻量级的机器学习模型,能够在低端设备上高效检测口腔疾病的钙化物质,不依赖于 X 射线图像,可用于远程监测和发展中国家的牙科诊疗。
Aug, 2023
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