Aug, 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

PDF
TL;DR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。
segmentationteethroot-canalscbctcoarse-to-fine
发现论文，激发创造
  • ToothSegNet: CBCT 图像中图像退化与牙齿分割的相遇

    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

  • 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

    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。

    Oct, 2022

  • CTooth+: 大规模牙科锥束计算机体层摄影数据集及对牙体体积分割的基准测试

    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

  • FDNet：牙齿 CBCT 图像的特征解耦分割网络

    FDNet 是一种特征解耦分割网络，通过使用 LF-Wavelet 来强调患者牙齿的全局结构完整性，以及使用 SAM 编码器来改善边界描绘，从而提高相邻牙齿结构之间的对比度，解决了 CBCT 扫描中复杂的伪影和不清晰牙齿边界的问题，并在严格的基准测试中验证了其有效性，达到了 85.28% 和 75.23% 的顶级 Dice 和 IoU 分数。这种创新的语义和边界特征解耦方式充分发挥了各个元素的独特优势，显著提高了分割性能的质量。

    Nov, 2023

  • 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

  • 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

  • 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

  • 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

  • 稀疏解剖指引半监督学习配合掩模图像建模用于 CBCT 牙齿分割

    利用未标记数据和掩码预训练范式结合，提出了一种基于图注意力的稀疏掩码提示机制，用于准确分割牙齿和学习牙齿的解剖结构特征。

    Feb, 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