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

使用深度学习进行全景牙科 X 射线图像的自动检测和疾病诊断的研究，提出了一种结合分割和检测模型的方法来检测异常牙齿并获取其编号。

Aug, 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

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

利用深度学习模型分析牙位 X 光片在牙齿龋齿诊断中的潜在作用和挑战。

Sep, 2023

通过全景 X 光影像来检测牙科疾病是牙医的标准程序，我们开发了 YOLOrtho，一个用于齿数目和牙科疾病检测的统一框架，通过牙齿位置关系、卷积层替换、模型架构调整、上采样和后处理策略等方法来提高检测性能。

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

通过将 M-Net 结构与 Swin Transformers 和一种名为 Teeth Attention Block（TAB）的新组件相结合，提出了一种先进的多类牙齿分割架构。该架构能够准确地提取牙齿的复杂结构，通过多尺度监督策略增强特征表达，采用平衡类别损失确保准确的分割，并在多个基准牙齿图像数据集上超越现有最先进方法，从而显著提高牙齿图像分析的效果，为牙科应用的进步做出贡献。

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

本文提出了一种自监督辅助检测 (SSAD) 框架，用于诊断牙科疾病，通过共享相同的编码器和无需微调的方式，同时训练重建分支和检测分支，以提高对细粒度特征的捕捉能力。实验证明，该框架在公共 DENTEX 数据集上的三项检测任务中取得了与主流目标检测方法和自监督学习方法相比的最先进性能。

Jun, 2024