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
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
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。
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。
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
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。
通过深度学习技术,在口腔保健中对牙齿进行精确分割和定位,提供了更准确的诊断、治疗计划和牙齿种植设计方法。
Oct, 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。
本文提出了 Occudent,一种利用神经隐式函数从全景射线照片中进行三维牙齿重建的框架,通过多标签分割和重建网络实现了在 3D 空间中隐式确定牙齿边界,并在实验证明 Occudent 相比最先进的方法具有优越性。
Nov, 2023