Sep, 2023

AI-Dentify: 位翼射线的近邻齿龈袋检测的深度学习 - HUNT4 口腔健康研究

PDF
TL;DR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。
dental cariesartificial intelligencedeep-learningbitewing imagesdiagnosis
发现论文，激发创造
  • 基于深度学习的牙齿龋齿位翼射线照片检测

    开发了一种计算机辅助诊断系统 (CAD)，可通过作为牙医的第二意见，显著提高检测牙齿龋齿的能力；该系统由深度完全卷积神经网络 (FCNN) 组成，可对近 3000 个全口 X 光片进行自动诊断。与三名牙医的平均表现相比，我们的系统在召回和 F1-Score 方面的表现显著更好。

    Nov, 2017

  • 使用配对数据进行口腔内 X 射线牙齿异常检测的深度学习算法的统计验证

    该研究描述了一个用于检测口腔放射影像中的牙科异常（例如龋齿、根尖病变、根管治疗缺陷、冠冕修复边缘缺陷、牙周骨质流失和牙石）的深度学习算法的临床验证研究设置、统计分析和结果，比较了使用该算法与不使用算法的牙科医生的检测性能，并通过统计学方法证明了结果的显著性提升。

    Feb, 2024

  • DETDet：双重集成牙齿检测

    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

  • 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

  • 一种用于全景 X 射线检测和分类异常牙齿的顺序框架

    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

  • 使用 BEIT 适配器和 Mask2Former 揭示牙科放射学的谜团 —— 语义分割

    本文研究发展一种基于 BEIT 适配器和 Mask2Former 的语义分割算法，用于检测和识别全景、根尖、牙翼 X 光图像中的牙齿、牙根、多种牙齿疾病和异常及种植体、骨移植材料等。将我们算法的结果与两种图像分割中的 Deeplabv3 和 Segformer 算法在自己的数据集上比较，发现 Radious 算法的 mIoU 分数分别比这两种算法提高了 9% 和 33%。

    May, 2023

  • YOLOrtho — 牙齿数量和牙科疾病检测的统一框架

    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

  • 智能手机中使用口腔和牙齿 RGB 图像实现口腔疾病较早检测

    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

  • 2023 Dentex 挑战赛的综合分割和检测模型

    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

  • 牙科锥束 CT 的 AI 技术：趋势和实践

    该论文回顾了近期在牙科锥形束计算机断层扫描成像中人工智能技术的趋势和应用，重点关注了机器学习、深度学习和超分辨率技术在 CBCT 成像中的应用及其在诊断和治疗规划中的潜力，同时讨论了 AI 在牙科和 CBCT 成像中的挑战和限制。

    Jun, 2023