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

这篇文章提出了一种使用二流图卷积网络从三维数字化牙模型中学习多个几何属性，实现牙齿分割的方法，并表明该方法优于现有的基于深度学习的方法。

Dec, 2020

提出一种语义分解网络(SDNet), 该网络引入两种单任务分支，分别解决牙齿和牙菌斑的分割并为每个分支设计附加约束，从而促进语义分解并提高牙菌斑分割的性能。SDNet引入了两个约束模块：(CCM)和(SCM)，并构建了大规模开源的Stained Dental Plaque Segmentation dataset (SDPSeg)。实验结果表明，SDNet实现了最先进的性能。

Aug, 2022

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

本研究提出了一种基于SAM（Segment Anything Model）的通用舌部分割模型TongueSAM，该模型具有零样本泛化能力，通过将SAM应用于舌部分割，能够对不同类型的舌部图像进行分割。实验表明，TongueSAM在各种舌部分割数据集上表现出了卓越的性能，尤其在零样本情况下。TongueSAM可以直接应用于其他数据集而无需微调，据我们所知，这是首次将大规模预训练模型应用于舌部分割。

Aug, 2023

准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调H&E图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的MobileNet-V2模型作为OCU-Net的骨干网络，创建了OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net和OCU-Netm优于现有的分割方法，在OCDC和ORCA数据集的H&E图像中准确识别癌细胞。

Oct, 2023

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

深度学习在牙科图像分析中展示了其作为分析图像的有效工具，且具有非常高的性能水平。

Jan, 2024

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

本研究解决了传统中医舌诊中齿痕舌头识别方法主观性强、准确性差的问题。提出了一种新颖的弱监督自动化方法，利用视觉变换器和多实例学习进行舌头区域的提取和齿痕舌头的识别。研究结果表明，该方法在齿痕舌头分类中具有高准确性，显著提升了诊断的客观性和准确性，为临床实践提供了重要价值。

Aug, 2024