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

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

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

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

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

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

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

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