Nov, 2023

使用牙齿注意模块的牙科 X 射线图像的多类别分割

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • Teeth-SEG：一种基于人类先验知识的牙齿矫正治疗高效实例分割框架

    通过提出基于 ViT 的框架 TeethSEG，针对牙齿定位、分割和标记的问题，设计了一种多尺度聚合模块和人类先验知识层，通过研发唯一的基于排列的放大器和多头自我 / 交叉门控层，提高了牙齿图像分割的效果，并在包含 15 万张牙齿内景照片的 IO150K 数据集上取得了优于目前同类模型的结果。

    Apr, 2024

  • 全景 X 光牙齿分割和定位的深度学习方法

    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

  • 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

  • ToothSegNet: CBCT 图像中图像退化与牙齿分割的相遇

    本研究提出了一种新的 ToothSegNet 框架，通过训练中使用生成的降质图像来提高 CBCT 图像的牙齿分割精度，该方法在计算机辅助正畸和医学治疗中有广泛应用。

    Jul, 2023

  • CTooth: 基于锥束计算机断层扫描图像的牙体积分割全标注三维数据集和基准

    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

  • 口腔罕见疾病下的牙齿检测、分割和编号的检测转换器：关注数据增广和修补技术

    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

  • 使用弱监督学习从 2D 图像中处理和分割人牙齿

    使用弱监督方法进行牙齿分割，通过关键点检测网络的输出热图和中间特征图来引导分割过程，采用 TriDental 数据集训练牙齿关键点检测网络，结合不同层次的特征图实现准确牙齿分割，进一步利用检测到的关键点优化分割结果，在真实牙科应用中实现成本效益高且高效的牙齿分割。

    Nov, 2023

  • 一种使用 U-net 和修改后的卷积块注意力模块进行胸部 X 射线肺分割的新方法

    本文提出了一种结合 U-net 和注意力机制的新方法，通过引入 Convolutional Block Attention Module (CBAM) 来进行胸部 X 射线图像的肺部分割，CBAM 统一了通道注意力、空间注意力和像素注意力三种不同的注意力机制，提高了模型的精确性和准确性，从而改善了分割的准确性和患者的诊断精度。

    Apr, 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