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

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

利用未标记数据和掩码预训练范式结合，提出了一种基于图注意力的稀疏掩码提示机制，用于准确分割牙齿和学习牙齿的解剖结构特征。

Feb, 2024

本研究检验了当前广泛使用的深度学习基于完整颌部模型的牙齿分割技术在部分口内扫描下的鲁棒性表现，结果发现这些技术表现严重不足。该研究对解决该问题和开发不依赖完整颌部模型的鲁棒牙齿分割技术具有重要作用。

Apr, 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。

May, 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

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

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