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

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

DArch是一种采用牙弓优先辅助的三维齿齑粒分割方法，该方法通过标记所有牙齿的质心以及每个牙齿的少量信息来缓解学习成本限制，并使用锚点采样方法生成最终的齿齑粒分割。

Apr, 2022

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

本文旨在建立一个3D牙科CBCT数据集CTooth+，并通过完全监督、半监督和主动学习等方法，评估多种最先进的牙齿体积分割策略，并定义了性能原则。该实验可作为未来基于人工智能的牙科成像研究和临床应用开发的基线和新基准。

Aug, 2022

本研究提出了一种新的利用齿列网格顶点及顶点法线信息进行自动齿列网格分割的深度学习方法，突破了隐性结构约束下的性能瓶颈。

Jan, 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

基于深度学习的牙齿分割方法在数据收集和标注上耗时昂贵，本文提出了通过微调预训练的多视图模型实现高精度分割的解决方案，同时引入了2D-3D联合感知来改善分割结果，并使用骨架作为3D输入并结合MSFormer模型进行牙齿分割，实验结果表明，与训练数据量增加相关，该方法的分割准确率提高了2.4%-5.5%。

Oct, 2023

CBCT的3D牙齿分割方法中，通过使用多阶段框架解决了深度学习方法需要大量标注数据和设备获取数据分布不同的问题。实验证明了该方法的有效性。

Jul, 2024

本研究提出了一种名为TeethDreamer的3D牙齿重建框架，通过利用先前的知识生成已知姿态的多视角图像来解决稀疏输入，并通过神经表面重建技术重建高质量的3D牙齿模型，从而在远程监测正畸治疗方面展示了我们方法的优越性。

Jul, 2024