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

本文提出了一种新的框架，通过射线采样和渲染函数，将仿真的牙科摄影机图像转化为真实的口腔成像，利用相应的训练数据，生成口腔的三维结构，最终完成 CBCT 数据的重建，结果表明，与其他先进技术相比，该方法效果更佳。

Apr, 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

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

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

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

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

本文提出了一种自监督辅助检测 (SSAD) 框架，用于诊断牙科疾病，通过共享相同的编码器和无需微调的方式，同时训练重建分支和检测分支，以提高对细粒度特征的捕捉能力。实验证明，该框架在公共 DENTEX 数据集上的三项检测任务中取得了与主流目标检测方法和自监督学习方法相比的最先进性能。

Jun, 2024

本文介绍了一种名为 PanoOcc 的方法，它是一个基于相机的 3D 全景分割方法，它使用体素查询来聚合来自多帧和多视角图像的时空信息，并将特征学习和场景表示集成到一种全面的占用表示中，用于摄像机 3D 场景理解的统一占用表示，从而实现了更好的摄像机语义分割和全景分割结果，并且该方法可以很容易地扩展到密集的占用预测。

Jun, 2023