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

深度学习在医学影像中具有潜力，可以减少诊断错误的风险，减轻放射科医生的工作负荷并加速诊断。为了解决医学影像领域注释数据集不足的挑战，我们通过预先训练大型无注释图像数据集上的深度学习模型来实现自我监督学习，并提出了 SparK 预训练方法，它在小型数据集上表现更为稳健。

Aug, 2023

本研究提出了一种基于深度学习的方法，利用两个卷积神经网络：SpatialConfiguration-Net (SCN) 和修改版的 U-Net，精确地预测了 CBCT 图像中所有牙齿的坐标，从而实现了对牙齿体积的精确裁剪，并通过分割方法检测出病变，解决了 CBCT 图像中的类别不平衡问题。经过对 144 个 CBCT 图像的评估，我们的方法实现了 97.3％的牙齿定位准确率，并具有 0.97 的敏感性和 0.88 的特异性，用于随后的病变检测。

Dec, 2023

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

准确的牙位表示在治疗中非常重要。用于三维牙齿图像分割的预训练 SAM 和我们提出的三维牙齿图像分割网络 3D-U-SAM 解决了样本稀缺的问题，并通过削减逼近方法和 U-Net 参考的跳跃连接来提高细节保留能力。通过消融实验、对比实验和样本大小实验证明了该方法的有效性。

Sep, 2023

提出了 MaskSAM，这是一种适用于医学图像分割的新型无需提示的 SAM 适应框架，通过与 SAM 中的图像编码器结合设计了一个提示生成器，生成一组辅助分类器令牌、辅助二进制掩模和辅助边界框，以解决额外提示的要求，同时利用 3D 深度卷积适配器和 3D 深度 MLP 适配器使预训练的 2D SAM 模型提取 3D 信息并适应 3D 医学图像。我们的方法在 AMOS2022 上取得了最先进的性能，Dice 系数为 90.52%，相比 nnUNet 提高了 2.7%。在 ACDC 和 Synapse 数据集上，我们的方法分别超过了 nnUNet 1.7% 和 1.0%。

Mar, 2024

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

通过使用 masked predicted pre-training 和 knowledge distillation 技术，以及采用 Holder pseudo-divergence 代替 KLD 作为 distillation loss，该研究在多模式磁共振成像中对脑肿瘤进行分割，取得了显著的性能提升。

Jun, 2024

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