全景 X 光片中的实例分割和牙齿分类
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
通过全景 X 光影像来检测牙科疾病是牙医的标准程序,我们开发了 YOLOrtho,一个用于齿数目和牙科疾病检测的统一框架,通过牙齿位置关系、卷积层替换、模型架构调整、上采样和后处理策略等方法来提高检测性能。
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
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