一种用于牙科CBCT中的3D个体牙齿分割的多阶段框架
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
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
本文提出一种基于现有的基于机器学习的2D标记检测算法和开发的新数学算法识别成对3D标记的全自动牙科锥束计算机断层扫描(CBCT)和面部扫描数据的配准方法。经实验证明,该方法达到了0.74毫米的平均表面距离误差。
May, 2023
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
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
通过STS MICCAI 2023挑战赛,本研究总结了在半监督牙齿分割算法研究领域中,排名前列的团队采用的多种方法。
Jul, 2024