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
该研究提出了一种新的可靠的方法,结合 CBCT 图像重建出的牙齿网格模型,通过计算相邻牙齿之间的稀疏系数,生成缺失牙齿准确的位置和形状信息,从而为数字种植计划提供辅助。
Jul, 2023
提出了一个名为HDTR-Net的通用高清修复网络,用于任意对话生成方法,可以在保持同步和时序一致性的同时,以极快的速度增强牙齿区域。实验证明,该方法适用于任意对话生成方法,同时能够实时生成高清对话视频,比基于超分辨率的当前先进脸部修复方法快300%。
Sep, 2023
我们提出了一种基于三维结构引导的牙齿对齐网络,在二维图像空间内对齐牙齿,生成具有美观度和真实纹理的二维照片,以促进正畸过程中的牙医与患者之间的沟通。
Oct, 2023
该论文提出了一种名为TSegFormer的多任务3D变换器架构, 用于在光学口腔扫描仪中对牙齿和牙龈进行准确的三维分割, 并通过基于新型点曲率的几何引导损失进行边界细化, 实现终端到终端的分割, 避免了耗时的后处理, 并通过实验证明了TSegFormer优于现有最先进方法, 具有广泛的临床适用性。
Nov, 2023
基于扩散概率模型,本研究提出了一种基于神经网络的牙齿排列方法,利用深度学习进行牙齿自动排列,通过提取牙模型的特征学习矫正牙齿的变换矩阵,生成具有满意的牙弓曲线和正常的咬合关系。
Dec, 2023
本研究解决了全景X光(PX)在牙科应用中的2D图像缺乏3D解剖信息的问题。提出的3DPX网络通过渐进式重构策略和混合多层感知器(MLP)与卷积神经网络(CNN)的结合,能够更好地捕捉空间信息,从而在图像重构质量上超过现有方法,并提高了后续的牙齿角度错位分类任务的性能。
Aug, 2024
本研究针对现有牙齿排列方法中目标姿态感知与运动回归耦合的问题,提出了一种可微分的碰撞监督牙齿排列网络(DTAN)。该方法通过解耦预测任务与特征建模,显著提升了牙齿排列的准确性与速度,并提出了一种新的碰撞损失函数,为未来的三维点云任务应用提供了新的思路。
Sep, 2024