Sep, 2024

当三维部分点云遇见SAM：稀疏标签下的牙齿点云分割

HTML
PDF
TL;DR本研究解决了牙齿点云分割中的稀疏标签问题，提出了一种名为SAMTooth的框架，结合了Segment Anything Model (SAM)的强大分割能力，通过自信感知的提示生成策略来补充极其稀疏的监督。实验结果表明，使用仅0.1%的标注（每颗牙齿一个点）时，该方法显著优于近期的弱监督方法，甚至与最新的完全监督方法相媲美，展示了将SAM应用于稀疏标签的3D感知任务的巨大潜力。
发现论文，激发创造
  • DArch：基于牙弓先验的三维牙齿实例分割

    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

  • CTooth: 基于锥束计算机断层扫描图像的牙体积分割全标注三维数据集和基准

    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

  • CTooth+: 大规模牙科锥束计算机体层摄影数据集及对牙体体积分割的基准测试

    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

  • 基于简化网格单元表示的三维牙齿网格分割

    本研究提出了一种新的利用齿列网格顶点及顶点法线信息进行自动齿列网格分割的深度学习方法，突破了隐性结构约束下的性能瓶颈。

    Jan, 2023

  • 3D-U-SAM网络用于CBCT图像中的少样本牙齿分割

    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

  • 使用弱监督学习从2D图像中处理和分割人牙齿

    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

  • 稀疏解剖指引半监督学习配合掩模图像建模用于CBCT牙齿分割

    利用未标记数据和掩码预训练范式结合，提出了一种基于图注意力的稀疏掩码提示机制，用于准确分割牙齿和学习牙齿的解剖结构特征。

    Feb, 2024

  • MaskSAM：面向医学图像分割的自动提示SAM与掩码分类

    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

  • Point-SAM: 可提示的点云三维分割模型

    通过使用基于Transformer的方法在3D空间中扩展了Segment Anything Model（SAM），我们提出了一种3D可提示分割模型（Point-SAM），利用部分级和对象级注释，从SAM中生成伪标签，将2D知识提取到我们的3D模型中，并在室内和室外基准测试中优于最先进的模型，展示了多种应用，如3D标注。

    Jun, 2024

  • 一种用于牙科CBCT中的3D个体牙齿分割的多阶段框架

    CBCT的3D牙齿分割方法中，通过使用多阶段框架解决了深度学习方法需要大量标注数据和设备获取数据分布不同的问题。实验证明了该方法的有效性。

    Jul, 2024