全景X光图像中牙齿的深度实例分割

在牙科中，放射学检查通过展示牙骨的结构来帮助专家，其目的是筛查嵌入牙齿、骨骼异常、囊肿、肿瘤、感染、骨折、颞下颌区域的问题，仅举几例。有时，仅仅依赖专家的意见可能会导致诊断上的差异，从而最终影响治疗。虽然目前尚未期待完全自动诊断的工具，但图像模式识别已发展为决策支持，主要从检测X光图像中的牙齿及其组成部分开始。牙齿检测在过去二十年中一直是研究的对象，主要依赖阈值和基于区域的方法。本论文采取不同的方向，提出探索一种深度学习方法来对牙齿进行实例分割。根据我们的最佳知识，这是第一个在全景X光图像中检测和分割每颗牙齿的系统。值得注意的是，这种类型的图像是隔离牙齿最具挑战性的，因为它展示了病人的其他身体部位（例如，下巴、脊椎和颌骨）。我们提出了一种基于掩膜区域的卷积神经网络的分割系统，以实现实例分割。通过从1500张具有高变异性的挑战性图像数据集中进行全面评估，包含10个不同类型的口腔图像。通过仅使用193张平均包含32颗牙齿的嘴巴图像训练所提议的系统，并采用迁移学习策略，我们在1224张未见图像上达到了98%的准确率、88%的F1-score、94%的精确率、84%的召回率和99%的特异性，结果远远优于其他10种无监督方法。