TeethDreamer：由五张口腔内照片进行的 3D 牙齿重建
内容提要
本文提出了一种基于深度学习的牙齿对齐和重建方法，利用三维结构和多模态分析框架，提升牙科模型质量，辅助临床决策。研究还探讨了牙齿检测、分割及异常分类技术，显示出良好的精确度和应用前景。
延伸解读
技术路线：从二维到三维的多元探索
文章汇总了多项研究，展示了牙齿重建的不同技术路径。例如，Occudent利用神经隐式函数从全景射线照片直接进行三维重建，而DDMA则结合CBCT和口内扫描实现牙冠-骨骼结构分割。这些方法各有侧重，反映了该领域从单一模态向多模态融合发展的趋势，但具体临床适用性需进一步验证。
数据稀缺下的应对策略
针对口腔罕见疾病数据不足的问题，研究采用了数据增强和修复技术。使用专家标注的156个全景放射片数据集，通过几何变换和稳定扩散修复生成新图像，使DETR模型的平均精确度从0.69提升至0.82。这表明数据增强能有效缓解稀缺性，但生成图像的质量和多样性仍需评估。
临床辅助：种植规划与医患沟通
研究不仅关注重建精度，还探索了临床辅助应用。例如，通过CBCT重建牙齿网格模型，计算相邻牙齿稀疏系数来生成缺失牙齿的位置和形状信息，为数字种植计划提供支持。此外，三维结构引导的牙齿对齐网络能在二维图像空间生成美观的二维照片，促进正畸过程中的医患沟通。
性能表现与局限
多项研究展示了模型性能，如YOLOrtho提高了牙齿数量和疾病检测性能，多阶段框架在异常牙齿分类中达到0.76的F1分数。然而，这些指标基于特定数据集，泛化能力未知。此外，部分方法依赖CBCT等设备，数据分布差异可能影响效果，实际部署需考虑临床环境多样性。
Q&A
TeethDreamer的主要技术是什么？
TeethDreamer主要基于深度学习的多模态分析框架（DDMA）进行三维牙齿和骨骼结构的重建。
如何提高数字牙科模型的质量？
通过使用DDMA框架，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。
Occudent框架的优势是什么？
Occudent框架利用神经隐式函数进行三维牙齿重建，显示出优越性，能够隐式确定牙齿边界。
CBCT图像在牙齿重建中的作用是什么？
CBCT图像用于生成缺失牙齿的准确位置和形状信息，为数字种植计划提供支持。
如何解决深度学习方法的数据稀缺问题？
通过自动检测和提取CBCT图像中的牙齿，结合数据增强技术来解决数据稀缺问题。
YOLOrtho框架的功能是什么？
YOLOrtho框架用于提高牙齿数量和牙科疾病检测的性能，整合多种检测策略。
