全景牙齿分割和编号的深度学习与启发式算法

工程科学与技术，国际期刊37（2023）101316全景图像中的牙齿编号：一种基于深度学习和启发式算法的Ahmet Karaoglua，Caner Ozcanb，Ahmet，Adem Pekincec，Yasin Yasada土耳其锡诺普锡诺普大学计算机技术系b土耳其卡拉布克，卡拉布克大学软件工程系c土耳其卡拉布克卡拉布克大学口腔颌面放射学系d土耳其奥尔杜，奥尔杜大学口腔颌面放射学系阿提奇莱因福奥文章历史记录：2022年6月27日收到2022年10月22日修订2022年11月19日接受2022年12月26日在线发布保留字：深度学习启发式算法Mask R-CNN全景X光片分割编号A B S T R A C T牙齿问题是人们最常见的健康问题之一。为了检测和分析这些问题，牙医通常使用全景X光片，显示整个口腔，并且具有低辐射暴露和暴露时间。分析这些射线照片是一个漫长而乏味的过程。最近的研究确保牙科放射科医生可以通过各种人工智能支持更快地进行分析。在这项研究中，Mask R-CNN和我们基于启发式算法的方法的编号性能根据国际牙科联合会（FDI）系统在全景牙科X光片上进行了验证。两名牙科放射科医生使用第一作者创建的基于网络的标记软件DentiAssist对训练深度学习算法所需的图像进行了该数据集是从2702个匿名的全景无线电照片创建的数据集分为1747、484和471张图像，作为训练集、验证集和测试集。使用k倍交叉验证方法（k = 5）验证数据集。开发了一种三步启发式算法来改善Mask R-CNN的分割和编号结果。据我们所知，我们的研究是文献中第一个在全景X射线摄影的检测，分割和编号研究中使用启发式方法以及传统的深度学习算法。实验结果表明，mAp（@IOU = 0.5）、准确率、召回率和f1分数分别为92.49%、96.08%、95.65%和95.87%。基于学习的算法的结果提高了4%以上。在我们的研究中，我们发现启发式算法可以提高基于深度学习的算法的准确性。我们的研究将大大减少牙科放射科医生©2022 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍牙科是一个专业，跟上放射视觉成像的进步。这些进步使得放射成像在诊断和治疗患者中变得越来越重要。[1]。全景X线片通常用于口腔放射学，因为辐射剂量低，应用时间快，患者负荷最小，并且能够在一张图像中看到上下颌[2]。*通讯作者。电 子 邮 件 地 址 ： akaraoglu@sinop.edu.tr （ A.Karaoglu ） ， canerozcan@karabuk.edu.tr （ C.Ozcan） ， adempekince@karabuk.edu.tr（ A.Pekince ） ，yasinyasa@odu.edu.tr（Y.Yasa）。这项研究由土耳其科学技术研究委员会（TUBITAK）资助，是DentiAssist项目编号2200272的一部分。近年来，牙科数据数字化、计算机辅助成像技术、虚拟治疗计划和模拟技术推动了基础诊断工具的快速技术进步[3]。人工智能在牙科中的应用日益增加，因为它有助于从业者提供高质量的患者护理，同时通过提供可预测的结果来简化复杂的流程[4]。通过这些研究，可以快速分析用于诊断和治疗的放射学图像。牙科放射科医生主要分析所获得的X光图像。然而，病理学的广泛变化，在有限时间内对许多图像的解释，对快速治疗计划的需要，以及缺乏时间、经验或专注度，使得牙科放射科医生有必要使用计算机辅助决策系统[5]。近年来取得重大进展的深度学习系统可以使用https://doi.org/10.1016/j.jestch.2022.1013162215-0986/©2022 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchA. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013162图像的原始像素作为输入。这些新的算法考虑到，最大限度地减少专家的努力，并允许他们提取难以检测的图像特征快速，有效。通过使用深度学习方法分析全景图像并将其传达给患者来实时获取信息的能力增强了患者卷积神经网络（CNN）及其衍生物是使用大型数据集的深度学习算法。利用这些算法，使用射线照相图像进行了深入的研究这些可以是分割[7-14]、分类[15-21]、检测和编号[22-33]、检测、分割和编号[34-36]形式的单独研究在文献中，Amer和Aqel[7]已经成功地从全景图像中检测出智齿。然而，由于这是仅对全景图像中的智齿进行分类研究，因此其提供的分析可能性有限。此外，在分类过程之后，不提供编号。Silva等人。[8]指出，在他们的研究中，如果数据集包含更多图像，结果可能会更高，他们在各种图像类型中进行分割。Tuzoff等人。[22]提出了一种系统，用于使用Faster R-CNN[37]架构检测全景X射线照片中的牙齿，并使用VGG-16对其进行编号。他们的方法具有很高的计算成本，因为它在不同的步骤中使用不同的深度学习算法。Chen等人。[23]提出了一种基于Faster R-CNN架构的结构，用于在根尖周片中检测和编号牙齿。为了改进Faster R-CNN的结果，他们提出了一种直观的技术，称为三种后处理技术。由于他们使用的方法适用于根尖片，因此显然它不适用于所有牙齿。金等人[24]在全景牙科X线照片中检测到牙周骨丢失，并仅确定与病变对应的牙齿编号，而不是整个图像中的牙齿。Kim等人[25]提出了一种结合区域卷积神经网络（R-CNN）、单次激发多盒检测器（SSD）和启发式方法的新技术，以在全景射线照相图像中对牙齿进行虽然所提出的方法与这种技术有助于基本算法的结果，几个性能指标仍然很低。Mahdi等人。[35]提出了一种牙齿检测的自动方法，其中他们使用更快的R-CNN技术进一步改进了他们的结果，使用候选人优化技术来评估候选人的位置关系和置信度得分利用所提出的优化技术，他们可以进一步改善模型结果。Kaya等人[38]使用YOLO V4模型在儿科全景X线照片中进行自动牙齿检测和编号。他们提出的模型在mAP性能指标中取得了92.22%的结果。Sirashekar等人[36]提出了一种将牙齿分割与数字模型相结合的新方法（MaskR-CNN + Faster R-CNN）。他们提出的方法在牙齿编号中达到了98.44%的mAP。由于数据集中的图像数量导致性能度量保持较低并且模型不能充分执行大多数研究对牙齿的子集进行编号操作。金等人[24]在他们使用303张图像和启发式算法的研究图佐夫等[22]在他们的研究中使用1574张图像和启发式算法获得了98.9%的灵敏度值。这显示了大量图像对模型精度的积极贡献。当检查文献时，可以看到检测和编号通常都是进行的。另一方面，席尔瓦等人[34]在他们的研究中识别和编号牙齿时也对牙齿进行了分割分割是很重要的，因为牙齿的边缘将背景分开，并且每个牙齿都更突出地显示。在我们的研究中，除了传统的深度学习算法之外，我们在文献中首次提出了一种启发式方法，与检测，分割和编号研究的方法不同。所提出的方法旨在改进文献中的结果，并通过采用传统深度学习算法的输出，使用启发式算法获得高精度。此外，这项研究提出了一种新的方法，将减少牙医的工作量，并有助于诊断。第一步是根据FDI编号系统使用深度学习算法自动检测、分割和编号全景图像中的牙齿。第二步，利用启发式算法对基本模型结果中的偶数齿进行奇数齿修正。第三步是纠正错误编号的牙齿，使正确的编号。文献中的大多数方法只能通过在数据集上应用选定的深度学习架构来工作。我们工作的主要贡献可归纳如下：该研究首次使用Mask R-CNN[39]深度学习和启发式算法来检测，分割和编号全景X射线摄影中的所有牙齿。使用的全景图像是新的，数量高于文献中大多数研究中使用的图像有各种条件的图像，如缺牙，种植体，根管治疗和龋齿。2. 材料和方法2.1. 数据集该研究获得了Karabuk大学非干预性临床研究伦理委员会的批准，参考编号为2021/451，所用图像随机选自Karabuk培训和研究医院口腔和牙科健康中心的档案，并进行了匿名处理。该数据集由2702张全景X射线照片创建。两位牙科放射科医生使用基于网络的标记软件（DentiAssist，Karabuk，土耳其）[40]标记这些图像，我们准备确定牙齿的边界，并编号为根据1a.中所示的FDI编号系统，共32类。为了测试模型的准确性，使用模型在训练过程中使用的图像是没有用的。为了提高模型出于这个原因，模型的测试数据集是用471张图像创建的，与训练集无关。图1b示出了由两个牙科放射科医师编号和标记的来自数据集的全景放射摄影图像的示例。随机选择数据集的2231张图像作为模型训练的训练数据集。训练数据集使用k倍交叉验证（k = 5）进行验证，每倍中有1784个训练图像和447个验证图像。训练和验证数据集中牙齿类别标签的分布如图2所示。2.2. 模型3显示了使用Mask R-CNN和启发式算法进行牙齿编号的流水线模型。Mask R-CNN模型是一种基于CNN的方法，用于检测、分类和掩蔽图像中的对象。它是通过构建更快的R-CNN开发的[37]。的●●●A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013163M2IJIJIJIJIJL型掩模 公司简介 X½yloggy^k1-ylogg1-y^k]216;j6mk表示类的总数。对于每个类和RoI，构造大小为mxm的掩码输出大小设置为kxm2。是等式中的k类的估计值。（2），yij是i;j创建的遮罩中的点的标记Mask R-CNN输出是全景图像牙齿的掩码形式。这些结果掩模被传输到我们开发的启发式2.3. 基于启发式算法的后处理图1.一、（a）外国直接投资编号系统;及（b）牙科放射科医生为牙齿贴上标签及编号的例子Mask R-CNN模型最显着的特点是它执行实例分割，即检测和识别图像中每个感兴趣对象的过程。为了完成实例分割任务，Mask R-CNN是一个使用卷积神经网络成员的特征提取器。提取图像特征的ResNet-101[42]Mask R-CNN的第一部分称为区域建议网络（RPN），提出可以是图像中对象的感兴趣区域（ROI）。第二部分为每个建议的ROI生成二进制掩码，同时进行分类和边界框估计[39]。在全景牙科X线摄影中发现的牙科项目通过两步RPN网格，如3所示。在残余主干网络中，牙科图像的特征被局部化并被传输到池化层。在重叠框中勾选非最大抑制（NMS）该模型对于CNN，选择池化层中的作为模型的结果，边界框和掩模被构造为图像中的对应区域的每个区域。如图3所示，各个类别的分割掩码是要定义的对象。L¼LclsLbboxL mask1Lclsand，Lboxin Eq. （1）与Faster R-CNN方法中相同，并且，L掩码是指分割掩码，其表示为i Eq. （二）、提出了一个三步启发式算法来改进模型的预测结果。所提出的启发式算法的结构如图4所示。当牙齿非常相似时，该模型可以预测一个牙齿的我们的启发式方法的第一为了用我们的方法检测多个编号的牙齿，首先根据预测结果对预测的牙齿进行排序作为分类的结果，通过检查编号来识别具有多于一个然后，检查具有多于一个编号的预测是否与其他预测重叠。通过检查预测数字的重叠掩码来执行此检查。其结果是，重叠的数字被检测到，并删除掩码，预测得分和类信息的一个具有最低的预测得分。然后，开发了误导性编号错误的解决方案根据FDI牙齿编号系统，口腔中的牙齿有一定的顺序。为了检查根据该系统预测的牙齿的顺序是否合适，预测的牙齿掩模的坐标根据x轴以升序排序。然后，从第一颗牙齿开始，将牙齿的FDI数量作为比较的结果，识别出混淆序列的牙齿，并为该牙齿分配所需的FDI编号。2.4. 模型训练在实验研究中，该模型在具有i9 10980XE 处理器和NVIDIAQuadro RTX 5000图形卡使用的数据集图像被设置为1024 x1024，以使Mask R-CNN模型与不同大小的数据兼容。使用迁移学习是因为残差网络（在训练神经网络时使用的骨干网络）是预训练的模型。预训练的数据集用于为神经网络分配该模型被训练了400个epoch，图二、根据FDI编号标准，数据集中图像中牙齿的分布A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013164-1/4ωX1¼英寸不¼;¼ð Þ我 BF图3.第三章。系统架构和流水线：系统由三个模块组成：齿号、删除重叠盒和修复错误编号。批量大小为1，学习率为0.001，每历元步数为100。Python编程语言，Keras库和Tensorflow后端用于创建模型和启发式方法。2.5. 统计分析F1评分2精确度ω回忆精确度和召回率3. 结果ð7Þ平均精度（mAP）是一个主要用于评估目标检测模型的指标。在计算mAP时使用度量混淆矩阵、交集大于并集（IOU）、召回率和精度。mAP在数学上表示为（3）。NmAP AP32升1混淆矩阵作为一个显示预测值和实际值的有用表格，用于评估模型的性能。通过计算真阳性（TP）、假阳性（FP）和假阴性（FN）预测数，使用精确度（5）、召回率（6）和f1分数（7）指标评估深度学习模型的成功TP是指模型正确识别牙齿并正确编号的预测数量，FP是指模型正确识别牙齿并错误编号的预测数量，FN是指模型错误预测牙齿和编号。关于牙齿检测任务，针对检查的每个全景图像计算二进制掩模图像和掩模R-CNN输出之间的IOU分数。IOU得分为0.5及以上的预测被接受。二进制掩码I、掩码R-CNN输出F之间的IoU分数在数学上表示为（4）。在训练之后，我们根据每个交叉验证模型的验证损失值来评估训练。1根据每个模型的最低验证损失值向我们展示了最佳的epoch，precision，recall和f1得分值如表中所示，5倍中的第368个历元具有最低的验证损失值。我们用这个时期结束时形成的模型文件评估了我们的测试数据集。在此评估之后，我们使用所提出的启发式模型开发了深度学习算法的结果。基本模型和我们开创的启发式算法的结果如图2所示。当检查2时，值得注意的是，我们推荐的启发式算法在所有指标上都比基线算法产生了大约4%的3显示了所有齿类的性能结果。混淆矩阵使我们能够清楚地看到和分析模型结果。图5显示了我们提出的启发式算法在测试数据集上的结果的混淆矩阵。为了更清楚地显示结果，将下颌和上颌中的牙齿分为两个矩阵。4. 讨论基本齿数法的性能IoUI F ¼IBFð4Þ使用启发式方法改进了深度学习模型，精确度表明有多少预测的牙齿是准确的估计。在数学上，它表示为（5）。使用分割算法（如PANet）进行研究当检查4中的全景图像中的牙齿编号的研究时，可以看出，基于CNN的算法用于精密TP公司简介ð5Þ建议的方法。由于全景射线照相比其他成像方法具有许多优点，回忆表明我们应该猜到的牙齿中有多少是正确预测的在数学上，它表示为（6）。召回TP6TPFFNF1-score值表示精确度和敏感度（召回率）值的调和平均值。在数学上，它表示为（7）。牙科放射科医生，他们在临床研究中的诊断和治疗中是高度优选的，因此，可用图像的数量在很大程度上导致了在这些研究中使用全景图像。结果表明，在执行基于Mask R-CNN的牙齿检测任务后使用启发式方法，可以像牙医一样准确地检测和编号恒牙。当我们的研究结果与以前的研究结果进行比较4，很明显，在这项研究中提出。我们的研究比牙齿数量更好-A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013165见图4。提出了启发式算法。表1使用K重交叉验证（K = 5）结果表评价数据。覆盖次数最佳时期验证损失精度召回F1得分13090.53560.92630.91780.922023980.51250.92580.92030.923033890.52010.95170.95400.952843920.52550.93280.92860.930753680.50320.92980.92930.9295平均0.51940,93330,93000,9316表2与传统算法的比较架构mAP（@IOU = 0.5）精度召回F1得分传统算法（Mask R-CNN）0.890.92210.91940.9207提出的方法（Mask R-CNN +启发式算法）0.930.96080.95650.9587A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013166表3每个牙齿类别的Tp、Fp、Fn、精确度、召回率和F1评分值齿数TPFPFn精度召回F1得分齿数TPFPFn精度召回F1得分T1824329240,890,910,90T3828013160,960,950,95T1736942310,900,920,91T3736621230,950,940,94T1631514330,960,910,93T3629817100,950,970,96T1536725150,940,960,95T354071120,971,000,98T1437511340,970,920,94T344349130,980,970,98T134244160,990,960,98T33456480,990,980,99T12428890,980,980,98T3244220140,960,970,96T11443840,980,990,99T3141824340,950,920,94T21439570,990,980,99T4141216370,960,920,94T22428870,980,980,98T4244012190,970,960,97T23436790,980,980,98T4344911150,980,970,97T2437412260,970,940,95T4442912120,970,970,97T2537517120,960,970,96T454111540,960,990,98T2632310260,970,930,95T4629217100,940,970,96T2737831270,920,930,93T4736923270,940,930,94T2827223130,920,950,94T4826616150,940,950,94图五. (a)上齿，和（b）所提出的方法（Mask R-CNN +启发式算法）的下齿混淆矩阵。表4全景图像中恒牙编号的研究现状引用年数据集架构分割评价图佐夫[22]20191574R-CNN + VGG-16 +启发式更快灵敏度98.9%，特异性99.9%[24]第二十四话201912179算法DeNTNetF1-得分75%[25]第二十五话2020303R-CNN +启发式算法灵敏度84.2%，特异性75.5%，准确度84.5%席尔瓦[34]2020762PanetUmAP 74%马赫迪[35]20201000R-CNN +优化技术mAP 98.1%，F1评分98.2%比尔吉尔[27]20212482Faster R-CNN灵敏度95.6%，精密度96.5%，F-测量96.1%[30]第三十话2021895ResNet准确度95.6%私人[31]20211217Mask R-CNN准确率93.8%埃斯泰[26]20211182U-Net + R-CNN + VGG-16准确率98%，召回率98%，F1得分98%卡亚[33]20224545YOLO V4mAP 92.22%Chandrashekar20221500Mask R-CNN + Faster R-CNNUmAP 97.30%，准确率98.77%，F1评分98.83%[三十六]我们的工作20222702Mask R-CNN +启发式算法UmAP 92.49%，准确率96.08%，召回率95.65%，F1评分百分之九十五点八七该方法在编号方面优于Mask R-CNN和启发式算法。Silva等人。[34]使用PANet在不同模型的分割和牙齿编号研究中获得最佳结果。PANet在编号上达到74.0%mAP在我们的研究中，使用Mak R-CNN和启发式算法，在编号上达到92.49%的mAP。[36]结合了Mask R-CNN和Faster R-CNN模型。该方法导致高计算成本。这将增加处理时间。在我们的研究中，A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013167使用启发式方法和主要模型使其更轻更快。Kaya等人[33]在他们的检测和编号研究中使用了儿科全景X线照片在儿科全景X线片上未发现FDI标记的18、28、28和48号牙齿由于我们的研究是用成人全景X线片进行的，因此可以对所有恒牙进行检测、分割和编号。我们的研究在mAP值方面取得了很高的结果。但文献中有研究在精确度、回忆率和F1分数方面表现更好。造成这种情况的原因是我们研究中的表演分割。当检查其他研究时，可以看到编号任务在没有分割的情况下执行。由于在分割过程中所有牙齿都与背景分离，因此分割比其他方法更困难。它给出了更精确的结果，因为它使牙齿从边缘开始看起来更明显。这种方法对用户更有用。尽管Tuzof等人[22]在他们的研究中在牙齿编号方面取得了很高的成果，但他们提出的系统使用了不止一个深度学习模型和启发式算法，这增加了计算成本。此外，它不执行牙齿分割。Kim等人。[25]在他们的研究中使用了R-CNN和启发式算法。这项研究产生了非常低的准确性结果。其原因是使用了图像数量不足的训练数据集。虽然在牙齿检测和编号研究中，所提出的方法的成功率取决于数量的增加，在研究中，数据集中的标记图像中，可以看到由于所使用的深度学习算法的选择，有些研究的准确性较低。例如，Prados-Privado等人[31]使用Mask R-CNN作为深度学习算法，并且数据集中的图像数量与我们的研究相同时，可以看到模型的准确度值为94%。考虑到研究中的数据集和深度学习算法与我们的研究相同，可以看出我们的研究比使用Mask R-CNN的研究取得了更高的性能。我们提出的方法给出了高的mAP结果。当检查6中的图像时，我们给出了模型的预测输出的示例，可以看出，尽管启发式算法和专家在没有缺失牙齿的图像中进行的地面真实标记是完全兼容的，但是在不正确的牙齿编号中进行了部分校正，特别是在具有大量缺失牙齿的图像中。我们的研究是在一个水平，将形成牙齿编号的基础上，特别是在全景图像与缺牙。5. 结论在全景图像中，提出的基于深度学习和启发式算法的检测系统在牙齿编号方面表现出很高的准确性启发式算法在实现高精度方面的贡献是非常有效的。尽管获得了很高的在未来的研究中，启发式算法需要进一步发展，以使精度达到更高的水平，并获得编号结果是完全一致的，与地面真理。此外，这样的结果可以帮助牙科放射科医生接受、开发和使用人工智能。通过节省牙科放射科医生的时间并减少手动调度，在日常实践、临床实践、治疗过程和牙科教育中使用深度学习将直接影响牙科诊所、研究和大学/学院教育实验室以及临床服务的工作流程效率。然而，需要进一步的研究将深度学习系统转化为临床实践。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。见图6。 (a)Ground-truth，（b）Mask R-CNN模型结果，以及（c）所提出方法的启发式结果样本。A. 卡拉奥卢角Ozcan，A.Pekince等人工程科学与技术，国际期刊37（2023）1013168引用[1] F.G. Zanjani ， A. Pourtaherian ， S. 作 者 声 明 ： A. Claessen ， T. Cherici ， S.Parinussa，P.H. de With，Mask-mcnet：口腔内扫描的3d点云中的牙齿实例分割，Neurocomputing453（2021）286-298，https：//doi。org/10.1016/j.neucom.2020.06.145。[2] D. Hallikainen， 全 景 放 射 摄 影 的 历 史 ， 放 射 学 学报37 （ 1996 ） 441-445 。https://www.tandfonline.com/doi/abs/10.3109/02841859609177678.[3] B.Vandenberghe ， 牙 科 数 字 患 者 - 成 像 科 学 ， 牙 科 杂 志https://doi.org/10.1016/j.jdent.2018.04.019[4] Y.-- W. Chen，K.斯坦利，W。Att，牙科人工智能：当前应用和未来前景，Quintessence Int 51（3）（2020）248-257。[5] D. Shen ， G. Wu ， H.I. Suk ， Deep learning in medical image analysis ，Annual Review of Biomedical Engineering 19（2017）221-https://doi.org/[6] T. Yeshua，Y.曼德尔鲍姆河阿卜杜拉-阿斯兰角纳德勒湖科恩湖，澳-地Zemour，D.卡布拉岛格莱斯纳岛Leichter，自动检测和分类全景X光片中的牙齿矫正，信息科学和信息技术问题16（2019）221-234。 https://doi.org/10.28945/4306。[7] Y.Y. Amer，M.J.Aqel，全景牙科图像的有效分割算法https://doi.org/[8] G.席尔瓦湖，澳-地Oliveira，M. Pithon，X射线图像中的自动分割牙齿：趋势，一 个 新 的 数 据 集 ， 基 准 测 试 和 未 来 展 望 ， 专 家 系 统 与 应 用 107 （ 2018 ） 15https://doi.org/10.1016/j。eswa.2018.04.001网站。[9] A. Wirtz，S.G.Mirashi，S.Wesarg，使用耦合形状模型结合神经网络在全景X射线图像中进行自动牙齿分割，计算机科学讲义（包括人工智能子系列讲义和生物信息学讲义）11073 LNCS（2018）712-[10] G. Jader，J. Fontineli，M. Ruiz，K.阿卜杜拉，M.皮松湖Oliveira，全景X射线图像中牙齿的深度实例分割，2019年，pp. 400 https://doi.org/10.1109/SIBGRAPI.2018.00058[11] 朗格Koch，M.佩斯列夫角Igel，S.S. Brandt，使用u-nets对牙科全景X射线照片进行精确分割，见 ：Proceedings - International Symposium on BiomedicalImaging，Vol.2019-April，2019，pp.15-19，doi：10.1109/ISBI.2019.8759563.[12] M.P. Muresan，A.R.Barbura，S.Nedevschi，使用深度学习和图像处理技术在全景X射线图像中进行牙齿检测和牙齿问题分类，会议记录-2020 IEEE第16届智能计算机通信和处理国际会议doi.org/10.1109/ICCP51029.2020.9266244[13] J. Redmon，S.迪夫瓦拉河Girshick，A. Farhadi，你只看一次：统一的，实时的对象检测，在：IEEE计算机视觉和模式识别会议论文集，2016年，pp.779-788[14] J.H.李，S.S. Han，Y.H.金角，澳-地李岛，智-地Kim，全深度卷积神经网络在全景放射照片上牙齿分割自动化的应用，口腔外科，口腔医学，口腔病理学和口腔放射学129（2020）635https://doi.org/10.1016/j.oooo.2019.11.007[15] E.作者：J. Darrell，Fully convolutional networks for semanticsegmentation，IEEE Transactions on Pattern Analysis and Machine Intelligence39 （ 2014 ）640-651。[16] A.B. Oktay ， 使 用 卷 积 神 经 网 络 进 行 牙 齿 检 测 ， 2017 年 医 疗 技 术 全 国 会 议 ，TIPTEKNO 2017-January（2017）1[17] E. Shaheen，A. Leite，K.A. Alqahtani，A.作者声明：A.威廉斯河Jacobs，一种新型的深度学习系统，用于锥束计算机断层扫描的多类牙齿分割和分类。验证研究，牙科杂志115（2021）103865，doi：10.1016/j.jdent.2021.103865。[18] M. Chung，J. Lee，S.公园，M。李，C.E. Lee，J. Lee，Y.G. Shin，通过逐点定位和距离正则化从牙科全景X射线图像中检测和识别单个牙齿，人工智能在Medicine 111（2021），https://doi.org/10.1016/j.artmed.2020.101996101996。[19] A.F. Leite，A.V. Gerven，H.威廉姆斯，T.作者声明：H.加埃塔-阿劳霍湾弗兰克斯河Jacobs，人工智能驱动的全景X光片牙齿检测和分割新工具，临床口腔调查25（4）（2021）2257https://doi.org/10.1007/s00784-020-03544-6[20] S. 维纳亚哈林甘河 Goey，S.Kempers，J. Schoep，T. Cherici ，D.A.Moin，M.Hanisch，使用深度学习对全景X射线照片进行自动图表归档，牙科杂志115（2021），https://doi.org/10.1016/j。jdent.2021.103864[21] C. Muramatsu，T.森下河高桥T.Hayashi，W.Nishiyama，Y.阿里吉，X.Zhou，T.Hara，A. Katsumata、E.阿里吉，H. Fujita，用于自动牙科图表归档的全景X射线照片上的牙齿检测和分类：通过多尺寸输入数据改进的分类，口腔放射学37（2021）13https://doi.org/10.1007/s11282-019-00418-w[22] D.V.Tuzoff ， L.N.Tuzova ， M.M.Bornstein ， A.S.Krasnov ， M.A.Kharchenko，S.I. Nikolenko，M.M. Sveshnikov，G.B. Bednenko，使用卷积神经网络的全景X射线照片中的牙齿检测和编号，DentomaxillofacialRadiology48（ 4） （ 2019）20180051，https://doi.org/10.1259/dmfr.20180051。[23] H. Chen，K. Zhang，P. Lyu，H.利湖，加-地Zhang，J. Wu，C.H. Lee，基于根尖周片中物体检测的自动牙齿检测和编号的深度学习方法，科学报告9（2019）1doi.org/10.1038/s41598-019-40414-y[24] J. 金先生李，I.S.Song，K.H.Jung，Dentnet：使用全景牙科X光片检测牙周骨丢失的深度神经传输网络，科学报告2019 9：1 9（2019）1 -9[25] C. Kim，D. Kim，H.G. Jeong，S.J. Yoon，S. Youm，使用cnn和启发式算法的组合进行自动牙齿检测和编号，应用科学2020年，卷。10，第5624 10（2020）5624页，doi：10.3390/app 10165624。[26] M. 埃斯泰湾Tennant，D.Gebauer，A.Brostek，J. Vignarajan，M. Mehdizadeh，S.Saha ， 深 度 学 习 用 于 全 景 图 像 上 恒 牙 的 自 动 检 测 和 编 号 50 （ 2021 ） ，https://doi.org/10.1259/dmfr.20210296。50块[27] E. 比尔吉尔岛拜拉克达尔岛Celik，K.Orhan，F.阿克科卡湾Saglam，A.Odabas，A.F.阿斯兰角Ozcetin，M.基利岛Rozylo-Kalinowska，全景X射线照片中自动牙齿检测 和 编 号 的 人 工 智 能 方 法 ， BMC Medical Imaging 21 （ 1 ） （ 2021 ） 1-https://doi.org/[28] C. 戈鲁尔戈兹湾奥尔罕拜拉克达尔岛Celik，E.Bilgir，A.Odabas，A.F.阿斯兰河Jagtap ， 卷 积 神 经 网 络 算 法 在 根 尖 周 X 光 片 牙 齿 检 测 和 编 号 中 的 性 能 ，https://doi.org/10.1259/ dmfr.2021024650（ 2021 年 ）20210246 ，https://doi.org/10.1259/dmfr.20210246。[29] M.C. 基利奇岛拜拉克达尔岛Celik，E.比尔吉尔湾奥尔罕，O.B.Aydin，F.A.卡普兰，H。Saglam，A. Odabas，A.F.阿斯兰，A.B. Yilmaz，全景X光片中自动乳牙检测和编号的人工智能系统，Dentomaxillofacial Radiology 50（2021）20200172，https：//doi。org/10.1259/dmfr.20200172。[30] S.- Y.林，H- Y. Chang，使用cnns对牙科全景X射线照片图像进行牙齿编号和状况识别，IEEEAccess9（2021）166008https://doi.org/10.1109/ACCESS.2021.3136026[31] M. Prados-Privado，J.G.Villalón，A.B.Torres，C.H.马丁内斯-马丁内斯角Ivorra，用于全景图像中自动牙齿编号的卷积神经网络，BioMed Research International2021（2021）1https://doi.org/-7，www.example.com10.1155/2021/3625386。[32] 年泰金角Ozcan，A.Pekince，Y.Yasa，根据咬翼射线照片中的fdi符号增强的牙齿分割和编号，生物学和医学计 算 机 （ 2022 ） 。https://doi.org/10.1016/j.compbiomed.2022.105547 105547.[33] E. Kaya，H.G.Gunec，S.S.Gokyay，S.Kutal，S.Gulum，H.F.Ates，提出一种cnn方法用于儿童牙科X光片上的乳牙和恒牙检测和计数，临床儿科牙科杂志46（4）（2022）293-298。 https://doi.org/10.22514/1053-4625-46.4.6。[34] B.席尔瓦湖，澳-地皮涅罗湖Oliveira，M. Pithon，使用端到端深度神经网络进行牙齿 分 割 和 编 号 的 研 究 ， Proceedings - 2020 33 rd SIBGRAPI Conference onGrap