A Combined Approach for Accurate and Accelerated Teeth Detection on Cone Beam CT Images¶
论文¶
https://www.mdpi.com/2075-4418/12/7/1679
摘要¶
Cite
牙齿检测和牙齿分割对于处理锥形束计算机断层扫描（CBCT）图像至关重要。准确性决定了后续应用的可信度，例如诊断、临床实践中的治疗计划或其他依赖于自动牙科识别的研究。 主要问题是复杂的噪声和金属伪影，它们会影响传统算法的牙齿检测和分割的准确性。在本研究中，我们提出了一种牙齿检测方法，以避免上述问题并加快操作速度。 在我们的方法中，（1）使用卷积神经网络（CNN）对层类进行分类；（2） 选择图像以执行感兴趣区域（ROI）裁剪；（3） 在ROI区域，我们使用YOLO v3和多级组合牙齿检测方法来定位每个牙齿边界框； （4） 我们获得了所有层上的牙齿边界框。我们将我们的方法与先前研究中常用的快速R-CNN方法进行了比较。在我们的方法中，训练和预测时间分别缩短了80%和62%。 我们方法的对象包含率（OIR）指标为96.27%，而快速R-CNN方法为91.40%。当测试具有严重噪声或不同缺失牙齿的图像时，我们的方法保证了稳定的结果。 总之，我们在牙科CBCT上的牙齿检测方法由于其预测速度高和检测鲁棒性强而实用可靠
分层yolo v3，论文发表的期刊是Q2级别，简单看一下
方法¶
这个多阶段算BBOX的检测方法真的是第一次见
- 首先使用CNN对层类进行分类，太靠下的层和太靠上的层都抛弃，因为这些层要么牙齿太少，要么上下颌牙齿混在一起太多，留下的是是下颌的牙齿截面或者上颌的牙齿截面
- 拿YOLO V3进行检测，这里检测是五个区域
- 每个区域内包含多颗牙齿，得到每个区域后再根据比例之类的关系算出来每颗牙齿的BBOX
论文中说的贡献主要是牙齿检测的快速和鲁棒性。快速是因为用的YOLO跟Faster R-CNN作对比，鲁棒性看效果图一般，金属伪影、牙齿拥挤和牙齿缺失的情况下处理的都不够完美。 大BBOX+比例算出来小BBOX一听就感觉在复杂情况下会崩