1. DENTEX: Dental Enumeration and Diagnosis on Panoramic X-rays (MICCAI 23 챌린지)
논문 링크: https://arxiv.org/pdf/2305.19112
깃허브: https://github.com/ibrahimethemhamamci/DENTEX
데이터: https://huggingface.co/datasets/ibrahimhamamci/DENTEX
데이터셋
3가지 타입의 세부 데이터셋을 위계대로 사용
(a) 693 X-rays with quadrant labels only. - 치아 위치 사분면 정보 (사진 참고)
(b) 634 X-rays with quadrant and tooth enumeration labels. - 치아의 정확한 위치 정보
(c) 1005 X-rays fully annotated for abnormal tooth detection, including quadrant, enumeration, diagnoses.
- 치아의 정확한 위치 + 질병 Classification
질병 Classification은 다음 4가지 종류로 진행
- Caries (충치)
- Deep Caries (깊은 충치)
- Periapical Lesion (치근단 병변 - 치아 뿌리 끝에 생기는 염증)
- Impacted (매복치 - 잇몸 밖으로 나오지 못하고 숨어있는 치아)
아키텍쳐 구조
챌린지 보고서이다 보니 모든 참가자의 아키텍쳐 구조가 서술되어 있어, 본 리뷰에서는 성능 1, 2등의 아키텍쳐만 후술.
(1) He L. (Multi-Module Pipeline)
- Tooth Detection Module로 치아 BBox들을 추출, Diagnosis Detection Module로 질병 BBox들을 산출
- 두 모듈의 결과가 일정 IoU 이상 겹치면 Voting 통해 최종 매칭 정답 도출
(2) Mei S. (Specialized Single Stage)
- YOLOrtho 모듈에 이미지에 더불어 치아의 좌푯값 추가 입력
- 해당 모듈에서 치아 번호와 치아의 질병 정보 한 번에 산출 (multi-head)
- 후처리 과정: 중복 ID 제거, 각 ID가 고유하도록 강제 보정
2. Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training (MICCAI 25)
논문: https://arxiv.org/abs/2508.20813
데이터셋: https://github.com/ShanghaiTech-IMPACT/DVCTNet
- 이 연구에서 처음 제시한 고유 데이터셋. 저자가 연구용으로만 공유하며 메일 문의하면 제공하겠다고 명시함
의의: 임상에서 치과의사가 전체 X-ray를 먼저 훑어보고(전역적), 의심되는 치아를 확대해서 보는(국소적) 실제 임상 워크플로우를 구현
데이터셋
두 가지 데이터셋 사용, AAAI Dataset (인용한 원 논문 링크) / DVCT Dataset (이 논문에서 새로 제시)
- 500,000 panoramic X-ray images (8개 병원으로부터)
- 498,000 unlabeled, 2000 annotated
- 라벨링된 2000개의 데이터셋은 5311개의 다양한 종류의 질병을 다룸.
- 데이터셋의 강점 : (1) 엑스레이뿐만 아니라 실제 구강 사진도 라벨링해서 이중 확인이 가능함 (2) 라벨링 안 된 데이터가 많아 self-supervised pretaining 가능 (특히 파운데이션 모델에서)
아키텍쳐 구조
임상에서 치과의사가 전체 X-ray를 먼저 훑어보고(전역적), 의심되는 치아를 확대해서 보는(국소적) 실제 임상 워크플로우를 구현
global-view foundation model : detection backbone으로써 역할, 충치 후보 영역 및 전역적 특징 산출
local-view model : global-view에서 산출한 충치 후보 영역에서 더 자세한 정보 산출
Gated Cross-View Attention (GCV-Atten) module을 통해 두 모델의 결과를 동적으로 융합, 최종 충치 탐지 모델 완성
3. PRAD: Periapical Radiograph Analysis Dataset and Benchmark Model Development (MICCAI 25 Poster)
논문 링크: https://arxiv.org/abs/2504.07760
데이터셋: https://github.com/nkicsl/PRAD
- 메일 문의 후 제공. 답변까지 최대 14일 걸릴 수 있으므로 유의해서 연락하라고 명시됨.
데이터셋
- PRAD-10K: 10,000 clinical periapical radiograph images, with pixel-level annotations provided by professional dentists for nine distinct anatomical structures, lesions, and artificial restorations or medical devices
- 전체를 파노라마 형식으로 촬영하는 Panoramic X-ray와 다르게, Periapical X-ray는 1-3개의 치아를 잇몸까지 보이도록 촬영하며, 실제로 임상에서 의사들이 더 자주 사용
- 그러나 Panoramic에 비해 Periapical 데이터는 많이 안 다뤄짐 + 부족
아키텍쳐 구조
Multiscale Wavelet Convolution Network (MWCN)
- (인코더에 위치) 엑스레이 이미지에 다양한 크기의 Annotation해야 하는 부위들이 존재(ex. 턱뼈와 병변의 크기 차이) - 이러한 멀티스케일 문제 해결 및 올바르게 Classification 진행
Channel Fusion Attention (CFA)
- (디코더에 위치) 픽셀 레이어들에게 가중치를 부여, 뚜렷한 건 살리고 노이즈 채널들을 최소화하여 Class 사이의 경계를 뚜렷하게 함