Prompting Vision-Language Models for Dental Notation Aware Abnormality Detection( MICCAI 2024)
논문주소 https://link.springer.com/chapter/10.1007/978-3-031-72390-2_64
깃허브주소: https://github.com/chenlindu/DentalVLM?utm_source=chatgpt.com
데이터: 덴텍스 2023
https://huggingface.co/datasets/ibrahimhamamci/DENTEX/blob/main/DENTEX/validation_data.zip
데이터 구성 (총 3,903장의 X-ray)
치과 구역 정보(693장), 구역+번호(634장), 구역 + 번호 + 질환 진단(1005장)
질환 ->4가지 Caries (치아 우식/충치): 일반적인 충치. Deep Caries (심부 치아 우식): 신경 근처까지 깊게 진행된 충치.Periapical Lesions (치근단 병변): 치아 뿌리 끝부분에 생긴 염증이나 병변.Impacted Teeth (매복치)
-추가 데이터 (1,571장): 사전 학습(Pre-training)을 위한 라벨 없는 데이터.
내용: Grounding DINO를 기반 시각-언어 모델로 치과용 X-ray 이미지에서 치아 번호 체계를 프롬프트로 주입해 이상 징후를 탐지
Transformer의 어텐션 메커니즘을 통해 이미지와 텍스트 간의 맥락을 파악하고 대조 학습을 통해 질병 명칭과 실제 병변 위치를 매칭
1)Dental Notation Aware Tooth Identification: 치아 번호 인식 단계
-파노라마 X-ray에서 각 치아가 몇 번 치아인지 정확히 찾는 단계
FDI 치아 번호 체계를 텍스트 프롬프트로 넣으면 X-ray 이미지는 Image Encoder로 들어가고 치아 번호 텍스트는 Text Encoder로 들어감 이 둘을 VLM이 결합해서 이 이미지 안에서 36번 치아는 어디인가?를 찾음
2. Multi-level Dental Abnormality Detection: 이상 탐지 단계
Local Abnormality: 앞 단계에서 찾은 특정 치아 영역만 잘라내어 분석함. 치아 우식, 치근단 주위염 등 치아 개별 단위에서 발생하는 질병 리스트를 텍스트 인코더에 입력-> 이미지와 텍스트를 대조하여 해당 치아에 구체적인 병변이 있는지 확정
Global Prompts: 매복치, 치주염등 주변 치아와의 각도나 잇몸 뼈 상태를 전체적으로 봐야 하는 질병 찾음
Diffusion-Based Hierarchical Multi-Label Object Detection to Analyze Panoramic Dental X-rays (MICCAI 2023)
논문주소: https://arxiv.org/abs/2303.06500
깃허브 주소: https://github.com/ibrahimethemhamamci/HierarchicalDet
데이터: Dentex2023
내용: DiffusionDet을 기반으로 설계되어 구역, 번호, 진단 세가지 정보를 동시에 예측하는 멀티 라벨 헤드 사용
데이터가 (구역)(구역+번호)(구역+번호+질환)으로 나누어져 있어서 다른 종류 데이터를 한꺼번에 학습시킴-손실함수 도입
상위 단계의 박스 정보를 하위 단계(번호, 진단)의 힌트로 전달하여 위치를 더 정교하게 하는 계층적 박스 조작 알고리즘 사용
->다른 종류 데이터를 같이 학습시킬 수 있어서 여러 데이터를 사용할 수 있다. 그러나 Diffusion 모델 특성상 느리다.
YOLOrtho: A Unified Framework for Teeth Enumeration and Dental Disease Detection(MICCAI2023)
논문주소:https://arxiv.org/abs/2308.05967
깃허브주소없음
데이터셋:Dentex2023
Tufts Dental public dataset
내용: YOLOrtho 사용( YOLOv8 보다 한번 더 키워서 4배까지 축소)
부족한 데이터 보완-> Dentex 데이터셋에는 질병 있는 치아만 표시되어 있어서 일반 치아 탐지기를 돌려 나머지 건강한 치아들의 위치를 AI가 스스로 추측하게 함-> 치아 위치관계 파악 가능
데이터 증강-> 플립 매핑
1,000장의(JSON)-치아 위치, 번호, 5단계 질병 라벨링
신청하면 받을 수 있음
PerioDet: Large-Scale Panoramic Radiograph Benchmark for Clinical-Oriented Apical Periodontitis Detection(miccai2025)
논문주소: https://arxiv.org/abs/2507.18958
깃허브, 데이터주소: https://github.com/XiaochengFang/MICCAI2025_PerioDet
4,233장- 치근단 주위염 병변
치근단 염증은 은 턱뼈의 밀도 차이 때문에 판단이 어려움
->노이즈 쿼리를 이용해 학습 단계에서 의도적으로 노이즈가 섞인 앵커 박스를 모델에 입력
-> 염증인지 뼈인지를 구분하게 대조 학습시킴-> 배경 노이즈를 제거하고 뿌리 끝 미세 염증에 집중할 수 있게 됨
IoU-Dynamic Calibration사용해 임계점 조절
Geometry Prior-Assisted Learning for 3D Tooth Segmentation
깃허브 주소https://github.com/tomek1911/GEPAR3D
데이터 주소 https://zenodo.org/records/15739014
내용
1.Geometry-Aware Feature Extraction
좌표만 사용하는게 아니라 법선 벡터, 곡률 등 기하학적 정보를 이용해 치아의 뾰족한 부분과 오목한 경계 부분을 더 잘 인식하게 함.
2. Boundary-Preserving Loss
치아와 잇몸, 또는 치아와 치아 사이의 경계선을 더 날카롭게 학습하기 위한 특수 손실 함수를 도입해 경계 부위에서 발생하는 오차에 더 큰 가중치를 두어서 결과물에서 치아가 서로 뭉쳐 보이는 현상을 방지함
->기하학적 지식을 이용해 정확도를 높였다. 그러나 일반적이지 않은 치아나 금속 보철물등은 오류를 더 높일 수 있다.
먼저 3D 치아 스캔 데이터를 포인트 클라우드 형태로 변환 후 법선, 곡률 등 계산해 입력 데이터에 포함 치아
->3D U-Net으로 Dynamic Graph CNN 연산을 사용하여 점들 사이의 관계를 동적 그래프로 파악
처음 계산했던 기하학 정보를 어텐션메커니즘으로 모델에 주입->다중작업으로 치아분류하고 경계 탑지 함
