awesome-ai-in-dentistry

这是一个精选的资源合集，专注于收集、整理和索引牙科人工智能领域的数据集、基准测试、研究论文、开源工具和相关资源。合集涵盖牙科影像分析（如CBCT、全景X光、口内扫描）、检测分类、分割、生成、正畸、多模态学习等多个子领域，旨在为研究人员和临床实践者提供全面的数据集资源索引和推荐。This is a curated resource collection focused on collecting, organizing, and indexing datasets, benchmarks, research papers, open-source tools, and related resources in the field of dental artificial intelligence. The collection covers multiple subfields including dental image analysis (e.g., CBCT, panoramic X-ray, intraoral scan), detection and classification, segmentation, generation, orthodontics, multimodal learning, and others, aiming to provide comprehensive dataset resource indexing and recommendations for researchers and clinical practitioners.

原始信息汇总

数据集概述：Awesome AI in Dentistry

该页面是一个人工智能在牙科领域的精选资源合集，涵盖了研究论文、数据集、开源工具和相关资源。

资源分类

📰 最新动态

• 2025年1月：ADA Standard 1110-1 获批（AI图像验证数据集指导标准）
• 2025年12月：OralGPT-Omni 发布（首个牙科专用多模态大语言模型）
• 2025年9月：MMOral Benchmark 发布（大规模全景X光多模态指令数据集，2万+图像，130万实例）
• 2025年7月：MMDental Dataset 发布（660名患者的CBCT与专家病历多模态数据集）
• 2025年5月：CBCT分割元分析（30项研究的深度学习牙齿分割综述）
• 2025年1月：STS-Tooth Dataset 发布（最大多模态牙齿分割数据集，14.8万+CBCT扫描，4000张全景图像）

📚 综述与评论（2023-2025年）

涵盖深度学习在牙科影像诊断、AI在牙科教育、机器学习应用范围、面部疾病管理、美容牙科、修复牙科等多个领域的系统综述。

🔍 检测与分类

AI模型用于口腔疾病检测与分类，包括：

• 龋齿检测（全景X光、口内图像）
• 根尖周病变检测与分类
• 口腔白斑识别
• 阻生智齿分类
• AI牙科图表系统（DORIS）

🎯 分割

CBCT分割

锥形束计算机断层扫描图像分割，涵盖：

• 牙齿实例分割（多篇研究，2020-2025年）
• 下颌管分割
• 根管分割
• 牙髓腔分割
• 上颌窦分割
• 颌骨结构分割
• 牙龄评估
• 多模态对比预训练方法（ToothMCL）

IOS分割

口内扫描仪分割，包括：

• 3D牙模分割（CrossTooth，2025年CVPR）
• 全牙弓与部分牙弓自动分割
• 跨中心模型自适应分割
• 无监督分割（合成数据域适应）
• 多视图AI分割

📝 生成

• 假体生成
• 重建（待补充）

🦷 正畸

（具体文献待补充）

🔄 配准

（具体文献待补充）

🧠 多模态与视觉语言模型

（具体文献待补充）

📊 数据集与基准

（具体条目待补充）

🛠 开源工具

（具体条目待补充）

📏 标准与指南

（具体条目待补充）

---

交互式研究索引：https://mhson-kyle.github.io/awesome-ai-in-dentistry/

搜集汇总

数据集介绍

构建方式

该数据集以GitHub仓库为载体，通过系统梳理和整合人工智能在牙科领域的研究成果而构建。其内容涵盖检测与分类、分割（包括CBCT分割、IOS分割、OPG分割）、生成（如假体生成与重建）、正畸、配准、多模态与视觉语言模型、数据集与基准、开源工具及标准指南等十余个核心主题。每条资源均标注年份、标题、发表刊物及论文链接，并附有新闻动态板块，收录如ADA标准1110-1获批、OralGPT-Omni发布等里程碑事件。整体采用表格化组织形式，确保信息结构清晰、检索高效，便于研究者快速定位前沿文献与工具。

特点

该数据集最显著的特点在于其全面性与系统性，横跨牙科人工智能的多个子领域，从传统的龋齿检测到前沿的多模态大语言模型均有收录。其资源筛选严格，收录的论文多发表于Nature、MICCAI、CVPR等顶级期刊或会议，且持续更新以反映最新进展，如2025年新增的ToothMCL、GEPAR3D等研究。此外，数据集注重实用性，不仅包含算法模型，还提供开源代码链接（如T-Mamba、DBGANet）和基准数据集（如STS-Tooth、MMDental），并设有交互式研究索引网站，极大提升了资源的可访问性与复用价值。

使用方法

使用者可直接访问GitHub仓库的README页面，通过目录快速导航至感兴趣的主题板块，如CBCT分割或正畸研究。每个条目均提供了论文官方链接，点击即可获取详细研究内容。对于含代码的资源，可通过附带的GitHub链接下载实现。新闻动态部分帮助用户追踪领域内重大进展，而开放源码工具与标准指南板块则为实际应用提供了现成方案。此外，该仓库欢迎社区贡献，研究者可通过提交Pull Request的方式添加新资源，从而持续丰富这一知识库。

背景与挑战

背景概述

人工智能在口腔医学领域的应用正迅速成为精准医疗的重要分支，其研究历程可追溯至2018年基于卷积神经网络实现的牙科锥形束计算机断层扫描图像分割。该数据集由Kyle等研究团队于2025年创建，旨在系统整合AI在牙科研究与临床实践中的前沿成果，涵盖从龋齿检测、根尖病变分类到三维牙体分割与多模态视觉语言模型等核心研究问题。通过收录超过120篇高质量论文、开源工具及基准数据集，该资源库不仅为跨学科研究者提供了全景式知识图谱，更推动了ADA标准1110-1等规范的确立，显著提升了AI辅助诊断的可重复性与临床转化效率。

当前挑战

当前该领域面临多重挑战。首先，牙科影像数据存在模态异构性（如CBCT、全景X光、口内扫描），导致模型泛化能力受限，尤其在分割任务中缺乏统一标注协议。其次，公开数据集规模不足且隐私法规严格，多数研究依赖小样本训练，易引发过拟合与偏差。构建过程中，跨机构数据共享遭遇伦理审查壁垒，同时多模态数据（如影像-病历配对）的配准与缺失值处理技术尚不成熟。此外，临床部署需兼顾实时性与高精度，而现有模型在根管分割、颌骨重建等精细任务中仍存在边界模糊与结构断裂问题。

常用场景

经典使用场景

在口腔医学与人工智能交叉领域，该数据集最经典的使用场景聚焦于牙齿影像的精准分割与疾病检测。基于锥形束计算机断层扫描（CBCT）和口内扫描（IOS）数据，研究人员利用深度学习模型实现牙齿、牙髓腔、根管及下颌管等解剖结构的像素级分割，为后续诊断与治疗规划奠定基础。同时，该数据集广泛应用于龋齿、根尖周病变及阻生智齿等常见口腔疾病的自动检测与分类，通过卷积神经网络与Transformer架构提升影像判读的敏感性与特异性，显著降低人工阅片的漏诊率。这一场景不仅验证了AI在医学影像分析中的泛化能力，更推动了数字化牙科从实验研究向临床落地的关键跨越。

解决学术问题

该数据集系统性地回应了口腔AI领域长期存在的两大核心学术问题：数据稀缺性与任务碎片化。一方面，它整合了涵盖CBCT、全景X光片及口内扫描的多模态影像数据，并附有专家标注的金标准，解决了单一机构数据量不足、标注成本高昂的困境，为模型训练提供了大规模、高质量的基准资源。另一方面，通过统一不同分割与分类任务（如牙齿实例分割、病变检测）的评估协议，它消除了此前研究因数据集不统一而难以横向比较的弊端，使得算法性能可被公平且可重复地度量。这一贡献显著加速了深度学习方法在口腔影像学中的迭代验证，为构建标准化评估体系奠定了基石，进而提升了该领域研究的科学严谨性与可信度。

衍生相关工作

该数据集催生了一系列具有里程碑意义的衍生工作，深刻重塑了口腔AI的研究版图。在模型架构层面，研究人员提出了诸如T-Mamba、DBGANet等专为牙科影像定制的分割网络，通过融合状态空间模型与几何注意力机制，在保持高精度的同时显著降低了计算开销。在范式创新方面，MMOral与OralGPT-Omni等工作的出现标志着口腔领域从单一任务模型向多模态大语言模型的跨越，实现了全景X光片解读与临床报告生成的统一。此外，以STS-Tooth挑战赛为代表的标准化竞赛平台，不仅验证了半监督学习在标注匮乏场景下的有效性，还推动了牙齿分割基准从2D向3D的演进，为未来跨模态、跨中心的通用口腔AI系统铺平了道路。