Zygomaticomaxillary Suture (ZMS) dataset

本数据集为全球首个公开的颧颌缝评估专用CBCT影像数据集，由深圳大学与昆明医科大学附属口腔医院联合创建，旨在解决正畸治疗中颧颌缝成熟度精准分期的临床难题。该数据集包含3,790个经专业标注的颧颌缝区域影像，数据源自2018年至2024年间约3,000名4-24岁患者的锥形束CT扫描，每个样本均按五阶段成熟度标准（A-E）进行独立标注，标注者间加权Kappa值达0.865，具有极高临床一致性。数据创建过程遵循严格临床协议，通过四位资深正畸医师手动截取颧颌缝区域并统一标注，在排除系统性疾病等干扰因素后，按患者级别进行8:2的训练-测试划分。该数据集主要应用于口腔正畸学领域，为颧颌缝成熟度自动评估算法开发提供关键数据支撑，助力解决因缝线高频细微变化和阶段间语义模糊导致的诊断标准化难题。This is the world's first publicly available Cone Beam Computed Tomography (CBCT) imaging dataset specifically designed for zygomaticomaxillary suture assessment, jointly developed by Shenzhen University and the Affiliated Stomatological Hospital of Kunming Medical University. This dataset aims to address the clinical challenge of accurately staging the maturity of the zygomaticomaxillary suture during orthodontic treatment. It contains 3,790 professionally annotated images of the zygomaticomaxillary suture region, sourced from CBCT scans of approximately 3,000 patients aged 4 to 24 years between 2018 and 2024. Each sample was independently annotated in accordance with the five-stage maturity standard (A-E), with an inter-rater weighted Kappa coefficient of 0.865, demonstrating extremely high clinical consistency. The dataset was constructed following strict clinical protocols: four senior orthodontists manually cropped the regions of the zygomaticomaxillary suture and conducted unified annotations. After excluding confounding factors such as systemic diseases, the dataset was split into training and test subsets at an 8:2 ratio based on patient-level grouping. This dataset is primarily utilized in the field of orthodontics, providing critical data support for the development of automated zygomaticomaxillary suture maturity assessment algorithms, and facilitating the resolution of diagnostic standardization challenges caused by the high-frequency subtle changes of sutures and ambiguous semantic boundaries between adjacent stages.

原始信息汇总

数据集概述：SKMamba - 颧上颌缝评估数据集

数据集名称

• SKMamba（Structure-aware Knowledge-guided Heterogeneous Mamba）

任务目标

• 基于CBCT（锥形束CT）图像进行颧上颌缝成熟度分期的自动化评估。

所属会议/发表状态

• 论文已被 MICCAI 2026 接收。

数据集内容与结构

该数据集来源于Google Drive，文件包括：

1. ZMS_classification.zip：主数据集压缩包，解压后包含五个类别文件夹：
   • A/
   • B/
   • C/
   • D/
   • E/
2. descriptions.csv：文本描述文件。
3. zms_text_features.npy：预提取的文本特征文件（NumPy格式）。

数据集的目录存放要求

• ZMS_classification/ 解压后置于 SKMamba/data/ 下
• descriptions.csv 和 zms_text_features.npy 置于 SKMamba/features/ 下

最终项目结构示例：

SKMamba/ ├── data/ │ └── ZMS_classification/ │ ├── A/ │ ├── B/ │ ├── C/ │ ├── D/ │ └── E/ ├── features/ │ ├── descriptions.csv │ └── zms_text_features.npy

数据划分文件（splits/）

• 用户需自行准备划分文件（如 splits/ 目录下的文本文件），每行包含图像相对路径，例如：

A/0012 LL.bmp A/0012 LU.bmp A/0012 RL.bmp A/0012 RU.bmp

标注信息

• 图像按类别（A、B、C、D、E）组织文件夹，类别标签即缝成熟度分期。

数据集获取方式

• 通过Google Drive下载：数据集与文本特征下载链接

许可协议

• 本项目采用 MIT License 开源协议。

搜集汇总

数据集介绍

构建方式

该数据集基于2018年至2024年间于同一医疗中心接受锥形束计算机断层扫描（CBCT）检查的约3000名年龄介于4至24岁患者构建而成。数据收录在排除患有严重全身性疾病、颅面外伤或肿瘤病史、先天性颅面畸形、影响骨骼生长的内分泌疾病以及因严重伪影导致图像质量不足的病例后，由四位资深正畸医生依据标准化流程手动截取颧上颌缝（ZMS）区域。每位患者提取四个感兴趣区域（ROI），即左右侧及上下部，每个ROI尺寸统一调整为300×320像素。最终数据集共包含3790个经专业标注的ZMS ROI，并依据Angelieri等人提出的五阶段形态学标准（A至E期）进行分类，各阶段样本数量分别为590、812、764、800和824个。数据集按患者层级以8:2比例划分为训练集和测试集，在保证五个成熟阶段类别分布均衡的同时，确保同一患者的所有ROI分配至同一子集。

特点

该数据集具备鲜明且关键的特点。首先，它作为首个公开的ZMS成熟度评估专用数据集，覆盖了从4岁到24岁的完整发育年龄段，为研究颧上颌缝在生长发育过程中的形态演变提供了全面的数据基础。其次，数据集内部标注一致性高，观察者内加权Kappa值分别为0.842、0.881和0.857，观察者间加权Kappa值达到0.865，且阶段内一致性达100%，体现了严谨的临床标注质量。此外，由于ZMS结构高度交错且在二维投影上呈现精细且常不连续的边界，部分容积效应及周围小梁骨的干扰更增加了图像复杂度，而数据集的构建直面了这些技术挑战，为开发鲁棒的自动评估算法提供了具有临床意义的标准化测试平台。

使用方法

该数据集的典型使用方式基于论文提出的SKMamba框架，该框架遵循两阶段流水线。第一阶段为结构感知预训练，利用一个包含6822个ZMS ROI（含原训练集及额外无标注ROI）的大规模CBCT数据集，通过梯度引导的自监督学习任务训练隐式边缘提取器（IEE），以学习优化解剖结构先验。第二阶段为任务驱动的成熟度评估，将预训练后的IEE集成到骨干网络中以提供结构性先验，同时引入跨模态语义对齐（CSA）模块，利用大语言模型（如GPT-4o）生成基于形态特征的解剖描述，再通过冻结的CLIP文本编码器嵌入为文本语义向量，并通过门控融合机制对深度视觉特征进行调制，最后结合结构特征和语义特征以线性分类头完成ZMS成熟阶段预测。整体模型在单张NVIDIA TitanX GPU上以224×224输入分辨率、AdamW优化器及余弦退火学习率调度器进行约30个周期的训练，其中IEE微调时冻结骨干，CSA模块与分类头则采用较高学习率以促进收敛。

背景与挑战

背景概述

颧上颌缝（Zygomaticomaxillary Suture, ZMS）是连接颧骨与上颌骨的关键颅颌周围结构，在上颌前移过程中作为主要阻力部位，其成熟状态直接决定正畸治疗的时机与效果。然而，由于缝合线的高频细微过渡与相邻阶段间的全局语义模糊性，准确的ZMS成熟分期在临床中极具挑战。针对这一需求，深圳大学计算机与软件学院联合昆明医科大学附属口腔医院等机构的研究团队，于2026年构建了首个公开的ZMS数据集，涵盖4至24岁全年龄段共3,790张来自约3,000名患者的锥形束CT感兴趣区域图像。该数据集基于Angelieri等提出的五阶段形态学标准进行标注，观察者内加权kappa值高达0.842至0.881，观察者间加权kappa为0.865，且阶段内一致性达100%，为后续自动化评估研究奠定了坚实的数据基础。

当前挑战

ZMS成熟度评估面临的挑战主要集中在两个层面：其一，在领域问题上，缝合线形态表现为高度指状交织的三维结构，投影至二维诊断平面后呈现精细且常不连续的边界，加之周围骨小梁噪声与部分容积效应的干扰，使得相邻发育阶段间的视觉过渡模糊不清，传统深度学习方法难以同时捕捉微观高频细节与宏观渐进融合模式；其二，在数据集构建过程中，高质量标注数据极度稀缺，ZMS分期依赖于经验丰富的正畸医师在复杂结构背景下辨别细微形态转变，而相邻阶段的渐进连续性导致观察者间存在主观差异，进一步加剧了标注统一性的困难。此外，CNN中持续下采样会削弱高频结构细节，Transformer虽能建模全局上下文但计算开销巨大，如何实现高效且精准的自动分期成为核心挑战。

常用场景

经典使用场景

Zygomaticomaxillary Suture (ZMS) 数据集是颌面外科与正畸学领域首个公开的颧上颌缝成熟度分级专用影像数据集，涵盖4至24岁全年龄段共3,790张锥形束计算机断层扫描（CBCT）感兴趣区域（ROI）图像，并标注了A至E五个成熟阶段。该数据集的核心应用场景在于为深度学习模型提供精细的缝线形态学训练基准，尤其适合开发基于双路径解耦架构的自动化分期方法，如SKMamba框架，其通过隐式边缘提取器（IEE）与跨模态语义对齐（CSA）模块分离局部结构与全局语义特征，实现了对高频率缝线边界和阶段间模糊过渡的精准建模。

实际应用

在临床实际应用中，ZMS数据集直接支持正畸科与颌面外科的上颌骨牵引治疗时机决策。传统依赖资深医生人工判读CBCT影像的方式具有主观性强、耗时且标准化困难等局限，而基于该数据集训练的分级模型可自动输出从A（未成熟）到E（完全融合）的客观分期结果，显著降低观察者间变异（100%的阶段内一致性验证）。该技术可无缝嵌入数字化正畸工作流，在临床辅助诊断系统中作为第二意见工具，尤其有助于基层医院或经验不足的医生在骨骼性III类错颌畸形患者中判断最佳干预窗口，减少因延误或过早治疗导致的疗效不佳。

衍生相关工作

ZMS数据集催生了一系列前沿的医学影像分析工作，其中最典型的是SKMamba框架本身，其提出的隐式边缘提取器（IEE）采用梯度引导自监督预训练策略，无需手工标注即可从大量未标记CBCT图像中学习缝线相关纹理先验，这一思路可迁移至其他缝线或骨性结构的分级任务。此外，跨模态语义对齐（CSA）模块通过冻结的CLIP文本编码器融合GPT-4o生成的解剖描述，开创性地将大语言模型的领域知识以轻量级门控机制注入视觉特征，避免了传统多模态融合的高计算开销，该设计已启发后续利用LLM增强医学图像分类中语义一致性的多项研究（如牙齿发育分期、骨龄评估等）。