3D Dental Models Dataset

该数据集由格拉纳达大学计算机科学与人工智能系的研究团队构建，包含1214个经过标注的3D牙齿模型，旨在解决正畸治疗中的关键问题。数据集涵盖了多种牙齿排列类型，包括缺失牙齿和第三磨牙的情况，每个模型包含80个关键点标注，用于后续的治疗规划和诊断任务。数据集的构建过程包括从原始扫描数据中提取3D模型，并进行预处理以降低计算成本。该数据集的应用领域主要集中在计算机辅助正畸治疗，旨在提高3D口腔内扫描分析的精度，并促进高效的治疗规划。

This dataset was constructed by a research team from the Department of Computer Science and Artificial Intelligence at the University of Granada, containing 1214 annotated 3D dental models, and is aimed at addressing critical challenges in orthodontic treatment. The dataset covers a wide range of dental alignment patterns, including cases with missing teeth and third molars. Each model is equipped with 80 key point annotations for subsequent treatment planning and diagnostic tasks. The dataset construction process involves extracting 3D models from raw scan data and conducting preprocessing to reduce computational overhead. The primary application scenarios of this dataset focus on computer-aided orthodontic treatment, aiming to improve the accuracy of 3D intraoral scan analysis and facilitate efficient treatment planning.

搜集汇总

数据集介绍

构建方式

3D Dental Models Dataset的构建旨在为正畸治疗中的三维牙模解剖学标志点识别提供支持。该数据集的构建过程中，首先从后处理后的原始扫描中获取了1,214个数字3D牙模，并对每个模型进行了详细的参考标志点标注。这些模型被分为不同的牙列类型，以便在不同难度级别上评估自动三维标志点检测系统。此外，数据集中的牙模还进行了降采样处理，以降低内存和计算成本，同时确保点云模型能够学习到所需的映射。为了处理缺失的牙齿，引入了一个额外的点，称为“空点”，作为缺失牙齿标志点的占位符。

使用方法

3D Dental Models Dataset的使用方法包括将数据集分为训练集、验证集和测试集，以便进行模型训练、验证和性能评估。数据集中的每个牙模都包含了详细的参考标志点标注，这些标注被用于生成高斯距离场，以训练模型进行标志点检测。此外，数据集中的牙模还进行了降采样处理，以降低内存和计算成本，同时确保点云模型能够学习到所需的映射。在模型训练过程中，使用了均方误差损失和二元交叉熵损失来优化模型在标志点定位和牙齿存在/不存在分类任务上的性能。

背景与挑战

背景概述

3D Dental Models Dataset 是一个专门为正畸治疗而构建的3D牙科模型数据集，它由Nemotec Madrid和Granada大学计算机科学与人工智能系的José Rodríguez-Ortega等人创建。该数据集的创建旨在解决在3D牙科模型中自动识别解剖学标志点的难题，这一过程对于正畸治疗计划至关重要，但手动放置这些关键点既复杂又耗时，且需要专业知识。CHaRNet（条件热图回归网络）的提出，是首个端到端的深度学习方法，用于3D口腔扫描中的牙齿标志点检测。该网络直接在输入点云上检测标志点，无需先进行牙齿分割，从而显著减少了计算延迟。此外，CHaRNet还包含一个创新的条件热图回归（CHaR）模块，该模块利用牙齿存在分类来细化标志点回归，使其能够动态适应缺失牙齿的情况，并在复杂牙科模型中提高准确性。该数据集包括1,214个注释的3D牙科模型，这些模型具有不同的复杂性、详细的参考标志点和牙列类型的分类，旨在为评估不同复杂程度的模型提供基准。该数据集和代码的公开发布旨在解决正畸领域缺乏公开数据集的问题，促进基准测试，并激发新的研究。

当前挑战

3D Dental Models Dataset 面临的主要挑战包括：1) 在3D牙科模型中自动检测标志点的复杂性，尤其是在存在缺失牙齿和不规则几何形状的情况下；2) 构建过程中遇到的挑战，如缺乏公开数据集，这限制了研究方法之间的公平比较，并限制了该领域对研究人员的开放性；3) 在实际临床应用中，如何处理牙科模型中的不完整几何形状和细微的解剖学变化，如缺失牙齿或第三磨牙的存在。

常用场景

经典使用场景

在正畸治疗中，3D牙模上解剖标志点的识别对于治疗计划的制定至关重要。手动放置这些关键点既复杂又耗时，且需要专业知识。现有的机器学习方法在3D口内扫描（IOS）中自动检测牙齿标志点方面仍存在局限性，缺乏完全端到端的方法来避免牙齿分割。CHaRNet（条件热图回归网络）作为第一个端到端的深度学习方法，用于3D IOS中的牙齿标志点检测，无需先前的牙齿分割，大大减少了整体计算的延迟。

解决学术问题

3D Dental Models Dataset通过提供1,214个注释的3D数字牙齿模型，填补了正畸领域公开数据集的空白。该数据集包括各种复杂性，详细的参考标志点和牙齿类型的分类，以评估模型在不同复杂程度下的表现。CHaRNet模型通过直接在输入点云上检测标志点，避免了牙齿分割的步骤，显著减少了计算时间，提高了正畸工作流程的效率。此外，该数据集的公开也为正畸领域的研究提供了便利，促进了基准测试，并激发了新的研究方向。

实际应用

3D Dental Models Dataset的实际应用场景包括正畸治疗计划、假体设计和牙齿异常的诊断。该数据集的公开促进了计算机辅助正畸学的发展，使得研究人员可以更有效地训练和评估点云学习方法。CHaRNet模型的提出，为正畸治疗提供了更精确的3D IOS分析，并促进了高效的计算机辅助治疗计划。

数据集最近研究

最新研究方向

3D Dental Models Dataset在口腔正畸治疗中具有重要作用。CHaRNet（Conditioned Heatmap Regression Network）是一种端到端深度学习方法，用于在3D口腔扫描中检测牙齿地标。与传统的两阶段方法不同，CHaRNet直接在输入点云上检测地标，无需先进行牙齿分割。CHaRNet包括四个关键模块：点云编码器、具有热图回归头的点云解码器、牙齿存在分类头和创新的Conditioned Heatmap Regression (CHaR)模块。CHaR模块通过利用牙齿存在分类，通过牙齿存在分类来细化地标回归，从而动态适应缺失牙齿的情况，并在复杂的牙齿模型中提高准确性。我们在五个点云学习算法上评估CHaRNet，以验证CHaR模块的有效性，并在1,214个注释3D牙齿模型的临床数据集上对其进行测试。数据集和代码将公开发布，以解决正畸学中缺乏公开数据集的问题，促进基准测试，并激发新的研究。CHaRNet实现了1.28 mm的Mean Euclidean Distance Error (MEDE)和82.40%的Mean Success Ratio (MSR)，表现出稳健的性能。值得注意的是，它在处理不规则的牙齿几何形状方面表现出色，例如缺失牙齿的模型。这种端到端的方法简化了正畸工作流程，提高了3D口腔扫描分析精度，并促进了高效的临床辅助治疗计划。

相关研究论文

• CHaRNet: Conditioned Heatmap Regression for Robust Dental Landmark Localization

  格拉纳达大学计算机科学与人工智能系 · 2025年