OralBBNet：基于边界框先验的空间引导全景牙片分割

牙齿分割与识别在多种牙科应用及诊断流程中具有至关重要的作用。深度学习模型的引入推动了高精度、自动化分割方法的发展。尽管已有研究探索了牙齿分割技术，但能够同时实现牙齿分割与检测的方法仍为数不多。本研究提出了 UFBA-425，一个基于 UFBA-UESC 数据集构建的牙科数据集，包含425张全景牙科X光片的边界框（bounding box）和多边形标注。此外，本文提出了一种名为 OralBBNet 的新型网络架构，其分别采用 U-Net 和 YOLOv8 作为分割头与检测头，具备独特的双任务设计。OralBBNet 通过融合 U-Net 在细节捕捉方面的优势与 YOLOv8 在目标检测中的高效性，显著提升了全景牙科X光片中牙齿分类与分割的准确率与鲁棒性。实验结果表明，相较于现有技术，本方法在牙齿检测任务上的平均精度均值（mAP）提升了1%–3%；在不同牙齿类别上的牙齿分割任务中，Dice 分数较 U-Net 提升了15%–20%，同时相较于其他分割架构，Dice 分数亦提高了2%–4%。本研究为将目标检测模型更广泛地应用于牙科诊断提供了坚实基础。