首页/论文/2001.05006

arXiv 2001.050062020-01-14cs.CV

A smile I could recognise in a thousand: Automatic identification of identity from dental radiography

Sorbonne Universités UPMC Paris 06（索邦大学巴黎第六大学（皮埃尔和玛丽·居里大学））；CNRS（法国国家科学研究中心）

Oscar de Felice, Gustavo de Felice

备注：: 10 pages, 12 figures

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

英文摘要相关论文

英文摘要：

In this paper, we present a method to automatically compare multiple radiographs in order to find the identity of a patient out of the dental features. The method is based on the matching of image features, previously extracted by computer vision algorithms for image descriptor recognition. The principal application (being also our motivation to study the problem) of such a method would be in victim identification in mass disasters.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

使用YOLOv26分析牙科全景放射图像：从牙齿检测到疾病诊断

Dental Panoramic Radiograph Analysis Using YOLO26 From Tooth Detection to Disease Diagnosis

Department of Software Engineering, Lahore Garrison University, DHA Phase 6, Lahore, Pakistan（软件工程系，拉合尔 Garrison 大学，DHA 第6阶段，拉合尔，巴基斯坦）

本文提出利用YOLOv26实现牙科全景放射图像的自动化牙齿检测、FDI编号和疾病分割，通过DENTEX数据集预处理和五种YOLOv26-seg变体训练，验证了模型在牙齿检测和疾病分割中的高效性和准确性。

2026-09-09cs.CV

使用改进的深度学习神经网络进行法医牙龄估计

Forensic Dental Age Estimation Using Modified Deep Learning Neural Network

Dicle University（迪杰大学）；Siirt University（锡尔特大学）

本研究基于1,332张牙科全景X线图像，通过改进InceptionV3并减少模型参数，提出了一种自动化法医牙龄估计方法，实现了MAE 3.13、RMSE 4.77和R² 87%的性能。

2022-08-21cs.CVeess.IV

用于牙科X光片分割的扩散模型预训练

Pre-Training with Diffusion models for Dental Radiography segmentation

Allisone Technologies（阿利松科技公司）

本文提出一种利用去噪扩散概率模型（DDPM）预训练Unet并在下游进行微调的牙科X光片分割方法，无需架构修改即实现了高标签效率与极具竞争力的性能。

2023-07-27cs.CVcs.LG

PanDent：面向牙科放射学中全面的牙级结构-语言一致性

PanDent: Toward Comprehensive Tooth-Level Structure-Language Consistency in Dental Radiology

Faculty of Dentistry, The University of Hong Kong（香港大学牙医学院）；Imperial College London（帝国理工学院）；University of Science and Technology of China（中国科学技术大学）；Department of Data and Systems Engineering, The University of Hong Kong（香港大学数据与系统工程系）；Department of Electronic Engineering, The Chinese University of Hong Kong（香港中文大学电子工程系）

本研究推出PanDent牙科OPG基准，经实验发现现有MLLM生成的牙科报告流畅但临床一致性差，在PanDent上微调可提升其结构-语言一致性，该基准可用于评估MLLM的牙级临床推理能力。

2026-07-31cs.CVcs.MM

Human Gender Prediction Based on Deep Transfer Learning from Panoramic Radiograph Images

Dicle University（迪杰莱大学）

Panoramic Dental Radiography (PDR) image processing is one of the most extensively used manual methods for gender determination in forensic medicine. With the assistance of the PDR images, a person's biological gender determination can be performed through analyzing skeletal structures expressing sexual dimorphism. Manual approaches require a wide range of mandibular parameter measurements in metric units. Besides being time-consuming, these methods also necessitate the employment of experienced professionals. In this context, deep learning models are widely utilized in the auto-analysis of ra…

2022-08-06cs.CVeess.IV

探索卷积神经网络（CNN）在牙科放射影像分割中的作用：一项全面的系统性文献综述

Exploring the Role of Convolutional Neural Networks (CNN) in Dental Radiography Segmentation: A Comprehensive Systematic Literature Review

Research Groups in Intelligent Machines (REGIM Lab), University of Sfax, National Engineering School of Sfax (ENIS)（智能机器研究组（REGIM实验室），斯法克斯大学，斯法克斯国家工程学院）

本文通过系统性文献综述，梳理了卷积神经网络在牙科放射影像分割中的应用现状、方法流程与性能表现，旨在规范研究讨论并为未来研究建立基线。

2024-01-17cs.CVcs.LG

更多相关论文收起更多论文

基于神经隐式函数的全景X线片三维牙齿重建

3D Teeth Reconstruction from Panoramic Radiographs using Neural Implicit Functions

Korea University（高丽大学）；Korea University Anam Hospital（高丽大学安岩医院）

本文提出Occudent框架，首次利用神经隐式函数从真实全景X线片实现三维牙齿重建，通过多标签分割、形状与类别嵌入及条件激励模块，在定量和定性评估中优于现有方法。

2023-11-28cs.CVcs.LG

PanoDiff-SR：结合扩散模型与超分辨率技术合成牙科全景X光片

PanoDiff-SR: Synthesizing Dental Panoramic Radiographs using Diffusion and Super-resolution

Department of Dentistry（牙科系）；Oral Health, Aarhus University（口腔健康，奥胡斯大学）；Aarhus Institute of Advanced Studies, Aarhus University（奥胡斯大学高级研究 institute）；Department of Mathematics, Aarhus University（数学系，奥胡斯大学）；Faculty of Information Technology（信息科技学院）；Communication Sciences, Tampere University（传播科学学院，塔尔库大学）

本文提出PanoDiff-SR框架，结合扩散模型生成低分辨率种子图像与Transformer超分辨率模型，合成高分辨率牙科全景X光片，有效缓解数据集稀缺问题并达到逼真生成效果。

2026-10-16cs.AIcs.CVcs.LG

NeBLa：用于全景X射线口腔结构三维重建的神经比尔-朗伯方法

NeBLa: Neural Beer-Lambert for 3D Reconstruction of Oral Structures from Panoramic Radiographs

Korea University（高丽大学）；Korea University Anam Hospital（高丽大学安岩医院）

NeBLa提出基于比尔-朗伯定律和光线追踪的神经模型，从单张全景X射线重建三维口腔结构，无需先验信息或匹配数据集，性能优于现有方法。

2024-02-07cs.CVcs.LGeess.IV

基于深度学习的牙科X光片语义分割：PSPNet、DeepLabv3、UNet与UNet++的对比评估

Deep Learning-based Semantic Segmentation of Dental Radiographs: Comparative Evaluation of PSPNet, DeepLabv3, UNet, and UNet++

Sri Lanka Institute of Information Technology（斯里兰卡信息技术学院）；University of Helsinki（赫尔辛基大学）；University of Peradeniya（佩拉德尼亚大学）

本研究对比PSPNet、DeepLabv3、UNet、UNet++四种模型，用1269张牙科X光片在受控实验下开展语义分割，发现UNet++在300×300图像尺寸、16批次大小下表现最优，为相关应用提供了参考。

2026-10-16cs.AIcs.CV

Accuracy of MAP segmentation with hidden Potts and Markov mesh prior models via Path Constrained Viterbi Training, Iterated Conditional Modes and Graph Cut based algorithms

UTN- Universidad Tecnológica Nacional（阿根廷国家科技大学）；Famaf- Facultad de Matemática Astronomía y Física, Universidad Nacional de Córdoba（科尔多瓦国立大学数学天文物理学院）；Facultad de Ingeniería, FCEFyN, Universidad Nacional de Córdoba（科尔多瓦国立大学工程学院与自然科学与精确科学学院）；Universidad Nacional del Sur（南方国立大学）

In this paper, we study statistical classification accuracy of two different Markov field environments for pixelwise image segmentation, considering the labels of the image as hidden states and solving the estimation of such labels as a solution of the MAP equation. The emission distribution is assumed the same in all models, and the difference lays in the Markovian prior hypothesis made over the labeling random field. The a priori labeling knowledge will be modeled with a) a second order anisotropic Markov Mesh and b) a classical isotropic Potts model. Under such models, we will consider thre…

2013-07-11cs.CVcs.LGstat.ML