⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-08-22 更新
Tooth-Diffusion: Guided 3D CBCT Synthesis with Fine-Grained Tooth Conditioning
Authors:Said Djafar Said, Torkan Gholamalizadeh, Mostafa Mehdipour Ghazi
Despite the growing importance of dental CBCT scans for diagnosis and treatment planning, generating anatomically realistic scans with fine-grained control remains a challenge in medical image synthesis. In this work, we propose a novel conditional diffusion framework for 3D dental volume generation, guided by tooth-level binary attributes that allow precise control over tooth presence and configuration. Our approach integrates wavelet-based denoising diffusion, FiLM conditioning, and masked loss functions to focus learning on relevant anatomical structures. We evaluate the model across diverse tasks, such as tooth addition, removal, and full dentition synthesis, using both paired and distributional similarity metrics. Results show strong fidelity and generalization with low FID scores, robust inpainting performance, and SSIM values above 0.91 even on unseen scans. By enabling realistic, localized modification of dentition without rescanning, this work opens opportunities for surgical planning, patient communication, and targeted data augmentation in dental AI workflows. The codes are available at: https://github.com/djafar1/tooth-diffusion.
尽管牙科CBC扫描在诊断和治疗计划中的重要性日益增加，但生成具有精细控制的解剖逼真扫描在医学图像合成中仍然是一个挑战。在这项工作中，我们提出了一种用于三维牙齿体积生成的新型条件扩散框架，该框架由牙齿级别的二进制属性引导，可以精确控制牙齿的存在和配置。我们的方法结合了基于小波的去噪扩散、FiLM条件设定和掩模损失函数，使学习集中于相关的解剖结构。我们在多种任务上评估了该模型，例如牙齿添加、移除和全牙列合成，采用配对和分布相似性度量。结果表明，模型具有强大的保真度和泛化能力，具有较低的FID得分、稳健的补全性能，即使在未见过的扫描中，SSIM值也高于0.91。通过实现无需重新扫描即可进行逼真的局部牙齿修复，这项工作为牙科手术计划、患者沟通和牙科人工智能工作流程中的针对性数据增强提供了机会。代码可在：https://github.com/djafar1/tooth-diffusion获取。
论文及项目相关链接
PDF MICCAI 2025 Workshop on Oral and Dental Image Analysis (ODIN)
Summary
本文提出一种新型的基于条件扩散框架的三维牙齿体积生成方法，通过牙齿级别的二进制属性指导生成过程，实现对牙齿存在与否及配置的精细控制。该研究集成了基于小波的去噪扩散、FiLM条件调整和掩码损失函数，使学习专注于相关解剖结构。评估模型在牙齿添加、移除和全口牙齿合成等任务上的表现，使用配对和分布相似性度量指标，显示模型具有强大的保真度和泛化能力，即使在对未见过的扫描上也能实现高SSIM值。此研究允许在不重新扫描的情况下进行逼真的局部牙齿修复，为牙科手术的计划、患者沟通和牙科AI工作流程中的针对性数据增强提供了机会。
Key Takeaways
- 提出的条件扩散框架可用于生成三维牙齿体积，实现牙齿存在与配置的精细控制。
- 结合小波去噪扩散、FiLM条件调整和掩码损失函数，使学习专注于解剖结构。
- 模型在多种任务（如牙齿添加、移除和全口牙齿合成）上的表现优异。
- 模型具有强大的保真度和泛化能力，使用配对和分布相似性度量指标进行评估。
- SSIM值高于0.91，即使在未见过的扫描上也能保持稳健的填充性能。
- 该研究允许在不重新扫描的情况下进行局部牙齿修复，提高了效率和便利性。
点此查看论文截图
