SSAD: Self-supervised Auxiliary Detection Framework for Panoramic X-ray based Dental Disease Diagnosis

全景 X 光是临床实践中诊断牙科疾病的一种简单而有效的工具。当开发深度学习模型来协助牙医解读全景 X 光时，大多数模型的性能都受到有限的标注数据的影响，这需要牙医的专业知识和大量的时间成本。虽然自监督学习（SSL）已被提出来解决这个挑战，但预训练和微调的两个阶段需要更多的训练时间和计算资源。在本文中，我们提出了一种自监督辅助检测（SSAD）框架，它是即插即用的，并且与任何检测器兼容。它由重建分支和检测分支组成。两个分支同时训练，共享相同的编码器，无需微调。重建分支学习恢复健康或疾病牙齿的牙齿纹理，而检测分支利用这些学习到的特征进行诊断。为了增强编码器捕捉细粒度特征的能力，我们结合了 SAM 的图像编码器构建了纹理一致性（TC）损失，该损失从重建分支的输入和输出中提取图像嵌入，然后将两个嵌入强制进入相同的特征空间。通过三个检测任务在公共 DENTEX 数据集上进行的大量实验表明，所提出的 SSAD 框架与主流目标检测方法和 SSL 方法相比具有最先进的性能。代码可在 https://github.com/Dylonsword/SSAD 上获得。

如何利用有限的标注数据，辅助牙医对全景X射线进行诊断？

提出了一种自监督辅助检测（SSAD）框架，它可以同时训练重建分支和检测分支，共享相同的编码器，无需微调。重建分支学习恢复健康或患病牙齿的牙齿纹理，而检测分支利用这些学习到的特征进行诊断。

使用了SAM的图像编码器构建纹理一致性损失，提高了编码器捕捉细粒度特征的能力。在公共数据集上进行了广泛实验，证明了该方法相对于主流目标检测方法和自监督学习方法的最新性能。开源代码可用。

最近的相关研究包括使用卷积神经网络进行牙齿检测和利用深度学习对牙齿进行分类的研究。