MICCAI 2024挑战：全牙分割数据集的半监督实例级分割

Yaqi Wang; Zhi Li; Chengyu Wu; Jun Liu; Yifan Zhang; Jiaxue Ni; Qian Luo; Jialuo Chen; Hongyuan Zhang; Jin Liu; Can Han; Kaiwen Fu; Changkai Ji; Xinxu Cai; Jing Hao; Zhihao Zheng; Shi Xu; Junqiang Chen; Qianni Zhang; Dahong Qian; Shuai Wang; Huiyu Zhou

MICCAI 2024挑战：全牙分割数据集的半监督实例级分割

图像与视频处理 2025-12-01 v1 人工智能计算机视觉与模式识别

作者: Yaqi Wang , Zhi Li , Chengyu Wu , Jun Liu , Yifan Zhang , Jiaxue Ni , Qian Luo , Jialuo Chen , Hongyuan Zhang , Jin Liu , Can Han , Kaiwen Fu , Changkai Ji , Xinxu Cai , Jing Hao , Zhihao Zheng , Shi Xu , Junqiang Chen , Qianni Zhang , Dahong Qian , Shuai Wang , Huiyu Zhou

在 arXiv 上查看 ↗ PDF ↗

摘要

正位片(OPG)和锥形束CT(CBCT)是牙科诊断的关键工具，但创建用于自动牙齿分割的大型数据集受到手动实例级标注工作量高的限制。本研究旨在将半监督学习(SSL)作为解决数据稀缺问题的基准方法。我们在MICCAI 2024组织了第二届半监督牙齿分割(STS 2024)挑战赛。我们提供了一个大规模数据集，包含超过90,000个2D图像和3D轴向切片，包括2,380个OPG图像和330个CBCT扫描，所有数据均包含详细的实例级FDI标注。挑战赛吸引了114支(OPG)和106支(CBCT)注册团队。为确保算法卓越性和完全透明度，我们严格评估了来自前10名(OPG)和前5名(CBCT)团队的有效开源提交。所有成功的提交均为深度学习基于SSL的方法。获胜的半监督模型相对于仅在标注数据上训练的全监督nnU-Net基线实现了显著的性能提升。对于2D OPG赛道，顶级方法将实例亲和力(IA)分数提高了44个百分点以上。对于3D CBCT赛道，获胜方法将实例Dice分数提高了61个百分点。本挑战确认了在标注数据稀缺的复杂实例级医学图像分割任务中，SSL的显著效益。最有效的方法始终利用结合了像SAM等基础模型的知识与多阶段粗到细细化管线的混合半监督框架。该挑战数据集和参赛者提交的代码已公开于GitHub(https://github.com/ricoleehduu/STS-Challenge-2024)，确保了透明度和可重复性。

关键词

半监督学习牙齿分割实例级标注 MICCAI挑战 OPG与CBCT

引用

@article{arxiv.2511.22911,
  title  = {MICCAI STS 2024 Challenge: Semi-Supervised Instance-Level Tooth Segmentation in Panoramic X-ray and CBCT Images},
  author = {Yaqi Wang and Zhi Li and Chengyu Wu and Jun Liu and Yifan Zhang and Jiaxue Ni and Qian Luo and Jialuo Chen and Hongyuan Zhang and Jin Liu and Can Han and Kaiwen Fu and Changkai Ji and Xinxu Cai and Jing Hao and Zhihao Zheng and Shi Xu and Junqiang Chen and Qianni Zhang and Dahong Qian and Shuai Wang and Huiyu Zhou},
  journal= {arXiv preprint arXiv:2511.22911},
  year   = {2025}
}

MICCAI 2024挑战：全牙分割数据集的半监督实例级分割

摘要

关键词

引用

相关论文