DenPAR数据集：面向牙周病AI诊断的标注口腔根尖片开放资源

【编辑推荐】为解决牙周病诊断中缺乏高质量标注影像数据的问题，研究人员开展了“DenPAR：面向机器学习的口腔根尖片标注数据集”研究，发布了包含1000张标注根尖片的数据集，提供牙齿分割、牙骨质釉质交界点(CEJ)、根尖点及牙槽嵴骨线等多维度标注。该资源显著提升了AI模型在牙周骨丢失检测等任务的精度，为口腔影像智能分析奠定数据基础。

在全球口腔健康形势日益严峻的背景下，牙周病作为影响全球35亿人的常见疾病，其早期诊断面临重大挑战。根据世界卫生组织报告，口腔疾病患者总数已超过心血管疾病、糖尿病等五大非传染性疾病的总和。传统的牙科影像检查中，口腔根尖片（Intra-Oral Periapical Radiographs, IOPA）因其高分辨率、低成本等优势成为诊断牙周健康的关键工具，尤其适用于深牙周袋（>5mm）导致的骨吸收评估。然而，当前公开牙科影像数据集多集中于全景片且仅包含牙齿分割标注，缺乏针对根尖片的多维度解剖标记，严重制约了人工智能技术在牙周病精准诊断中的发展。

为解决这一瓶颈，来自斯里兰卡佩拉德尼亚大学牙科学院、工程学院及挪威Simula数字工程中心的研究团队在《Scientific Data》发表了题为“DenPAR: Annotated Intra-Oral Periapical Radiographs Dataset for Machine Learning”的论文，发布了目前规模最大的标注口腔根尖片数据集DenPAR。该数据集包含1000张经专业医师标注的IOPA影像，覆盖9-81岁患者的上颌与下颌区域，不仅提供牙齿分割掩模，还创新性地标注了牙骨质釉质交界点（Cemento-Enamel Junction, CEJ）、根尖点（apex points）及牙槽嵴骨水平线（alveolar crestal bone levels）等关键解剖标志，为开发牙周骨丢失自动检测算法提供了多任务学习基础。

研究团队采用标准化数据采集与标注流程，所有影像均来自佩拉德尼亚牙科医院2020-2023年间的临床常规检查，经伦理审查委员会批准后对患者信息进行双阶段脱敏处理。标注工作由两位修复医学专业专家使用LabelBox平台完成，每位专家的标注结果均经过口腔外科与牙周病学专家的盲法复核，确保标注一致性。数据集按65%:15%:20%比例划分为训练集、验证集与测试集，在划分时充分考虑牙齿数量、牙根类型（单根/多根）、CEJ点数量等六项关键属性的均衡分布，以保证模型评估的公平性。

关键技术方法包括：1）基于LabelBox的多维度标注体系（牙齿分割、CEJ/根尖点关键点检测、牙槽嵴骨线标注）；2）采用YOLOv8 pose模型进行牙齿边界框与关键点联合检测；3）利用U-Net及ResNet-34编码器实现牙齿语义分割；4）应用Mask R-CNN与YOLOv5进行牙齿实例分割；5）通过UNet++与MultiResUNet实现牙槽嵴骨线分割。所有实验均严格遵循数据集官方划分，评估指标涵盖AP₅₀（平均精度阈值50%）、Dice系数、IoU（交并比）等标准。

数据记录与结构

数据集采用分层目录结构，包含影像文件（JPG格式）、放射线级别牙齿掩模（PNG格式）、单颗牙齿掩模、骨水平标注（JSON格式）及关键点标注（JSON格式）五类数据。关键点标注文件采用COCO（Common Objects in Context）格式，包含以[x_min, y_min, x_max, y_max]表示的牙齿边界框坐标，满足关键点检测模型的输入要求。影像分辨率分布在549×717至1542×1537像素之间，平均分辨率约1060×950像素。

技术验证结果

关键点检测实验中，YOLOv8 pose模型对CEJ点检测的AP₅₀达0.355（测试集），牙齿检测AP₅₀达0.991；根尖点检测AP₅₀为0.308，显示模型在复杂解剖结构定位中的潜力。语义分割任务中，U-Net+ResNet-34组合获得最佳性能（测试集Dice系数0.9309，IoU 0.8744），显著优于基础U-Net模型（IoU 0.8405）。实例分割方面，YOLOv5在掩模检测AP₅₀达到0.981，优于Mask R-CNN（0.894）。骨水平检测任务由于标注形态复杂性，UNet++模型的Dice系数为0.089，提示该任务仍需算法优化。

可视化结果对比显示，预测关键点（蓝色）与真实标注（红色）在牙冠及根尖区域高度重合，但在重叠牙根等复杂场景存在偏差。牙齿分割结果中，U-Net+ResNet-34预测掩模边缘更贴合真实牙齿形态，而基础U-Net在牙间隙处存在过分割现象。骨水平检测输出（红色线）与真实标注（绿色线）的趋势一致性较高，但像素级精度仍需提升。

研究结论表明，DenPAR数据集通过提供多维度标注的根尖片，有效解决了牙周病AI诊断中的数据短缺问题。其均衡的数据分布与严格的质量控制为开发临床决策支持系统（如牙槽骨丢失自动检测）提供了可靠基础。数据集已通过Zenodo平台开放获取（CC BY 4.0许可），相关代码已在GitHub开源。该资源不仅可应用于牙齿分割、关键点检测等计算机视觉任务，还可与其它公共数据集联合推动跨人群牙周病模式研究，最终助力实现精准牙科诊断。