基于多任务上下文整合网络（MMC-YOLO）的全景影像系统在牙科疾病联合检测中的创新应用

针对现有牙科全景影像诊断系统在多重疾病联合检测、定量病理分期和小尺度病变识别中的局限性，研究人员提出多任务多尺度上下文引导的MMC-YOLO网络，整合目标检测与实例分割技术，开发了MPFAM、CGFM和ESFM模块，显著提升了牙周炎分期和多疾病联合检测的精度。该研究在DPMD数据集上验证了性能优势，为口腔疾病智能化诊断提供了新范式。

　　

论文解读
牙科全景影像系统是现代口腔诊疗的核心工具，但传统诊断方法依赖医生经验，存在主观性强、效率低、对早期病变敏感性不足等问题。尽管基于图像处理的计算机辅助诊断（IP-CAD）系统部分实现了自动化，但其手工设计特征泛化能力有限，难以应对口腔复杂解剖结构的变异。近年来，单任务深度学习模型虽在龋齿检测等特定任务中表现优异，却无法同时识别同一牙齿上共存的多种病变（如龋齿与牙周炎），也缺乏对牙周炎等疾病的定量分期能力。更棘手的是，小尺度病变在复杂背景中易被误判，导致漏诊风险。

为解决这些挑战，广东工业大学的研究团队在《Optics》发表论文，提出多任务多尺度上下文引导的MMC-YOLO框架。该研究通过整合目标检测与实例分割任务，结合自研的DPMD数据集（含2,467张标注全景片），开发了多疾病检测（MDD）和牙周炎综合分期（IPS）模块。关键技术包括：1）多尺度渐进特征聚合模块（MPFAM），通过层级卷积与选择性通道计算融合多尺度病变特征；2）坐标引导融合模块（CGFM），利用通道注意力与残差学习增强微小病变识别；3）边缘增强空间融合模块（ESFM），结合Sobel边缘检测与空间注意力优化解剖边界分割。

研究结果

1. 多任务架构设计：MMC-YOLO通过并行执行目标检测（定位龋齿、智齿等）和实例分割（牙槽骨、釉质界标记），实现了同一牙齿上多重病变的联合检测，并输出牙周炎分期的关键参数（如牙槽骨水平）。
2. 多尺度特征处理：MPFAM模块将小病变检测的敏感度提升12.7%，CGFM通过坐标注意力机制使背景混淆率降低9.3%。
3. 解剖边界优化：ESFM在牙槽骨分割任务中Dice系数达0.891，较基线模型提高6.2%，显著改善了釉质界（CEJ）定位精度。

结论与意义
该研究首次实现了全景影像中牙齿单元级别的多病种联合检测与定量分期，其创新模块设计有效解决了小病变识别和复杂背景分割的难题。临床验证表明，MMC-YOLO对龋齿、根尖周病变的检测F1-score分别达0.92和0.88，牙周炎分期准确率较单任务模型提升15.6%。这一框架为口腔疾病智能化诊疗提供了标准化工具，尤其适用于基层医疗场景下的高效筛查。未来可通过扩展病理类型标注进一步优化模型泛化能力。