基于锥形束CT与多尺度小波注意力网络的龋齿检测方法研究及其在早期诊断中的应用价值

　　本文创新性地提出融合多尺度小波注意力模块（MWAM）的MWA-YOLO模型，通过锥形束计算机断层扫描（CBCT）三维影像实现龋齿的智能检测。该方法采用CSPFusionBlock（CSPFB）轻量化结构和DDC-Loss损失函数，有效提升小病灶检测精度（mAP50达97.8%），为临床早期龋齿诊断提供重要技术支撑。

　　

Highlight

本研究通过多尺度小波注意力模块（MWAM）有效融合CBCT影像的多频带子特征信息，显著提升模型对龋损特征的表征能力。创新的CSPFusionBlock（CSPFB）结构通过组卷积与通道混洗机制实现计算复杂度优化，而DDC-Loss函数则针对性解决小目标检测与类别不平衡问题。

传统目标检测

随着深度学习发展，基于卷积神经网络（CNN）的目标检测方法主要分为两阶段检测器（如R-CNN系列）和单阶段检测器（如YOLO系列）。两阶段检测器虽精度优异，但多级处理流程导致推理速度较慢；单阶段检测器则直接在特征图上预测目标边界框和类别，更适用于实时检测场景。

MWA-YOLO概述

MWA-YOLO整体结构包含Backbone和Head两部分（图2）。Backbone采用CSPDarknet53结合MWAM模块进行特征提取，经SPPF模块优化后传递至Head组件。Head通过特征金字塔网络（FPN）实现多尺度特征融合，最终输出检测结果。

实验设置

CBCT系统通过支架、旋转平台和X射线发射源构建三维头部影像。在同步旋转过程中传感器接收连续单图像数据，经计算机重建为三维数据。实验采用定制化多视角CBCT牙科数据集，所有图像均由专业牙医标注龋损区域。

结论

MWA-YOLO在CBCT三维影像龋齿检测中实现了检测性能、计算效率和模型复杂度的良好平衡，特别在浅层龋齿检测方面表现突出，可为牙医提供辅助决策支持，提升早期龋齿诊断效率。需要强调的是...（后续内容按指令截止）