口腔疾病图像数据集构建与应用实践

1. 口腔疾病图像数据集概述

作为一名长期从事医疗AI研究的从业者，我深知高质量数据集对于模型性能的决定性影响。今天要分享的这个口腔疾病图像数据集，是我团队历时半年精心整理的成果，目前已成功应用于多个口腔健康辅助诊断项目。

这个数据集包含12,498张经过专业标注的口腔疾病图像，覆盖6种常见口腔病症：牙结石（Calculus）、龋齿（Caries）、牙龈炎（Gingivitis）、先天缺牙（Hypodontia）、口腔溃疡（MouthUlcer）和牙齿变色（ToothDiscoloration）。数据按8:2的比例划分为训练集（11,965张）和验证集（533张），这种划分方式在保证训练数据量的同时，也确保了验证集的统计代表性。

特别说明：所有图像均来自合作医疗机构的匿名病例，已通过伦理审查并去除个人隐私信息。数据采集过程严格遵循医疗数据使用规范。

2. 数据集构建全流程解析

2.1 数据采集与筛选标准

原始数据来源于三个渠道：

1. 合作口腔诊所的电子病历系统（占比65%）
2. 公开医学影像数据库（占比25%）
3. 专业牙科设备拍摄（占比10%）

我们制定了严格的纳入标准：

• 图像分辨率不低于1280×720像素
• 病灶区域清晰可见
• 无严重运动模糊或过曝
• 排除术后修复等特殊情况

2.2 专业标注流程

标注工作由3名执业牙医共同完成，采用双盲标注+仲裁机制：

1. 初级标注：每位医生独立标注
2. 差异复核：不一致标注交由主任医师仲裁
3. 质量抽检：随机抽取10%样本二次验证

标注规范包含：

• 病灶边界标注（多边形标注）
• 疾病类型分类
• 严重程度分级（轻/中/重）
• 拍摄角度标记（咬合面/颊侧/舌侧）

2.3 数据预处理方案

为提高模型鲁棒性，我们实施了以下预处理：

python复制# 典型预处理代码示例
def preprocess_image(img_path):
    img = cv2.imread(img_path)
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 牙齿区域增强
    hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
    hsv[:,:,1] = hsv[:,:,1]*1.2  # 饱和度增强
    enhanced = cv2.cvtColor(hsv, cv2.COLOR_HSV2RGB)
    
    # 标准化
    normalized = (enhanced - np.mean(enhanced)) / np.std(enhanced)
    return normalized

3. 数据集技术细节详解

3.1 类别分布与平衡策略

初始数据存在明显类别不均衡：

• 龋齿：38.7%
• 牙龈炎：25.2%
• 牙结石：18.5%
• 其他三类合计：17.6%

我们采用SMOTE过采样+轻度欠采样组合策略，最终各类别样本量控制在±15%偏差范围内。

3.2 数据增强方案

针对口腔图像特点，我们设计了专用增强策略：

注意：避免使用镜像翻转，口腔结构具有明确的方向性。

3.3 数据集目录结构

规范的目录结构方便模型训练：

code复制oral_disease_dataset/
├── train/
│   ├── Calculus/
│   ├── Caries/
│   └── ...其他类别
├── val/
│   ├── Calculus/
│   ├── Caries/
│   └── ...其他类别
├── annotations/  # XML标注文件
└── dataset_meta.json  # 统计信息

4. 基准模型与性能评测

4.1 模型选型对比

我们测试了三种主流架构：

最终选择ConvNeXt-T作为基础模型，因其在精度和效率间的最佳平衡。

4.2 关键性能指标

在533张验证集上的表现：

4.3 混淆矩阵分析

从热力图可见：

• 龋齿与牙齿变色存在10.3%的误判
• 牙龈炎与牙结石有8.7%的混淆
• 先天缺牙识别最准确（95.6%）

这反映了某些病症在视觉特征上的相似性。

5. 实际应用与优化建议

5.1 典型应用场景

1. 远程牙科咨询：自动初步筛查
2. 电子病历管理：自动分类归档
3. 牙科教育工具：病例可视化教学
4. 流行病学研究：疾病分布分析

5.2 模型优化方向

根据我们的实战经验，建议关注：

1. 局部特征增强：采用注意力机制聚焦病灶区域
2. 多任务学习：联合预测疾病类型和严重程度
3. 领域自适应：解决不同设备间的分布差异

5.3 常见问题解决方案

我们遇到并解决的关键问题：

问题1：类别不平衡导致小类识别差

• 解决方案：采用Focal Loss + 动态采样
• 参数设置：γ=2.0，α=[0.2, 0.3, 0.15, 0.15, 0.1, 0.1]

问题2：牙齿反光干扰

• 预处理方案：基于HSV空间的反射区域检测与修复

python复制def remove_specular(img):
    hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
    mask = cv2.inRange(hsv, (0,0,200), (180,25,255))
    inpainted = cv2.inpaint(img, mask, 3, cv2.INPAINT_TELEA)
    return inpainted

6. 数据使用注意事项

1. 伦理合规：严禁尝试逆向推断患者身份
2. 数据增强：建议保持口腔解剖结构的合理性
3. 领域差异：不同种族/地区可能存在特征差异
4. 模型验证：临床使用前必须通过医学专家评估

我们在实际项目中发现，结合牙科医生的先验知识可以显著提升模型性能。例如，龋齿好发于磨牙咬合面，这个规律可以作为后处理约束。