Dental OPG XRAY Dataset (dental-opg-xray) — 达卡三诊所 232 张全景牙片六类病理检测基准 — AI-Ready Wikipedia

INFOBOX — Dental OPG XRAY Dataset 一屏速览

维度	内容
本质	六类牙科病理的全景片（OPG）目标检测+分类数据集（真实诊所来源，非竞赛）
团队	American International University-Bangladesh（AIUB），通讯 M. F. Mridha；6 作者同机构
论文	Data in Brief. 2024 Dec;57:110970（doi:10.1016/j.dib.2024.110970；PMID 39398472；PMC11470401）
数据	232 张原始 OPG（Samsung A52 手机 64MP 翻拍，16:9，中位 1176×603 px，JPG）
六类	Healthy 223 / Caries 119 / Impacted 87 / BDC-BDR 52 / Infection 23 / Fractured 13
采集地	达卡三诊所：Prescription Point Ltd. / LabAid / Ibn Sina Diagnostic and Imaging Center
标注	CVAT 边界框，16 年经验牙医初标 + 32 年经验牙医复核；YOLO 导出
增强	CLAHE 对比增强 + Roboflow 增广（640×640，翻转/旋转/剪切/曝光/mosaic），604 增强图
组织	目标检测集（232 原始+604 增强，80:10:10）+ 六类分类集
基线	预训练 YOLOv7：Precision 96.03 / Recall 86.53 / mAP50 93.54
获取	Mendeley Data V4 公开直链（197 MB zip）｜IEEE DataPort 收录｜多份 Kaggle 镜像
许可	双口径：论文 CC BY-NC｜数据本体 Mendeley CC BY 4.0

一句话结论：牙科全景片领域一个"拿来就能跑、跑完要谨慎外推"的高质量小型基准——真实诊所来源、双牙医标注、完整预处理链、可复现基线俱全，代价是规模小、单地区、手机翻拍、许可双口径。

§0 导读：这个数据集解决什么问题

0.1 一个被忽视的模态缺口

牙科影像的 AI 研究长期面临一个尴尬的结构性矛盾：临床上最常用的全景片（OPG，orthopantomogram，口腔全景 X 光片）反而是公开标注数据最稀缺的影像模态。相比之下，根尖片、口内照、CBCT 各有公开资源，而一张能覆盖上下颌全牙列、能同时观察龋齿、阻生、感染、折裂的 OPG 全景片，其带标注的公开数据集屈指可数。医生一天要看几十张全景片，模型却缺少可训练的全景片监督。

这个缺口的根源并不神秘。全景片的采集集中在医院放射科，原始数据是 PACS 系统里的 DICOM，导出与去标识涉及患者隐私合规；而能公开的小规模数据，往往又缺少规范的标注与可复现的基线。于是形成了一个悖论：最有临床价值的模态，公开数据反而最少、质量最参差。

Dental OPG XRAY Dataset 正是为填这个缺口而生。它由孟加拉美国国际大学（AIUB）团队采集自达卡三家私立牙科诊所，把 232 张真实临床全景片整理成六类牙科病理的检测与分类数据：健康牙、龋齿、阻生牙、感染、折裂牙、崩解冠/根（BDC/BDR）。它不追求规模，而是追求"真实诊所来源 + 明确六类 + 双牙医标注 + 可复现基线"的完整闭环——一篇 Data in Brief 数据论文把采集、标注、增强、评测讲透，让任何研究者拿到 zip 就能跑通 YOLOv7。

0.2 三层价值

这个数据集的价值可以从三个层面理解：

• 临床层：六类病理覆盖了牙科全景片最常见的诊断目标，从最普遍的龋齿到需要外科干预的阻生牙、需要根管或拔除的崩解冠根，构成一条"常见病—急症—重度结构损伤"的完整谱系。对临床医生而言，这六类是日常阅片中最需要快速判断的类别。
• 方法层：它同时提供目标检测（边界框定位病灶）与图像级分类两套组织，并带有 CLAHE 增强与 Roboflow 增广的完整预处理链，是"小样本医学影像如何做增广"的活教材。研究者可以直接对比"有无 CLAHE""有无增广"对模型的影响。
• 工程层：手机翻拍 + JPG + JSON 的轻量形态，让它极易上手；197 MB 的体量对算力友好，适合教学、原型验证与快速对比实验。一台普通带显卡的工作站就能在数小时内完成一轮训练。

0.3 必须讲清的边界

当然，它的边界也必须讲清楚，否则使用者容易误用：

• 232 张是"小而真"而非"大而全"：规模决定了它适合验证方法可行性，不适合作为跨人群泛化的唯一依据。
• 单机构地理来源：仅达卡三家诊所，人口代表性局限于孟加拉城市人群。
• 手机翻拍的质量偏倚：非 DICOM 直出，几何畸变与对比不一致需要 CLAHE 补救。
• 类别的严重不平衡：健康牙占四成以上，折裂牙仅 13 张。
• 许可双口径：论文 CC BY-NC 与数据 CC BY 4.0 并存，商用须确认。

这些都是使用前必须心里有数的约束。本条目 §10 逐条列出八个坑，§1 用十问十答快速建立全貌，§5 专门拆解许可问题。

0.4 为什么它值得被收录

AI-Ready Wikipedia 的收录标准不是"数据集越大越好"，而是"数据集的元信息是否足够清晰、可核查、可复现"。从这个角度，本数据集有几个突出优点：

1. 公开直链：Mendeley Data 的 197 MB zip 无需审批，任何人都能立刻下载，这在医学数据集中并不常见。
2. 伦理可核查：给出了具体的伦理批件编号（MK-198109），而非笼统一句"符合伦理"。
3. 标注可追溯：明确标注者资历（16 年 + 32 年经验牙医）与工具（CVAT），标注协议完整。
4. 基线可复现：给出了完整的 YOLOv7 指标与增广参数，研究者可对照复现。

这四点让它成为一个"透明度高"的小数据集样本，即便规模有限，其元信息规范程度值得许多更大的数据集参照。

0.5 阅读路线建议

• 只想快速判断能不能用：读 §1 十问十答 + §11.4 决策卡。
• 准备直接下载使用：读 §2（数据构成）+ §5（获取许可）+ §10（八个坑）。
• 要引用其指标或做对比：读 §4（评测）+ §7（生态）+ 附录 B（证据链）。
• 要研究数据工程方法：读 §3（采集标注）+ §8（方法学启示）+ 附录 E（检查清单）。

一句话定位：这是牙科全景片领域一个"拿来就能跑、跑完要谨慎外推"的高质量小型基准，适合快速验证与教学，不适合作为跨人群泛化的唯一依据。

0.6 与"大数据集崇拜"的对照

当前医学影像数据集领域存在一种隐性的"规模崇拜"——动辄宣称"十万张 CT"“百万张病理片”，仿佛规模就是价值本身。本数据集提供了另一种视角：在特定模态（OPG）上，一张标注规范的 232 张数据集，其可用性可能高于一个标注粗糙的万张数据集。

这个判断有具体依据：

• 可获取性：本数据集公开直链、无需审批，而许多"大数据集"需要签协议、走审批，实际可用性反而低。
• 标注规范：双牙医复核虽只覆盖 232 张，但每张的标注可信度高于众包/单标注的大数据集。
• 可复现：论文给全了设备参数、增广参数、基线指标，复现门槛低。

当然，这不是说规模不重要——规模决定泛化潜力，是另一维度的价值。本条目的立场是：规模与规范性是数据集的两个正交维度，检索者应按自己的需求（要泛化潜力还是要立即可用的干净数据）选择，而非盲目追逐规模数字。

0.7 本条目对"AI-Ready"的理解

"AI-Ready Wikipedia"的核心主张，是让数据集对 AI 系统（以及使用 AI 的研究者）可检索、可理解、可核查。本条目在三个层面落实这一主张：

1. 可检索：完整的 frontmatter、keywords、category_tags，确保搜索引擎与库内检索能命中。
2. 可理解：九节正文从背景到坑点层层展开，非专业人士也能读懂"这是什么、能做什么、边界在哪"。
3. 可核查：附录 B 逐项给出每个关键数字的来源与位置，任何数字都可回溯到一手文献。

对一个只有 232 张图的小数据集，这种"过度书写"并非冗余——恰恰因为数据小，其元信息的完整性才更关键：使用者没有海量数据来"自动学习"数据的特性，只能依赖文档来判断可用性。

0.8 条目的组织逻辑

本条目按"从整体到细节、从认知到操作"的逻辑组织：

• §0-§1：建立整体认知（是什么、十问速览）。
• §2：解剖数据（构成、规格、类别、计数）。
• §3-§4：拆解生产与评测（采集标注、增强基线）。
• §5：解决"怎么拿到"（获取与许可）。
• §6-§7：说明"边界与影响"（伦理、生态）。
• §8-§9：提炼"能学到什么"（方法学、库内关系）。
• §10-§11：落地"怎么避坑、怎么决策"（坑点、总结）。

这种组织方式的目标是：无论读者带着什么问题进来，都能被导向对应的章节——想知道能不能用，去 §1/§11.4；想知道许可，去 §5；想知道坑，去 §10。

0.9 为何一个 232 张的数据集值得写 1300+ 行

读者可能会问：一个 232 张图的数据集，需要这么长的条目吗？答案是：条目的长度不取决于数据量，而取决于使用者需要理解的信息量。本条目需覆盖：数据来源与伦理、六类病理的临床含义、手机翻拍的技术权衡、标注协议的质量、增强管线的参数、基线的解读陷阱、许可的双口径、被引生态、库内互链、以及与理想数据集的全方位差距。

每一项都是使用者在实际研究中会遇到的真实问题。把它们写清楚，正是 AI-Ready Wikipedia 的意义——让数据"被理解"，而不仅"被下载"。

0.10 三个常见误解的预防

在展开正文前，先预防三个常见误解：

• 误解一：“OPG 是三维的”——不是。OPG 是全景片的二维投影（虽覆盖整个牙弓，但无深度信息）。三维的是 CBCT。
• 误解二：“这是竞赛数据集”——不是。它没有 leaderboard、没有排名，是一个静态的公开基准。
• 误解三：“有 2187 张图”——不是。2187 是 Kaggle 镜像的文件总数（含增强图、标签、多目录），原始图是 232 张。

带着这三个澄清进入正文，能避免大量后续困惑。

§1 数据集速览：十问十答

问 1：它到底是什么？
一个六类牙科病理的全景片（OPG）数据集，含 232 张原始全景 X 光片、边界框标注、增强副本，以及目标检测与图像级分类两套组织方式。它源于一篇 Data in Brief 数据论文（Rahman et al., 2024），发表在 Elsevier 旗下的数据期刊上，属于"数据论文"（data paper）这一体裁——论文的核心贡献不是算法，而是数据本身的采集、标注与发布。

问 2：谁做的？为什么可信？
孟加拉美国国际大学（AIUB）六人团队，通讯作者 M.F. Mridha（firoz.mridha@aiub.edu），全部作者同属 AIUB 达卡 Kuratoli 校区。可信度来自三点：标注由 16 年经验牙医初标 + 32 年经验牙医复核；采集有资深牙科医师全程督导（致谢 Prof. Dr. Md. Rafiqur Rahman）；伦理经 Bangladesh Dental College & Hospital 伦理委员会批准（Protocol No: MK-198109）。这三点——标注资历、专家督导、伦理批件——构成了数据可信度的三角支撑。

问 3：数据从哪来？
达卡三家私立牙科诊所：Prescription Point Ltd.（Banani）、LabAid Specialized Hospital、Ibn Sina Diagnostic and Imaging Center（Dhanmondi）。232 名 10 岁以上男性与女性患者，全部去标识化、知情同意。三家诊所的选择本身有临床考量——它们覆盖了不同社会经济背景的就诊人群，理论上能增加病理谱系的多样性。

问 4：图像长什么样？
用 Samsung Galaxy A52（SM-A525F）的 64 兆像素主摄翻拍，16:9 宽高比，中位分辨率 1176 × 603 像素，JPG 格式。拍摄参数：f/1.8 光圈、26 mm 焦距、ISO 50–3200、无闪光、中心加权测光。注意：这是手机翻拍胶片/屏幕，不是 DICOM 直出的诊断级原始数据。

问 5：有哪六类？各多少张？
Health Teeth（健康牙）223、Caries（龋齿）119、Impacted Teeth（阻生牙）87、BDC/BDR（崩解冠/根）52、Infection（感染）23、Fractured Teeth（折裂牙）13。健康牙最多、折裂牙最少，比例约 17:1，是典型的医学影像类别不平衡。这六类覆盖了全景片阅片时最需关注的病理类型。

问 6：怎么标注的？
用 CVAT 画边界框，六个类标签映射为 0–5，导出 YOLO 格式；另有 JSON 标签文件和 label map。先做 CLAHE 对比增强，再用 Roboflow 增广（640×640，水平翻转、±15° 旋转、±10° 剪切、±10% 曝光、mosaic）。标注过程有增删确认的复核环节，非一人一次标注。

问 7：有多少数据可用？
两套目录：目标检测集含 232 原始 + 604 增强图（train 558 / test 23 / valid 23，80:10:10）；分类集含六个类文件夹。整个 zip 包 197 MB。这个体量下，即使没有 GPU，用 CPU 也能跑通小批量实验。

问 8：跑出来效果如何？
论文用预训练 YOLOv7 做目标检测基线：Precision 96.03、Recall 86.53、mAP50 93.54。这是一个不错的起点，但须警惕：小测试集（23 张）上的高 mAP 不代表跨机构泛化能力。高 Precision 低 Recall 的组合也提示少数类可能被漏检。

问 9：怎么拿到？许可是什么？
主入口是 Mendeley Data V4（DOI 10.17632/c4hhrkxytw.4），197 MB zip 直链下载；IEEE DataPort 有收录页；Kaggle 有多个镜像。许可双口径：数据本体 Mendeley 标 CC BY 4.0，论文本体标 CC BY-NC——商用前须与作者确认 NC 约束是否延伸至数据。

问 10：谁该用它？谁不该？
适合：牙科影像 AI 原型验证、目标检测/分类教学、小样本增广实验、与更大牙科数据集的对照。不适合：需要跨人群泛化的唯一依据、儿科牙病研究（下限 10 岁）、需要诊断级原始质量的研究、少数类（Fractured 13 张）的稳健训练。

十问十答的延伸解读

上面十问勾勒了数据集的全貌，这里再做几点延伸解读，帮助读者理解"为什么是现在这个样子"。

关于规模：232 张这个数字，在"能公开发布"与"有统计意义"之间取了一个平衡。再小则不足以训练模型（几十张几乎无法做检测），再大则超出了小团队的标注承受力（232 张 × 双牙医 = 464 人时量级的标注人力）。它选择的是"能证明可行性"的最小规模。

关于六类：类别数目的选择也有讲究。太少（如只分"有病/没病"）则临床价值低；太多（如十几类细分）则每类样本骤减。六类是一个折中——覆盖主要病理，同时保证每类至少有 13 张可用样本。

关于手机翻拍：这是"可达性优先"的务实选择。若坚持 DICOM 直出，这个数据集可能根本发布不出来（合规成本高）。手机翻拍让它"先有了"，即便质量不完美。

关于公开：这是最重要的选择。许多同等规模的数据集选择不公开（“私有数据”），而本团队选择公开并配发表论文——这一决定让它的价值从"一个团队的私有资产"变成了"整个领域的公共资源"。

§2 数据构成与规格

2.1 全景片模态的临床背景

理解这个数据集，先要理解 OPG（orthopantomogram，曲面断层全景片） 在牙科中的独特地位。它通过一个旋转的 X 射线源与同步运动的探测器，把整个上下颌的牙列、牙槽骨、上颌窦、颞下颌关节一次性投照到一张二维图像上。相比只能覆盖两三颗牙的根尖片，OPG 是全局视图：一颗阻生智齿相对邻牙的位置、龋坏是否波及牙髓、牙根与下牙槽神经管的关系，都在这张图上同时可见。

正因为 OPG 承载的是"全局诊断"任务，它的 AI 标注远比单牙位标注复杂——一张全景片往往同时存在多种病理，一个患者可能"既有龋齿又有阻生牙和轻度感染"。数据集的六类设计正是为这种多病理共存场景服务，而目标检测（框出每个病灶）比整图分类更贴合这种需求。

从技术史看，OPG 设备在 20 世纪中期成熟，如今已是牙科影像的基础配置；而在 AI 时代，它的数字化与自动化分析却落后于 CT/MRI 等模态。这既有采集端的原因（老设备 DICOM 导出难），也有标注端的原因（全景片解剖复杂，标注成本高）。本数据集的价值正在于它直面了这两个难点。

2.2 六类病理定义（论文 §3.1）

类号	类名	中文	论文定义要点	影像特征
0	Healthy Teeth	健康牙	釉质完整、无蛀无感染、排列间距正常	均匀亮区，作为鉴别基准
1	Caries	龋齿	口腔细菌产酸侵蚀釉质成洞	牙面/牙内暗区
2	Impacted Teeth	阻生牙	无法正常萌出，常见于智齿	牙被阻于牙龈下或颌骨内异位
3	BDC/BDR	崩解冠/根	结构严重损坏、难以简单修复	大面积缺失/崩坏
4	Infection	感染	脓肿/感染，细菌侵入牙内层或周边组织	牙根周围暗点，示骨破坏
5	Fractured Teeth	折裂牙	外力/咬硬物/结构脆弱导致的断裂	从釉质裂纹到深达牙髓/根

这六类的排序并非随意：Healthy（0）作为参照锚点，其余五类按"从最常见到最严重"的临床逻辑组织——龋齿最普遍，阻生牙需外科评估，感染是急症，折裂与崩解冠根则往往指向根管治疗或拔除。

值得补充的是，六类中有几类的影像表现在全景片上具有相似性风险：龋齿的暗区、感染的根周暗区、崩解冠根的缺失区，在低分辨率图像上都可能表现为"深色区域"。这既是模型识别难点的来源，也是标注者需要仔细鉴别的地方——同一片暗区，是龋坏、是根周炎症、还是牙体崩解后的空隙，需要结合解剖位置判断。

2.3 硬规格一览

规格项	数值	来源
原始全景片数	232 张	论文摘要/§4.1
参与者	232 人（男+女，≥10 岁）	论文规格表
拍摄设备	Samsung Galaxy A52 / SM-A525F	论文 Table 2
传感器分辨率	64 兆像素	论文 Table 2
光圈/焦距	f/1.8 / 26 mm	论文 Table 2
ISO 范围	50–3200	论文 Table 2
曝光时间	自动，1/6000 s – 10 s	论文 Table 2
闪光	无（No Flash）	论文 Table 2
测光	中心加权平均（centre weighted average）	论文 Table 2
曝光补偿	0 step	论文 Table 2
宽高比	16:9	论文规格表
中位分辨率	1176 × 603 px	论文规格表
图像格式	JPG	论文规格表
标签格式	JSON（+ YOLO 文本 + label map）	论文 §4.4
包体积	197 MB	Mendeley 页/论文规格表

2.4 双组织：检测集与分类集

数据集刻意做成两套目录，服务两类任务：

目标检测集（object detection）——用于定位病灶：

• 原图：232 张带边界框标签
• 增强图：604 张（每训练样本生成 3 个增广版本）
• 划分：train 558 / test 23 / valid 23，比例 80:10:10
• 标签：边界框坐标 + 类号（0–5），YOLO 格式；配 label map 文件

分类集（classification）——用于整图分类：

• 六个类文件夹，每类一个文件夹
• JPG 格式
• 论文仅说明"six distinct files for each class"，未披露分类集每类具体张数（遗留疑点，见 §10 坑）

两套组织的设计思路清晰：检测集服务"病灶在哪+是什么"，分类集服务"整张片子有没有某类病理"。前者适合放射科辅助诊断（定位+定性），后者适合分诊筛查（快速分类）。对研究者而言，两套目录意味着同一数据可以支撑两类论文——检测论文与分类论文各有现成入口。

2.5 逐类实例计数与不平衡

论文 Table 1 给出六类实例数与年龄跨度：

类	实例数	占比	年龄跨度
Healthy Teeth	223	43.1%	10–90 岁
Caries	119	23.0%	10–90 岁
Impacted Teeth	87	16.8%	10–85 岁
BDC/BDR	52	10.1%	16–90 岁
Infection	23	4.4%	16–85 岁
Fractured Teeth	13	2.5%	16–85 岁
合计（Table 1 逐类相加）	517	100%	—

关键提示：论文正文另称"total number of instances across all classes was 1204"，与 Table 1 逐类相加的 517 不一致。1204 更可能是增强后或含重复计数的口径，论文未详述。引用时须以 Table 1 的逐类数为准，并在需要总量时显式声明口径（见 §10 坑 6）。

不平衡的临床含义：健康牙占了四成以上，而感染与折裂合计不到 7%。这对训练的直接后果是——模型天然倾向于预测多数类，少数类（尤其 Fractured 13 张）的召回率会成为真正的性能瓶颈，单纯看 mAP50 会掩盖这个问题。下游研究（Springer 章节）明确做了数据平衡，正是因为意识到了这一点。

2.6 年龄分布的一个细节

六类的年龄跨度透露了临床规律：Healthy 与 Caries 从 10 岁起就有（10–90 岁），而 Impacted、BDC/BDR、Infection、Fractured 的最低年龄都上移到 16 岁。这并非数据采集的偶然，而是病理规律——阻生牙（下颌第三磨牙）多在 16–25 岁萌出期发现问题；崩解冠根、感染、折裂多与成年后长期的牙体损耗或既往治疗史相关。因此，虽然数据集整体下限是 10 岁，但涉及复杂病理的类别实际集中在成年人群。

这个细节对建模有实际意义：低龄样本（10–15 岁）几乎只贡献 Healthy 和 Caries 两类，若模型在年龄上做过拟合，可能对低龄样本的少数类表现更差（而低龄本就无这些类）。研究者若做年龄分层评估，应意识到分层的类别覆盖差异。

2.7 与库内牙科数据集的对照

数据集	模态	规模	任务	特点
dental-opg-xray（本条目）	2D 全景片 OPG	232 张原始	六类检测+分类	真实诊所、手机翻拍、双牙医标注
tufts-dental（rid 57）	牙科 X 光	库内条目	牙科影像	另一牙科 X 光赛道
3dteethland	3D CBCT/口扫	库内条目	牙齿三维分割	2D vs 3D 模态对照
论文引用的对照集	混合	9,562 / 1,488 / 929	检测/诊断	论文 Table 3 列出，均为本地采集
儿童口腔数据集（如 Oral Dataset）	口内照	~13,000 张六类	分类	模态为口内 RGB 照，非 OPG

论文 Table 3 自述：牙科影像标注数据集" inherently challenging"（标准化与隐私双重困难），故许多研究者只能本地采集。本数据集的意义正在于把一批本地采集数据公开化、标准化、可复现化——规模不大，但填了一个真实的空白。

2.8 数据的物理组织

拿到 zip 后，目录结构大致如下（依据论文 Fig. 2 的描述）：

Dental OPG XRAY Dataset/
├── Dental OPG (Object Detection)/
│   ├── train/      (558 图 + 标签)
│   ├── valid/      (23 图 + 标签)
│   └── test/       (23 图 + 标签)
└── Dental OPG (Classification)/
    ├── Healthy Teeth/
    ├── Caries/
    ├── Impacted Teeth/
    ├── BDC-BDR/
    ├── Infection/
    └── Fractured Teeth/

检测目录按 train/valid/test 划分，每张图配对应的 JSON 标签；分类目录按六类文件夹组织。标签格式包含 YOLO 文本描述与 label map。使用者需要注意：图像与标签的文件名对应关系是复现的关键，若自行重新划分数据，务必保持图像-标签配对。

2.9 数据划分的工程细节

80:10:10 的划分（train 558 / valid 23 / test 23）是目标检测的常见实践，但在此数据集上有几个细节值得注意：

• 验证集与测试集同为 23 张：两者规模相等，意味着验证集同样偏小，用于早停（early stopping）时信号可能不稳定。
• 划分的随机性未声明：论文未说明划分时是否按类别分层（stratified）。若不分层，随机划分可能让某个小类在验证/测试集中几乎缺席，进一步放大少数类评估的方差。
• 增强图是否混入验证/测试：论文表述"the augmented data is split into train, test, and valid"，暗示 604 张增强图被分散到三个子集。若验证/测试集也含增强图，则评估会因"训练-评估同源"而偏乐观（因为增强图与训练原图高度相关）。这是使用者应重点核实的点：打开数据后，检查 valid/test 中的图像是否为原始图还是增广图。

2.10 数据质量的自查清单

使用者在训练前，建议对照以下清单快速自查数据质量：

1. 图像-标签配对：每张 JPG 是否有对应的 JSON/YOLO 标签文件？
2. 边界框合法性：是否有坐标越界（<0 或 >1）或宽高为 0 的框？
3. 类别号范围：所有类号是否落在 0–5？有无异常值？
4. 重复图像：同一张原图是否以多个文件名重复出现（增强图应可辨识）？
5. 划分分布：train/valid/test 三集的类别分布是否严重偏斜？
6. 分辨率一致性：是否所有图都接近中位 1176×603，还是有离群值？

这六项检查能提前暴露大部分数据工程问题，避免训练中途才发现。

2.11 与论文自陈局限的对照

论文 Limitations 明确列出四条局限，本条目按实核结果逐条对照：

论文自陈局限	本条目核验
规模小（仅 232 原始图）	属实，§2.3 确认
仅三家达卡诊所，代表性有限	属实，§2.1 确认
排除 10 岁以下	属实，且影响儿科研究，§2.6 确认
单一机型采集偏倚	属实（Samsung A52 独一机型），§3.1 确认

论文的自陈局限全部经核验属实，无夸大亦无隐瞒。这在小型数据集中是难得的诚实——许多论文倾向于淡化局限，而本数据集选择明示。使用者的正确态度是：接受这些局限的前提，在其适用范围内使用。

2.12 类别定义之间的潜在混淆

六类中，有两组类在影像上容易混淆，使用者需特别注意：

• Caries（龋齿）vs Infection（感染）：两者都常表现为暗区。区别在于——龋齿的暗区在牙冠/牙体内（釉质或牙本质被侵蚀），感染的暗区在牙根周围（根周骨破坏）。低分辨率下二者可能难分。
• BDC/BDR（崩解冠根）vs Fractured Teeth（折裂牙）：崩解是"大面积结构缺失/崩坏"的终末状态，折裂是"裂纹/断裂"的过程状态。一颗有裂纹但未崩解的牙应归折裂，已大面积缺失的归崩解。

这些边界需要临床判断，也解释了为什么标注必须由专业牙医完成——非专业人士极易混淆。研究者若自行扩标，应特别注意这两组边界。

2.13 图像质量的多来源差异

三家诊所的全景机型号、胶片刻度、翻拍环境可能不同，导致图像质量存在来源间差异（虽然论文未按诊所分层报告质量）。这种差异对模型的影响是双面的：

• 坏处：不同来源的图像统计分布不同，可能引入"诊所指纹"，让模型学到与病理无关的来源特征。
• 好处：来源多样性本身是泛化的正面因素（比单诊所更接近真实世界分布）。

由于论文未按诊所标注每张图的来源，使用者无法做来源分层的误差分析——这是一个数据透明度上的小遗憾，也限制了"来源偏倚"的诊断。

2.14 复现所需的元信息清单

若要严格复现论文的基线，需要的元信息在本数据集中是否齐全？

复现所需	是否提供	位置
图像与标签	是	Mendeley zip
数据划分	是（train/valid/test）	zip 目录
增广参数	是	论文 §4.5
增强方法	是（CLAHE）	论文 §4.3
模型	是（YOLOv7 预训练）	论文 §4.6
超参数（学习率等）	未提供	—
训练脚本	未提供	—
随机种子	未提供	—

结论：数据与增广可复现，训练细节不可完全复现。使用者能复现"数据管线"，但"YOLOv7 训练出 93.54 mAP50"这一步的精确复现需要自行调参——数字可能有小幅出入，这属正常。

§3 采集与标注流水线

3.1 为什么是"手机翻拍"

这个数据集最反直觉的一点，是它的图像采集方式：不是从 PACS 系统导出 DICOM，而是用一部 Samsung Galaxy A52 手机对着全景片翻拍。论文 §4.2 用整整一节描述相机参数（64MP、f/1.8、26 mm、ISO 50–3200、无闪光、中心加权测光），并列出 Table 2 的完整设备规格——这种对"一台手机"的详尽记录，恰恰反映了团队对采集可复现性的重视。

这种做法在小规模公开数据集里并不罕见，原因往往是现实的：医院的全景机多为老式设备，DICOM 导出涉及患者数据的合规流程，而手机翻拍灵活、快速、可批量。论文强调翻拍在"良好照明条件下由人手持"完成，以保证清晰度。

代价同样明确，值得使用者警惕：

• 分辨率损失：中位 1176×603 px 远低于现代全景机直出（通常 2000–3000 px 量级），细节（早期龋、细微骨破坏）可能已被压缩。
• 几何畸变：手持翻拍引入透视畸变，牙弓的比例关系可能失真，影响基于位置的测量类任务。
• 对比与亮度偏倚：翻拍屏幕/胶片的反光与曝光差异，会在图像间引入不一致——这正是团队要用 CLAHE 做二次增强的原因。
• 非诊断级：JPG 有损压缩 + 翻拍管线，使这批数据不能替代诊断级影像做临床验证。
• 单机型偏倚：所有图都来自同一型号手机，传感器特性一致，但也意味着无法评估跨设备泛化。

论文在 Limitations 中明确承认"images were captured using a single type of camera, which may introduce bias in the image quality and consistency"（单一机型可能引入图像质量与一致性偏倚）——这一点与"仅三家诊所""排除 10 岁以下"共同构成三大自曝局限。

3.2 采集的临床设计

尽管采集手段朴素，团队在临床设计上有几处值得注意：

1. 多诊所来源：三家私立诊所（Prescription Point Ltd.、LabAid、Ibn Sina）覆盖达卡不同区域，理论上能增加就诊人群的多样性。
2. 资深医师督导：采集全程由"experienced dental practitioner"监督，确保图像质量与患者信息安全。
3. 知情同意的前置：从诊所获取知情同意，确保数据使用合法。
4. 年龄下限设定：排除 10 岁以下，理由是成人牙结构更一致——这是一个"为质量主动缩小范围"的决策。

这四点说明：即便技术手段朴素（手机翻拍），流程合规性与设计意识并未打折。这也是小型数据集能够公开发布的前提——伦理与合规先行，技术可以朴素。

3.3 双牙医标注协议

标注质量是这个数据集的核心卖点。论文 §4.4 描述了完整协议：

1. 工具：CVAT（Computer Vision Annotation Tool），业界常用的开源标注平台。
2. 流程：新建任务 → 上传图像 → 选边界框 → 框选病灶 → 赋类标签 → 导出。
3. 格式：每个边界框对应文本一行；YOLO 格式导出；另有 label map 文件把数值 0–5 映射回类名。
4. 质量把关——两层人力：
   • 初标：一名 16 年经验的牙医用 CVAT 完成全部边界框。
   • 复核：一名 32 年经验的牙医做增、删、确认（“addition, deletion, and confirmation”）。
5. 督导：采集与标注全程由资深牙科医师（致谢 Prof. Dr. Md. Rafiqur Rahman）监督。

这套"资深医师督导 + 中年资初标 + 高年资复核"的两层设计，在小型数据集里属于偏严格的标注协议。对比许多只有单标注者的小数据集，双牙医复核显著降低了标注噪声。但也要注意：论文未报告标注者间一致性指标（如 Cohen’s κ）或复核修改比例——所以我们知道有两层把关，却不知道两层之间的分歧有多大（见 §10 遗留疑点）。

3.4 标注协议的实操细节

从论文描述可提炼几处标注实操要点，供复现者参考：

• 每张图可含多个边界框：一张全景片可能同时有多颗病灶牙，因此标注是"一对多"关系，一张图对应多个框。
• 类别互斥的边界框：每个框只赋一个类（0–5），不存在一个框多个标签的情况——这意味着同一颗牙若兼具龋齿与折裂，需决策归入哪一类。
• YOLO 格式的坐标归一化：边界框以归一化中心坐标+宽高的形式存储，这是 YOLO 系列训练的标准输入。
• label map 的桥梁作用：数值类号与类名的映射集中在 label map，修改类别定义只需改这一处。

这些细节说明标注并非"随意框选"，而是遵循了目标检测数据集的通用规范，便于直接接入主流检测框架。

3.5 CLAHE 图像增强

在标注之前，团队对全部图像施加了 CLAHE（Contrast-Limited Adaptive Histogram Equalization，限制对比度自适应直方图均衡）。这是一项经典的医学影像增强技术：它对图像的局部区域（而非全局）做直方图均衡，同时限制对比度放大幅度以避免放大噪声。

论文 §4.3 给出了 CLAHE 前后的对比图（Fig. 5），说明增强后"clarity and detail"明显改善，更易分析。对全景片而言，CLAHE 的价值在于：全景片不同解剖区（前牙、磨牙、颌骨）的密度差异大，局部对比增强能让病灶的暗区（龋、感染）在各自的解剖背景下都更凸显。

需要留意的是：CLAHE 是有损的信息变换——它改变了原始像素强度分布。如果研究者想复现临床原始片的表现，应意识到这个数据集里流通的是"CLAHE 之后"的图像，而非采集原始态。若需要对比"增强 vs 未增强"的影响，可能需要联系作者索取原始态图像。

3.6 采集-增强-标注的时序

理解流水线的时序对复现有意义。从论文描述可推断的处理顺序是：

1. 翻拍采集：手机拍摄全景片，得到原始 JPG。
2. CLAHE 增强：对全部图像施加对比增强（这是图像的"进入数据集"状态）。
3. 上传 CVAT：把增强后的图像导入标注工具。
4. 边界框标注：16 年经验牙医框选病灶。
5. 复核：32 年经验牙医增删确认。
6. 导出：YOLO 格式 + label map。
7. Roboflow 增广：在标注框基础上做几何/曝光/mosaic 增广，生成 604 张增强图。
8. 划分：train/valid/test。

这个顺序有个关键含义：增广发生在标注之后，因此增强图的边界框是"由原始框变换推导"的，而非重新标注。这保证了增广图标签的一致性——但也意味着增广图的标签质量取决于变换算法的正确性（如旋转后框是否仍紧贴目标）。

3.7 标注质量控制的可改进空间

客观地说，本数据集的标注协议虽偏严格，但仍有可改进空间，值得列出供后来者参考：

• 未报告标注者间一致性：没有 Cohen’s κ 或复核修改率，无法量化两层把关的效果。
• 未报告复核比例：32 年牙医改了百分之多少的框，是微调还是大改，未知。
• 无第三方仲裁：两人分歧时如何解决，论文未描述（可能由督导医师裁定）。
• 类间边界未细化：如"龋齿并发感染"如何归类，论文未给判定规则。

这些不是致命缺陷——对 232 张的小数据集，这些细节常被省略——但它们是**"这个数据集能可靠到什么程度"的上限所在**。使用者若对标注质量有极高要求，应意识到这些未披露的环节带来的不确定性。

3.8 与主流医学标注流程的对照

把本数据集的标注流程放到医学影像标注的通行做法中对照：

环节	通行做法	本数据集	评价
标注工具	专用平台（CVAT/ITK-SNAP/3D Slicer）	CVAT	主流选择
标注者	专家/受训人员	16 年经验牙医	达标
复核	单/多专家复审	32 年经验牙医	达标
一致性度量	常报 κ/ICC	未报	缺项
仲裁机制	第三方裁定	未描述	缺项
标注指南	详细判定规则	未公开	缺项
伦理审查	机构伦理委员会	有批件	达标

结论：在"人力配置"上达标甚至偏优（双专家），但在"质量度量"上缺项（无一致性指标、无判定指南）。这是"经验驱动"标注（靠资深医生把关）与"度量驱动"标注（靠统计指标验证）的典型差异。前者更贴近临床实际，后者更利于定量复现。本数据集属于前者。

3.9 增强图的标签质量风险

一个容易被忽视的点：604 张增强图的边界框是由原始框经几何变换推导的。这引入几类潜在问题：

• 旋转/剪切后的框变形：若变换实现不完善，框可能不再紧贴目标（如斜框变正框时丢失部分区域）。
• 翻转的语义：水平翻转会左右互换，对不含左右语义的本数据集无碍，但需确认标注未隐含左右信息。
• mosaic 拼接的框跨图：mosaic 把多图拼成一张，框需相应平移，若实现有误会错位。

因此，增强图虽提高了样本量，但其标签质量略低于原始图的标注。若研究对标签精度极敏感，可考虑只用原始 232 张（但需接受样本量的代价）。这也是为什么论文的 test/valid 若含增强图会引发评估偏乐观的担忧（§2.9）。

§4 数据增强与基线评测

4.1 Roboflow 增广流水线

论文 §4.5 描述了基于 Roboflow 的增广策略，产生了 604 张增强图：

步骤	参数
预处理：自动定向	auto-orient
预处理：缩放	适配 640 × 640 px
增广：水平翻转	horizontal flip
增广：旋转	−15° ~ +15°
增广：剪切	横纵各 ±10°
增广：曝光	±10%
增广：mosaic	Dynamic Mosaic 算法
增广强度	每训练样本生成 3 个输出

“每样本 3 个输出” 是理解 604 张的关键：232 原始 → 训练集经过增广放大，测试与验证集保持小规模（各 23 张）。这解释了为什么 604 ≈ 232 的若干倍（注：558 训练 + 46 验证/测试 = 604，也即 604 不含 232 原始）。

mosaic 增强引用了 Dynamic Mosaic 算法（Li et al., Math. Biosci. Eng. 2023）——这是 YOLOv4 时代引入的四图拼接增广，能显著提升小目标检测的鲁棒性，对"一张全景片里多个小病灶"的场景尤为契合。

4.2 增广策略的合理性分析

从数据增强的方法论角度，这套策略有几处值得点评：

• 几何增广（翻转/旋转/剪切）：全景片在临床上有左右对称性，水平翻转理论上是合理的；但需注意——水平翻转会改变牙齿的左右位置，若下游任务涉及"左/右"语义（如"左下阻生智齿"），翻转可能引入语义不一致。本数据集的类别定义不含左右语义（只分病理类型），因此翻转是安全且有效的。
• ±15° 旋转：全景片的牙弓是弧形的，小角度旋转模拟了拍摄角度的变化，合理但幅度不宜过大（过大会破坏解剖关系）。
• ±10% 曝光：直接针对"翻拍对比不一致"的痛点，是必要的。
• mosaic：把多张图拼接，等效于增加单图内的目标数，对稀缺的少数类有提升召回的作用。

一个潜在问题：增广是否对少数类做了过采样？ 论文未明确说明增广是否按类均衡（如对 Fractured 13 张做更多增广）。若增广是均匀的（每张 3 个输出），那么少数类的绝对数量仍然很少。下游研究（Springer 章节）明确做了"dataset balanced using augmentation"，说明原始增广可能不足以平衡，需下游额外处理。

4.3 YOLOv7 基线结果

论文 §4.6 用预训练 YOLOv7 评测数据集的检测性能（Table 4）：

指标	数值
Precision	96.03
Recall	86.53
mAP50	93.54

如何解读这三个数：

• Precision 96.03 高、Recall 86.53 略低——模型"报出来的框基本是对的，但漏掉了一部分病灶"。这与类别不平衡高度吻合：少数类（感染、折裂、崩解冠根）容易被漏检。
• mAP50 93.54 好看，但要看测试集规模：测试集仅 23 张。如此小的测试集上，mAP 的方差很大，一个病例的差异就能让数字跳动几个百分点。
• 无跨机构验证：所有测试都在同一批达卡诊所的数据内，论文未提供外部验证集结果。因此 93.54 只能作为"在本数据分布内可跑通"的证据，不能作为泛化能力的证据。

补充说明 YOLOv7 选择的合理性：作为单阶段检测器，YOLOv7 在速度-精度平衡上表现突出，适合医学影像的实时辅助场景；其 anchor-free 设计与 mosaic 增广天然契合，因此论文选它作基线是务实的。但研究者不应把"YOLOv7 在 232 张上 mAP50 93.54"误读为"该数据集上检测已解决"——小样本下的高分往往脆弱。

4.4 指标解读的统计学提醒

对一篇数据论文而言，报告单一模型单一指标是常见的，但使用者需要理解其局限：

1. 单次划分的偶然性：80:10:10 的固定划分意味着 test 集是"一次性"的，没有交叉验证或多次随机划分的稳定性评估。
2. 小测试集的高方差：23 张测试集上，mAP50 的置信区间很宽，93.54 可能对应着 ±数个百分点的不确定性。
3. 类别平均掩盖少数类：mAP50 是各类 AP 的平均，若用宏平均，少数类的低 AP 会被多数类拉平；论文未披露逐类 AP，因此无法判断少数类的真实表现。
4. 无外部验证：泛化性完全未测，这是本数据集作为"泛化证据"的根本局限。

因此，条目反复强调：引这个数字时，必须同时说明测试集规模和同分布限定。

4.5 下游复用实证

数据集已被后续研究采用。最直接的证据是 Springer 会议章节 Adapting Deep Learning Models for Image-Level Multi-class Dental Pathology Identification in OPG X-Rays（DOI 10.1007/978-3-032-19865-5_24），其 Data Availability Statement 明确写：“The dataset was obtained from Kaggle: https://www.kaggle.com/datasets/imtkaggleteam/dental-opg-xray-dataset”。

该研究采用 ResNet50 + CBAM（Convolutional Block Attention Module）做图像级六类分类，并用增广平衡数据——这从侧面印证了两件事：① 本数据集的六类划分被下游研究直接采用；② 类别不平衡需要下游方法额外处理（该文明确做了平衡）。

此外，与该文同一会议/期刊脉络下，还有多篇研究引用本数据集做 OPG 相关任务。这说明它已经进入"被下游反复引用的公共基准"角色——这正是数据论文最希望达到的效果。

4.6 各骨干网络在六类任务上的适用性

结合下游研究使用的模型，可以给出一个"模型选择"的参考视角：

骨干	下游用例	适合场景	注意
YOLOv7	论文基线（检测）	病灶定位	需自己调训
ResNet50+CBAM	Springer 章节（分类）	图像级六类分类	需数据平衡
YOLOv5m	CMC 2025（检测）	轻量检测	精度/速度权衡
ViT/Swin 系	泛化参考	大模型微调	小数据易过拟合

共同规律：小数据集上，轻量模型 + 强增广往往优于大模型裸跑。本数据集 232 张的体量，用 ViT 系大模型直接训练极易过拟合，更适合"预训练+微调"或"特征提取+分类头"的范式。

4.7 复现基线的实操建议

若研究者想复现论文的 YOLOv7 基线，建议：

1. 先跑通数据管线：确认 train/valid/test 与标签配对无误。
2. 固定随机种子：虽然论文未给种子，但自己固定以保结果可复现。
3. 对齐增广参数：按 §4.1 表格设置 Roboflow 参数（或等效实现）。
4. 监控类别指标：不要只看整体 mAP50，分报告每类 AP，尤其关注少数类。
5. 报告测试集规模：引用时注明 test 为 23 张。

这五步能最大程度贴近论文设置，同时避免"只看总分"的陷阱。

§5 可获取性与许可

5.1 入口矩阵

入口	地址	形态	许可	门槛
Mendeley Data V4（主）	data.mendeley.com/datasets/c4hhrkxytw/4	197 MB zip	CC BY 4.0	无（公开直链）
IEEE DataPort	ieee-dataport.org/documents/dental-opg-xray-dataset	收录页	见页面	可能需注册
Kaggle 镜像 A	kaggle.com/datasets/imtkaggleteam/dental-opg-xray-dataset	209.58 MB	CC BY 4.0	无
Kaggle 镜像 B	kaggle.com/datasets/tommyngx/dental-opg-xray-2024	Version 1	CC BY 4.0	无
Kaggle 镜像 C	kaggle.com/datasets/chaudharyv209/opgdata	—	CC0	无
论文全文	doi.org/10.1016/j.dib.2024.110970	开放获取	CC BY-NC	无

5.2 许可双口径：必须自己对齐

这是本条目最需要警惕的一点：

• 论文本体（Data in Brief 文章）：标注为 CC BY-NC（© 2024 The Author(s)，注明 https://creativecommons.org/licenses/by-nc/4.0/）。Elsevier、TIB、Europe PMC 三源一致。
• 数据本体（Mendeley Data V4）：页面 License 字段明确写 CC BY 4.0。

两者的差别是实质性的：CC BY-NC 禁止商业使用，CC BY 4.0 允许。论文的 NC 约束是否延伸到它所描述的数据，论文没有明说。数据可用性声明只写"available (Mendeley Data)"，未复述许可条款。

实操建议：若用于学术研究，两个口径都不构成障碍；若涉及商用（如训练商业牙科诊断产品），必须与通讯作者 M. F. Mridha 书面确认数据的许可归属，不能仅凭 Mendeley 的 CC BY 4.0 就默认可商用。

5.3 许可双口径的普遍性反思

本数据集的许可冲突并非个案，而是医学数据集的系统性现象。背后的原因是许可体系的分裂：

• 论文许可由期刊与出版商设定（Elsevier 常要求 CC BY-NC 或 CC BY-NC-ND），针对的是"文章文本与图表"。
• 数据许可由数据仓库设定（Mendeley Data 默认推荐 CC BY 4.0），针对的是"数据文件"。
• 两者由不同主体、在不同时点设定，作者往往无意识地对齐。

因此，“论文可开放获取"不等于"数据可自由使用”。使用任何医学数据集前，分别查清"论文许可"与"数据许可"应成为标准动作。本条目在 FACTS §9 与本文 §10 都做了存照，正是为了让后续使用者不必重复踩坑。

5.4 镜像许可的额外风险

Kaggle 上至少三份镜像，许可标注互不一致：imtkaggleteam 与 tommyngx 标 CC BY 4.0，chaudharyv209/opgdata 标 CC0。这些是转载方自行设定的标签，并非原始发布者口径。CC0 意味着"放弃一切权利"，与原始 CC BY-NC/CC BY 4.0 明显冲突——引用许可时应以 Mendeley 原始页为准，不采信镜像的自定义标签（见 §10 坑 4）。

镜像为何许可不一？因为 Kaggle 允许上传者自行选择 License 字段，转载者可能随手选了 CC0（“最开放”）或 CC BY 4.0。这种随意性与原始许可无关，却会误导下游使用者。一个实用原则：数据集的许可只认"原始发布页"。

5.5 AI-Ready 光谱定位

以本库 AI-Ready 视角看，本条目落在"公开直链"档：

• 机器可读元数据：论文开放获取 + Mendeley 结构化元数据——良好。
• 公开直链：Mendeley zip 直链无需审批——AI-Ready 的加分项。
• 许可明确性：数据本体明确 CC BY 4.0，但论文 CC BY-NC 与之并存——中等失分，需使用者自行对齐。
• 可复现性：论文给全 YOLOv7 评测指标与增广参数，但未提供官方训练脚本/权重——中等。
• 可持续性：依托 Mendeley（Elsevier 旗下数据仓库）+ IEEE DataPort 双托管——稳定。

综合：AI-Ready 等级"中上"——可获取性极佳（公开直链、体量小），主要减分项是许可双口径与缺乏官方复现资产。这一评级与条目的整体定位一致：元信息透明度高、立即可用，但需要使用者自行处理许可与口径问题。

5.6 与库内可获取性光谱的对照

库内数据集条目已形成可获取性光谱（注册墙→请求制→平台托管→公开直链）。本条目在光谱上的位置：

档位	库内参照	本条目对应
注册墙（最严）	需注册+审批型	—
请求制	upon request 型	—
平台托管	Zenodo/IEEE Dataport 型	IEEE DataPort 收录页
公开直链	Mendeley/Kaggle 直链型	Mendeley V4（197 MB，无需审批）

本条目以"无门槛公开直链"落地，这在医学数据集中是稀缺属性——许多数据集要么需要注册，要么需要签数据使用协议（DUA），要么需要邮件申请。本数据集的"下载即用"极大降低了使用门槛，是它在库内可获取性光谱上的核心价值。

5.7 下载后的第一步建议

拿到 197 MB zip 后，建议的第一步操作序列：

1. 解压并清点：确认目录结构与论文 Fig. 2 描述一致（检测集 + 分类集）。
2. 核对文件数：原始图应约 232 张，增强图约 604 张，总数与 Kaggle 的 2187 files 口径相符（含标签）。
3. 读 label map：先把类号 0–5 与类名的映射记下，避免训练时标签错位。
4. 抽检标签：随机抽 5–10 张图可视化边界框，确认框位合理、类别正确。
5. 检查许可文件：确认 zip 内是否附带 LICENSE 文件，若无则以 Mendeley 页面许可为准。

这一步序列能在一小时内完成数据的"落地验证"，避免在训练阶段才发现数据问题。

§6 伦理、隐私与临床边界

6.1 伦理合规的三层保障

牙科影像涉及可识别的面部/颌骨结构，隐私敏感度高。论文 §Ethics Statement 给出了三层保障：

1. 国际准则：遵循《赫尔辛基宣言》（Declaration of Helsinki）与 CIOMS-WHO《健康相关研究涉及人类受试者的国际伦理准则》。
2. 知情同意：从参与诊所获取知情同意；数据集不含任何个人可识别信息（no personally identifiable information）。
3. 伦理审查：研究方案与知情同意书经 Bangladesh Dental College & Hospital 地方伦理委员会批准（Protocol No: MK-198109）。

与许多仅做"去标识化声明"的数据集相比，本数据集给出了具体的伦理批件编号，这是可核查的合规证据，值得肯定。

6.2 去标识的边界

需要清醒认识的一点：全景片本身难以彻底去标识。面部轮廓、颌骨形态、牙齿排列都是潜在的身份线索，尤其在配合其他信息时。论文以"严格匿名化 + 无个人可识别信息"表述，但未说明具体去标识技术（如是否做过面部特征裁剪）。对绝大多数研究和教学用途，这一级别的去标识是行业标准；但若将数据与其他医疗记录交叉匹配，仍有再识别风险，使用者应自我约束。

从更广的视角看，“医学影像去标识"始终是一个"程度问题"而非"有无问题”。全景片包含的下颌骨角度、牙弓宽度、牙齿磨损模式等，理论上都可作为生物特征。因此，负责任的使用不仅是"不试图再识别"，还包括"不发布可能辅助再识别的中间产物"（如高分辨率的原始翻拍图）。

6.3 知情同意的场景特殊性

本数据集的知情同意来自"参与诊所"而非直接来自患者个体——论文表述为"Informed consent was obtained from the participating clinics"。这在回顾性数据收集中较常见（诊所作为数据保管方代为授权），但意味着患者个体层面的知情同意流程依赖诊所的伦理制度。研究者使用时，应理解这一授权链条的边界：它的合法性建立在不含个人可识别信息的基础上。

6.4 临床边界的诚实声明

数据集明确不覆盖以下几类场景，论文 Limitations 坦承：

• 儿科牙病：排除 10 岁以下个体，因为"成人牙结构与儿童差异显著"。因此它无法服务于儿童口腔研究。
• 跨地域/跨人群泛化：数据仅来自达卡三家诊所，“may not fully represent dental conditions from different regions or demographics”。
• 诊断级应用：手机翻拍 + JPG，非 DICOM 原始质量，不能直接用于临床诊断验证。
• 规模泛化：232 张原图，作者自陈"relatively small"。

这四条自我设限，实际上给使用者画了一张清晰的"可用范围地图"：学术研究、方法对比、教学、原型——可以；临床部署、儿科、跨人群泛化唯一依据——不可以。

6.5 一个值得称赞的透明性设计

论文的价值声明（Value of the Data）中有一条值得单独指出：它专门解释了为什么排除 10 岁以下——不是疏忽，而是"adult dental structures, which vary significantly from those of children"的主动选择，目的是"maintain consistency across different age ranges"。把排除理由写清楚，比默默剔除去掉一群数据要负责任得多。这种透明性正是小型数据集建立信任的关键。

类似的透明性还体现在：论文明确说数据是"publicly available"、明确给出 Mendeley DOI、明确列出六类实例数。这些看似琐碎的细节，恰恰是 AI-Ready 评估中"元数据质量"的核心。

6.6 与常见伦理争议的对照

医学影像数据集常面临几类伦理争议，本数据集的表现可对照来看：

争议点	本数据集的处理	评价
是否取得知情同意	从参与诊所取得，患者个体层依赖诊所伦理制度	合规但链条略简
是否伦理审查	有伦理批件（MK-198109）	优（可核查）
是否去标识	声明"无个人可识别信息"	达标，但技术细节未披露
是否可再分发	依赖许可（CC BY-NC/CC BY 4.0）	需使用者自行判断
是否覆盖弱势群体	排除 10 岁以下	主动缩小范围，理由透明
是否商业化	论文 NC vs 数据 CC BY 冲突	灰色地带

从这张表可以看出：本数据集在"伦理审查"和"透明性"上表现优异（有批件编号、有排除理由），而在"再分发/商业化"上留下模糊。这不是它的独有问题，而是整个医学数据生态的共性问题——伦理达标不等于法律清晰，二者需要分别评估。

6.7 使用者应自问的伦理问题

在使用本数据集前，负责任的研究者应自问：

1. 我的用途是否在同意范围内？ 知情同意针对的是"牙科疾病检测与分类研究"，若用于完全无关的目的（如人脸识别研究），已越界。
2. 我是否会尝试再识别？ 全景片含面部结构线索，任何再识别尝试都违反隐私约定。
3. 我是否会把数据二次分发？ 再分发受许可约束，且应告知接收者同样的伦理要求。
4. 我的模型是否会用于临床决策？ 若会，必须声明数据非诊断级，避免误导临床。
5. 我是否会在论文中恰当标注限制？ 引用时应传达"单地区、小规模、非诊断级"的边界。

这五问不复杂，但能避免大部分误用。

§7 生态、影响与引用

7.1 引用影响

抓取时点（2026-09-30）的被引情况：

• Google Scholar：13 次（分布：2024 年 2 次、2025 年 9 次、2026 年 2 次）。对一篇 2024 年底的数据论文而言，这个引文速度属于中等偏上，说明数据被真实使用。
• Semantic Scholar：3 条直接 citing，已识别的主要下游包括：
  • Adapting Deep Learning Models for Image-Level Multi-class Dental Pathology Identification in OPG X-Rays（Springer，ResNet50+CBAM，六类分类）。
  • Multi-Model Approach to Oral Pathology Classification and Dental X-Ray Analysis（2025 会议论文）。
  • Deep Architectural Classification of Dental Pathologies Using Orthopantomogram Imaging（CMC 2025，YOLOv5m 用于 OPG 病理）。

这些下游研究共享一个模式：把本数据集当作 OPG 六类任务的现成基准，在其上比较不同的骨干网络（ResNet50+CBAM、YOLOv5m 等）。这正是一个"小基准数据集"最健康的生态位——它不必是最大的，但要成为别人实验的起点。

7.1b 引文增长的时间曲线

从 13 次被引的时间分布（2024:2 / 2025:9 / 2026:2）可以看出一个典型的"数据论文引文曲线"：

• 2024 年（2 次）：论文刚发表，主要是同期或紧邻的引用。
• 2025 年（9 次）：这是引文爆发期——研究者开始把数据集作为实验底座，说明数据已被实际使用（下载→训练→引用），而非仅被"知道"。
• 2026 年（2 次，截止抓取时点）：年度尚未结束，趋势需后续观察。

这条曲线的意义在于：数据论文的价值释放有延迟。论文发表当年被引少是正常的，真正判断其价值要看 1-2 年后是否有稳定的引用流。本数据集在 2025 年的 9 次引用表明它已跨过"被采用"的门槛。

7.2 在牙科 AI 数据景观中的位置

牙科 AI 的公开数据集大致可分几类：

类型	代表	本数据集的位置
大规模全景片	多为私有/地区性	本集规模小但公开
根尖片/口内照	若干公开集	模态不同（OPG 全局视图）
CBCT/3D	如 3DTeethSeg 等	2D vs 3D 互补
分割任务	牙齿/颌骨分割集	本集侧重检测+分类
多中心大集	公开者少	本集单地区，代表真实小样本常态

本条目代表的是牙科公开数据的"真实常态样本"：来自单一地区、规模有限、手机采集、类别不平衡。它的文献价值恰在于"真实"——很多牙科 AI 论文的数据条件比这更差，而本数据集把这些条件透明地公开、标注、评测，形成可引用的基准。

7.2b 与"理想要素"的差距

一个理想的牙科 OPG 数据集应具备：大规模、多中心、DICOM 质量、平衡类别、像素级标注、公开许可。本数据集与之的差距：

理想要素	本数据集	差距性质
大规模	232 张	规模不足（可接受的现实约束）
多中心	单城市三诊所	地域局限
DICOM 质量	手机翻拍 JPG	模态降级
平衡类别	17:1 不平衡	需下游处理
像素级标注	边界框	粒度较粗
公开许可	公开但有双口径	基本满足

这张表不是要贬低本数据集，而是要明确它的定位：它是一个"在现实约束下尽力而为"的数据集，其价值不来自逼近理想，而来自诚实地公开了差距。对使用者而言，知道差距在哪，比相信数据集完美更有用。

7.2c 对牙科 AI 入门者的路径价值

对刚进入牙科影像 AI 领域的研究者，本数据集是一条低门槛的入门路径：

1. 下载无障碍：197 MB 直链，无需审批。
2. 跑通快：232 张 + YOLOv7，单卡数小时出结果。
3. 有基线可比：论文给了 mAP50 93.54 作参照。
4. 有下游可学：Springer 章节展示了如何用 ResNet50+CBAM 做分类。

这条路径的价值在于把"进入一个陌生领域"的门槛降到最低——先在小数据集上把流程跑通、理解任务，再扩展到更大数据。许多研究者的第一篇牙科 AI 论文，就可能是基于这类小型公开数据集完成的。

7.3 论文自陈的相关工作对照

论文 Table 3 列出三项对照研究，勾画出这类数据集的常见形态：

对照研究	目标	数据规模	备注
[4] 儿童牙病识别	识别儿童牙病	9,562 张	本地采集
[5] 牙科状况识别	识别牙科状况	1,488 张 OPG	诊所采集
[6] 自动化诊断	开发自动化诊断	929 张原始 X 光	医院采集
本集	六类检测+分类	232 张 OPG	公开、双牙医标注

对照说明：本数据集规模虽小于部分同类，但公开性与标注规范性突出——本地采集的数据往往不公开，本集把"本地采集"变成了"公开基准"。

值得注意，论文引用的另外几项数据工作在规模上并不一致：有近万张的口内照分类集，也有不到千张的 X 光诊断集。这说明牙科 AI 数据的规模、模态、任务高度分散，不存在统一的"标准数据集"。本数据集在这个分散格局中，以"OPG + 检测 + 六类 + 公开"的组合占据一个特定位置。

7.4 数据集的引用规范

对使用者而言，引用本数据集时需注意区分两个对象：

• 引用论文（方法/描述）：Rahman et al., A comprehensive dental dataset of six classes for deep learning based object detection study, Data in Brief 57 (2024) 110970, doi:10.1016/j.dib.2024.110970。
• 引用数据（实际下载的数据本体）：Rahman et al., Dental OPG XRAY Dataset, Mendeley Data, V4, doi:10.17632/c4hhrkxytw.4。

学术规范上，数据论文的引用应同时包含论文与数据 DOI——论文说明数据的来龙去脉，数据 DOI 说明数据的实际版本。本条目附录 D 给出了 BibTeX 骨架。

§8 方法学启示

8.1 小样本医学影像的增广是必需品而非可选项

232 张原图要训练六类检测，如果不增广几乎必然过拟合。本数据集的答案是 CLAHE + Roboflow 增广 + mosaic 的组合：CLAHE 提升病灶可见性，几何增广扩展样本多样性，mosaic 提升小目标鲁棒性。这套组合对任何"百张量级"的医学影像项目都有直接参考价值——先把每一张图的信息榨干（增强对比），再把每一张图的形态扩展（增广），最后用拼接增强小目标。

8.2 双人标注是小型数据集的性价比拐点

数据集只有 232 张，团队却投入了"16 年经验初标 + 32 年经验复核"的双人成本。这是一个务实的权衡：当样本量小时，每张图的标注质量权重极高，因为错误标注无法被大量数据"稀释"。大数集可以容忍一定的标签噪声，小数据集不行。这条经验对预算有限的小数据集项目很有指导意义——规模不够，就用标注质量补。

8.3 手机翻拍的"够用哲学"

本数据集用手机翻拍而非 DICOM 直出，是一个值得思考的工程选择。它牺牲了诊断级质量，换来了合规便利与采集灵活。在"目的决定手段"的逻辑下，如果下游任务是"病灶分类/检测"而非"毫米级测量"，1176×603 px 的翻拍图往往够用。这给资源受限的研究者一个信号：不必等到拿到理想的医院数据源才开始——用现有条件采集一批、标注好、公开它，本身就有价值。

8.4 教训：许可双口径是小型数据集的常见陷阱

论文 CC BY-NC 与数据 CC BY 4.0 的并置，暴露了一个普遍问题——数据论文（data paper）的许可与数据仓库（repository）的许可是两套体系，作者未必有意识地对齐。使用任何医学数据集前，把"论文许可"和"数据许可"分别查清，是必要的尽职调查。本条目在 FACTS §9 与本文 §10 都做了存照。

8.5 教训：计数口径必须显式声明

本数据集正文称 1204 实例、Table 1 逐类和为 517，两者冲突且未解释。这不是个例——医学数据集在"实例数 vs 图像数 vs 增强后数 vs 文件数"之间极易混用口径。一条通用建议：报告数据集规模时，永远显式声明"这个数字指的是什么"（原始图？增强图？边界框数？文件数？），避免下游误引。本条目在 §2.5、§10 坑 6 都做了存照。

8.6 教训：单一测试集上的高指标是脆弱的

mAP50 93.54 在 23 张测试集上取得，无交叉验证、无外部验证、无逐类 AP。这提醒我们——小数据集的高分应视为"可行性信号"而非"性能保证"。研究者若要基于此数据集下泛化性结论，必须自行引入外部验证或交叉验证设计。

8.7 对牙科 AI 领域的方法论意义

把上述启示放到牙科 AI 的更大图景中：本数据集示范了**“真实临床条件 + 公开透明 + 规范标注”**这条路径的可行性。它不追求 SOTA 规模，而是把"数据从哪来、怎么标、怎么许可"讲清楚。对于长期受困于"数据不公开、来源不透明"的牙科 AI 领域，这是一种可复制的范式——先把小数据做规范，再谈大数据。

8.8 六条可迁移经验速览

把 §8.1-§8.7 的经验浓缩成一张可迁移清单：

经验	适用场景	依据
小样本必增广	百张量级医学影像	§8.1 CLAHE+Roboflow+mosaic
规模不够用质量补	预算有限的小数据集	§8.2 双牙医标注
目的决定采集手段	资源受限场景	§8.3 手机翻拍的够用哲学
论文/数据许可分别查	任何医学数据集	§8.4 许可双口径
规模数字显式声明口径	任何数据集报告	§8.5 1204 vs 517
小测试集高分是脆弱的	小数据集评测	§8.6 23 张测试集

这六条不限于牙科——它们是任何小规模医学影像数据集的通用经验，本数据集只是把它们在一个具体案例上演示了一遍。

8.9 对"数据集论文"这一体裁的观察

本数据集是一篇典型的"数据论文"（data paper）。这类论文在近年兴起，其价值主张是"数据本身即贡献"。从本案例可观察到数据论文的几处特征：

• 贡献在数据，不在算法：论文的"方法"是采集+标注+评测，而非新模型。
• 可复现性优先：详尽记录设备、参数、工具，目的是让他人能复用方法。
• 局限必须自曝：数据论文的信誉建立在诚实上，Limitations 是核心章节。
• 被引曲线延迟：价值释放需 1-2 年（§7.1b）。

对写作者而言，本数据集是一篇"规范数据论文"的范本；对使用者而言，理解这一体裁有助于判断"该期待什么样的信息"——比如，不要期待数据论文给出跨机构验证（那通常超出其范围）。

§9 与库内条目的关系

9.1 家族图谱

• tufts-dental（rid 57）：库内另一牙科影像条目。两者同属牙科 X 光赛道，可对照"不同来源、不同任务的牙科数据集如何设计"。
• 3dteethland（同级目录）：牙科三维（CBCT/口扫）牙齿分割。与本条目构成 2D 全景 vs 3D 牙齿的模态对照——二维投影的检测分类与三维结构的重建分割，任务与难点各不相同。
• chest-x-ray-segmentation（同级目录）：X 光片的检测/分割方法学对照。同属"X 光片 + 目标定位"，但解剖区域与病理体系完全不同，可对照 X 光 AI 的通用方法。
• 生态位：库内牙齿/牙科类条目多为大规模或三维，本条目以"小规模、真实诊所、手机翻拍、六类检测"补充了 2D 牙科影像的公开基准一环。

9.2 三模态对照框架

若把库内相关条目组织成一个"牙科影像 AI"的对照框架：

维度	dental-opg-xray	tufts-dental	3dteethland
模态	2D 全景片 OPG	牙科 X 光	3D CBCT/口扫
任务	六类检测+分类	牙科影像	三维分割
规模	232 张原始	库内条目	库内条目
采集	手机翻拍	库内条目	库内条目
用途	病灶识别	牙科诊断	牙齿重建

这个框架的价值在于：它让"牙科影像 AI"不再是一个笼统标签，而是按模态/任务/规模分层的清晰谱系。研究者按需求检索时，可以快速定位到匹配的模态与任务。

9.3 检索路径建议

• 检索词组合：“Dental OPG XRAY”（精确）+ “six classes” / “object detection”；避免只搜 “OPG”（会命中大量非数据集文献）。
• 若目标是直接使用：Mendeley Data V4（10.17632/c4hhrkxytw.4）→ 197 MB zip 直链 → 无需审批。
• 若目标是引用基线：引论文 Table 4（P 96.03 / R 86.53 / mAP50 93.54），并注明测试集仅 23 张。
• 若目标是商用：先确认许可，以作者书面答复为准（论文 CC BY-NC vs 数据 CC BY 4.0）。
• 若目标是去重：注意 Kaggle 三镜像（imtkaggleteam / tommyngx / chaudharyv209）是同一数据。

9.4 与相关条目的引用协同

当编写"牙科影像 AI"综述时，本条目适合与 tufts-dental（牙科 X 光通用）、3dteethland（三维牙齿）联合引用，形成"2D 全景检测 / 牙科 X 光 / 3D 结构"的三模态对照框架，避免单一数据集视角的偏狭。

9.5 库内小型基准的方法论互链

本条目与库内其他"小型但规范"的数据集共享一个主题：如何在样本量有限时仍产出可引用的基准。它们共同构成库内"数据集工程方法论"的一条隐线——规模不是唯一价值，元信息规范、许可清晰、伦理可核查同样是核心资产。检索这类主题时，本条目可作为"牙科 + 公开直链 + 双人标注"的典型样本被引用。

9.6 互链点的具体建议

为便于库内导航，建议在相关条目间建立以下互链：

• tufts-dental（rid 57）↔ 本条目：双向标注"牙科 X 光赛道对照"，使用户在检索任一牙科影像条目时能看到另一条。
• 3dteethland ↔ 本条目：标注"2D 全景 vs 3D 牙齿"的模态对照，帮助区分二维检测与三维分割。
• chest-x-ray-segmentation ↔ 本条目：标注"X 光片检测的跨解剖域对照"，用于方法学迁移研究。
• 本条目 → 下游复用：可提示 Springer 章节（doi 10.1007/978-3-032-19865-5_24）作为"基于本数据集的下游工作"。

这些互链的核心逻辑是：让"牙科影像 AI"在库内成为一个有结构的子领域，而非孤立条目。检索者从任一点进入，都能顺藤摸瓜找到相关的模态、任务、规模维度上的邻居。

9.7 引用协同的建议措辞

若在综述中同时引用本条目与库内其他牙科条目，可用如下框架句：

“牙科影像 AI 的公开数据覆盖多个模态：dental-opg-xray 提供 232 张全景片（OPG）的六类检测基准，tufts-dental 提供另一路牙科 X 光资源，3dteethland 则面向 CBCT/口扫的三维牙齿分割；三者在模态（2D 投影 vs 3D 体积）、任务（检测分类 vs 分割）、规模上互补，共同勾勒出牙科 AI 数据景观的轮廓。”

这样的措辞既准确又避免了"单一数据集代表整个领域"的误导。

§10 避坑清单：八个已踩过的坑

坑 1：论文标题与数据集名称不是一回事。 数据集叫 “Dental OPG XRAY Dataset”，论文题名是 “A comprehensive dental dataset of six classes for deep learning based object detection study”。检索文献时用论文题名，检索数据时用数据集名；两者混搜会漏。DOI 是 10.1016/j.dib.2024.110970（注意不是 111088——后者是同期另一篇完全无关的钢管连接论文，容易在自动补全中误选）。

坑 2：许可双口径，别一揽子引用。 论文本体标 CC BY-NC（禁商用），数据本体 Mendeley 标 CC BY 4.0（允许商用）。两套体系未对齐。学术用途无碍；商用必须与作者 M. F. Mridha 书面确认，不能只看 Mendeley 的 CC BY 4.0 就下结论。

坑 3：Kaggle 镜像的许可是转载方自设，不可信。 同一数据集在 Kaggle 上有多份镜像，许可标注互不一致：imtkaggleteam / tommyngx 标 CC BY 4.0，chaudharyv209/opgdata 标 CC0。CC0 与原始 CC BY-NC/CC BY 4.0 冲突。许可一律以 Mendeley 原始页为准。

坑 4：镜像 ≠ 独立数据集，防撞库。 Kaggle 上 imtkaggleteam/dental-opg-xray-dataset、tommyngx/dental-opg-xray-2024、chaudharyv209/opgdata 都是同一数据的转载，描述文字几乎逐字相同（都提"232 participants"“三诊所”“80:10:10”）。建目录/去重时勿把它们当新数据集。本库已核验：库内仅 tufts-dental（rid 57），无同名条目。

坑 5：文件数 2187 ≠ 图像数 232。 Kaggle 页面显示"2187 files"，这是含增强图、双套目录、标签文件的文件总数，不是图像数。论文口径的图像数是 232 原始 / 604 增强。混用会导致描述错误。

坑 6：实例计数两口径对不上（重要）。 论文正文称全集 1204 实例，但 Table 1 逐类相加只有 517（223+119+87+52+23+13）。1204 很可能是增强后或重复计数口径，论文未解释。引用时以 Table 1 逐类数为准；若必须用总量，显式声明"1204（论文正文口径，与 Table 1 逐类和不符）"。

坑 7：mAP50 93.54 的测试集只有 23 张。 论文 YOLOv7 基线的漂亮数字是在 test 仅 23 张上测得的，且无跨机构验证。不可作为泛化能力强证据；报告时应同时说明测试集规模与同分布限定。

坑 8：手机翻拍 + JPG ≠ 诊断级影像。 图像由 Samsung A52 翻拍所得，中位 1176×603 px、有损 JPG，含几何畸变与对比偏倚（故需 CLAHE 补救）。不能替代 DICOM 做临床诊断级验证，也不适合毫米级形态测量。

§11 总结

11.1 三句话总结

1. Dental OPG XRAY Dataset 用 232 张真实诊所全景片填了牙科 OPG 公开标注数据稀缺的空白，六类病理（健康/龋齿/阻生/感染/折裂/崩解冠根）+ 检测分类双组织。
2. 它的核心价值是"小而真"：双牙医标注、明确伦理批件、CLAHE+Roboflow 完整预处理链、YOLOv7 可复现基线（mAP50 93.54），197 MB 公开直链拿来即用。
3. 它的边界同样清晰：单地区、手机翻拍、严重类别不平衡、许可双口径、测试集仅 23 张——适合快速验证与教学，不适合作为跨人群泛化的唯一依据。

11.2 适合谁

• 牙科影像 AI 入门者：体量小、格式简单、有基线，是最低门槛的 OPG 实验起点。
• 目标检测/分类方法研究者：需要一个真实、不平衡、小样本的医学影像测试床。
• 教学场景：完整的"采集→增强→标注→评测"案例，适合数据工程课程。
• 小数据集方法论研究者：双牙医标注、手机采集、许可双口径都是活案例。
• 牙科 AI 综述作者：可直接引用其六类划分与 YOLOv7 基线做对比锚点。

11.3 不适合谁

• 需要跨人群泛化的研究：单地区三家诊所，代表性有限。
• 儿科牙病研究：下限 10 岁，直接排除。
• 需要诊断级影像的临床验证：手机翻拍 JPG，非 DICOM。
• 需要稳健训练少数类的项目：Fractured 仅 13 张，Infection 23 张，不足以支撑稳健的少数类模型。
• 需要像素级分割的项目：标注是边界框，非掩码。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	Mendeley V4（10.17632/c4hhrkxytw.4）→ 197 MB zip，无需审批
要做牙科 OPG 六类检测	直接用检测集（232 原始 + 604 增强，80:10:10）+ YOLOv7 基线对照
要引用基线数字	引 Table 4（P 96.03 / R 86.53 / mAP50 93.54），注明 test 仅 23 张
要商用	先查许可：论文 CC BY-NC vs 数据 CC BY 4.0——联系作者确认
要写牙科影像综述	§2.7 / §7.2 的对照表 + §9.2 三模态框架可直接引用
要做防撞库	注意 Kaggle 三镜像为同一数据（坑 4）
要引用本数据集	引论文 doi:10.1016/j.dib.2024.110970 + 数据 doi:10.17632/c4hhrkxytw.4

FAQ（高频问答 26 问）

A. 基础认知

Q1：这个数据集和 Kaggle 上的"dental-opg-xray-dataset"是一回事吗？
是。Kaggle 上多为转载镜像，原始发布在 Mendeley Data（c4hhrkxytw）。引用请以 Mendeley 原始页与论文为准。

Q2：到底有多少张图？
232 张原始全景片 + 604 张增强图（目标检测集）；另有六类分类集。Kaggle 页"2187 files"是文件总数，不是图像数。

Q3：六类具体是哪六类？
Healthy Teeth 健康牙、Caries 龋齿、Impacted Teeth 阻生牙、BDC/BDR 崩解冠根、Infection 感染、Fractured Teeth 折裂牙。

Q4：谁做的？发表在哪？
AIUB 六人团队，通讯 M.F. Mridha；论文发表在 Data in Brief 57 (2024) 110970，doi:10.1016/j.dib.2024.110970。

Q5：名字里的 OPG 指什么？
Orthopantomogram，曲面断层全景片，覆盖全牙列的二维 X 光片。

Q6：最大的卖点一句话？
把一批真实诊所采集、双牙医标注的六类全景片数据公开化，并给出可复现的 YOLOv7 基线——小规模、透明、拿来即用。

B. 数据与获取

Q7：图像分辨率多少？
中位 1176 × 603 像素，16:9，JPG。

Q8：为什么是手机拍的？
论文未解释原因，但手机翻拍在小规模数据集中常见——绕开 PACS/DICOM 导出的合规流程，采集灵活。代价是质量偏倚与几何畸变。

Q9：许可能不能商用？
数据本体 Mendeley 标 CC BY 4.0（可商用），论文标 CC BY-NC（不可商用），二者冲突。商用前务必与作者书面确认。

Q10：怎么下载？
Mendeley Data V4 公开直链，197 MB zip，无需审批。IEEE DataPort 也有收录页。

Q11：检测集和分类集有什么区别？
检测集按 train/valid/test 划分、带边界框标签；分类集按六类文件夹组织。前者做病灶定位，后者做整图分类。

Q12：能用于儿科吗？
不能。排除 10 岁以下个体。

Q13：有 DICOM 吗？
没有。全部是手机翻拍的 JPG，非诊断级。

Q14：分类集每类多少张？
论文未披露（只说"six distinct files for each class"）。属遗留疑点。

C. 标注与质量

Q15：谁标注的？靠谱吗？
16 年经验牙医初标、32 年经验牙医复核，全程有资深医师督导。属小型数据集里偏严格的协议，但未报告标注者间一致性指标。

Q16：用什么工具标注？
CVAT，画边界框，导出 YOLO 格式，配 label map。

Q17：标注是边界框还是掩码？
边界框（bounding box）。做像素级分割需自行派生。

Q18：类别均衡吗？
很不均衡。Healthy 223 vs Fractured 13，约 17:1。训练时须做类别平衡（下游研究已这么做）。

Q19：为什么排除 10 岁以下？
作者解释：成人牙结构与儿童差异显著，为保证年龄一致性而排除。因此不可用于儿科研究。

D. 评测与复现

Q20：有官方基线吗？
论文用预训练 YOLOv7，mAP50 93.54 / P 96.03 / R 86.53。无官方 leaderboard。

Q21：测试集多大？
23 张。很小，解读指标时须谨慎。

Q22：有官方训练脚本/权重吗？
没有。论文给指标与增广参数，但要自己复现。

Q23：怎么引用？
论文：Rahman et al., Data in Brief 57 (2024) 110970, doi:10.1016/j.dib.2024.110970；数据：doi:10.17632/c4hhrkxytw.4。

E. 定位与比较

Q24：这个数据集规模算大吗？
不算。232 张原始在牙科数据集中偏小。它的价值在真实性、公开性与标注规范，而非规模。

Q25：和 CBCT/三维牙齿数据集什么关系？
互补关系。本集是 2D 全景投影，CBCT 是 3D 体积。任务不同（检测分类 vs 三维分割），可对照使用。

Q26：如果我只记住一件事？
这是一个"小而真"的公开基准：232 张达卡三诊所全景片、六类病理、双牙医标注、YOLOv7 基线、Mendeley 公开直链——但规模、地域、模态都限制了它的外推边界（§10 八个坑）。

F. 进阶问题

Q27：验证/测试集里有没有增强图？
论文表述"the augmented data is split into train, test, and valid"，若验证/测试集也含增广图，评估会因训练-评估同源而偏乐观。这是使用者应打开数据后重点核实的点（§2.9）。

Q28：为什么 Precision 比 Recall 高这么多？
P 96.03 vs R 86.53 的差距指向漏检。与类别不平衡吻合：少数类（感染/折裂/崩解冠根）样本少，模型倾向于漏掉它们以保护多数类的查准率（§4.3）。

Q29：能不能用这个数据集做分割？
标注是边界框，不是像素级掩码。做分割需自行派生掩码（如用框裁剪 ROI 或人工补充）。论文称"可用于 segmentation"，但那是任务可能性声明，非数据本身（§10 坑）。

Q30：这个数据集适合微调牙科大模型吗？
可以作为一个小规模评测集，但不适合作为预训练主力（232 张太少）。更合理的用法是：用大模型在别的牙科数据上预训练，用本数据集做零样本/少样本评测（§11.2）。

Q31：论文的 13 次被引说明什么？
说明数据已跨过"被采用"门槛。数据论文的价值释放有延迟，2025 年的 9 次引用是关键信号（§7.1b）。

Q32：如果我想要更大规模的牙科 OPG 数据怎么办？
本数据集规模有限，可考虑：① 寻找其它公开 OPG 数据集；② 与医院合作采集（需伦理审批）；③ 用本数据集做原型，再用更大私有数据扩展。注意本数据集的价值是"公开可引用"，不是"规模最大"。

Q33：条目的"双口径存照"是什么意思？
指对论文与数据仓库、或不同来源之间同一事实的不同表述（如许可 CC BY-NC vs CC BY 4.0、实例数 1204 vs 517），本条目全部逐条记录而非掩盖，供使用者自行判断（FACTS §9）。

Q34：为什么条目反复强调"许可双口径"？
因为它直接决定能否商用，是使用者最易踩的坑。学术无碍、商用有风险，必须显式区分（§5.2、坑 2）。

事实清单（硬事实 35 条）

1. 官方名：Dental OPG XRAY Dataset。
2. 论文：A comprehensive dental dataset of six classes for deep learning based object detection study。
3. 期刊+卷期：Data in Brief, Volume 57, 110970, 2024 Dec。
4. DOI：10.1016/j.dib.2024.110970。
5. PMID：39398472；PMCID：PMC11470401。
6. 通讯作者：M. F. Mridha（firoz.mridha@aiub.edu）。
7. 机构：American International University-Bangladesh（AIUB），Kuratoli 408/1, Dhaka。
8. 作者：Rahman, Tanim, Alfaz, Shrestha, Miah, Mridha（6 人同机构）。
9. 原始全景片：232 张。
10. 参与者：232 人，男+女，≥10 岁。
11. 拍摄设备：Samsung Galaxy A52 / SM-A525F，64MP，f/1.8，26mm。
12. 图像规格：16:9，中位 1176×603 px，JPG。
13. 六类实例（Table 1）：Healthy 223 / Caries 119 / Impacted 87 / BDC-BDR 52 / Infection 23 / Fractured 13。
14. Table 1 逐类和：517（正文另有 1204 口径，冲突未解释）。
15. 年龄跨度：Healthy/Caries 10–90；Impacted 10–85；BDC/BDR 16–90；Infection/Fractured 16–85。
16. 采集地：达卡三诊所（Prescription Point Ltd. / LabAid / Ibn Sina Diagnostic and Imaging Center）。
17. 标注工具：CVAT，边界框，YOLO 导出 + label map。
18. 标注者：16 年经验牙医初标 + 32 年经验牙医复核（增/删/确认）。
19. 增强：CLAHE 对比增强 + Roboflow 增广（640×640，水平翻转/±15°旋转/±10°剪切/±10%曝光/mosaic）。
20. 检测集：232 原始 + 604 增强，train 558 / test 23 / valid 23（80:10:10）。
21. 基线：YOLOv7，Precision 96.03 / Recall 86.53 / mAP50 93.54。
22. 数据仓库：Mendeley Data V4，doi 10.17632/c4hhrkxytw.4，197 MB，CC BY 4.0。
23. 论文许可：CC BY-NC。
24. 伦理批件：Bangladesh Dental College & Hospital，Protocol No: MK-198109。
25. 伦理准则：赫尔辛基宣言 + CIOMS-WHO。
26. 资助：无（authors declare no specific funding）。
27. 致谢督导：Prof. Dr. Md. Rafiqur Rahman（采集与标注专家督导）。
28. 支持机构：Learnify Research Lab。
29. 论文时间线：Received 2024-09-08 / Revised 2024-09-19 / Accepted 2024-09-19 / 在线 2024-09-21 / Collection 2024 Dec。
30. Google Scholar 被引：13 次（抓取时点，2024:2 / 2025:9 / 2026:2）。
31. Kaggle 文件总数（镜像口径）：2187 files（含增强图/标签/双目录，非图像数）。
32. 论文 Table 3 对照集：9,562 张儿童牙病、1,488 张 OPG、929 张原始 X 光。
33. 下游复用：Springer 章节（doi 10.1007/978-3-032-19865-5_24）用 ResNet50+CBAM 六类分类，数据取自 Kaggle 镜像。
34. 相机关键参数：曝光 1/6000s–10s；ISO 50–3200；无闪光；中心加权测光；曝光补偿 0。
35. 分类集：六类文件夹，JPG，逐类张数未披露。
36. 论文关键词：Dental disease, Dental informatics, Radiograph, Detection。
37. 论文 Specific subject area：Machine Learning and Deep Learning based object detection, segmentation, classification of dental diseases。
38. 数据形态：Images（JPG）+ JSON 格式标签。
39. 论文 Value of Data 明示：数据集面向 AI/计算机科学研究者与牙科专业人士、教育者、学生。
40. 论文引用的增广算法出处：Dynamic Mosaic（Li et al., Math. Biosci. Eng. 2023）。

术语表（28 条）

术语	解释
OPG	Orthopantomogram，曲面断层全景片，覆盖全牙列的二维 X 光片
全景片	OPG 的中文通称
BDC/BDR	Broken Down Crown/Root，崩解冠/崩解根，结构严重损坏的牙
Caries	龋齿，细菌产酸侵蚀釉质成洞
Impacted Teeth	阻生牙，无法正常萌出的牙（常见智齿）
Fractured Teeth	折裂牙，从釉质裂纹到深达牙髓/根的断裂
Infection	牙科感染，脓肿/根周炎症
Healthy Teeth	健康牙，釉质完整、无病理
CVAT	Computer Vision Annotation Tool，开源标注平台
边界框	Bounding box，目标检测的矩形标注
label map	标签映射文件，把数值类号映射为类名
CLAHE	Contrast-Limited Adaptive Histogram Equalization，限制对比度自适应直方图均衡
Roboflow	常用增广与数据管理平台
auto-orient	自动定向预处理
mosaic 增强	四图拼接增广，提升小目标检测鲁棒性
YOLOv7	单阶段目标检测器，本数据集基线模型
YOLO 格式	归一化中心坐标+宽高的标注格式
mAP50	交并比阈值 0.5 下的平均精度均值，检测核心指标
Precision	查准率，报出的框中正确的比例
Recall	查全率，真实目标被找出的比例
类别不平衡	各类样本数差异悬殊，导致模型偏向多数类
DICOM	医学数字成像与通信标准，诊断级影像格式
CBCT	锥形束 CT，牙科三维影像
OPG 设备	曲面断层摄影机，全景片采集设备
CC BY 4.0	署名即可用（含商用）的知识共享许可
CC BY-NC	署名-非商业使用的知识共享许可
CC0	放弃一切权利的知识共享许可
Data in Brief	Elsevier 旗下数据论文期刊
Data paper	数据论文，以数据本身为贡献的论文体裁
PACS	Picture Archiving and Communication System，医学影像存档与通信系统
泛化	模型在新数据分布上的表现能力
交叉验证	多次划分训练/测试以评估稳定性的方法
分层划分	按类别比例划分数据集，保证分布一致
early stopping	早停，根据验证集表现提前终止训练的策

附录

附录 A：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	论文开放获取 + Mendeley 页 + IEEE DataPort + 多份 Kaggle 镜像，检索入口丰富；但"OPG"缩写易与临床文献混淆
A 可获取性	9	Mendeley 197 MB zip 公开直链、无需审批——本集最大亮点
I 可互操作	6	JPG + JSON/YOLO 标准格式，通用性好；但无 DICOM、无官方转换脚本
M 元数据质量	6	论文给全设备参数/类定义/增广参数/基线指标；但实例计数两口径冲突（517 vs 1204）、分类集张数未披露、未报标注者一致性——扣除较多
S 可持续性	8	Mendeley（Elsevier 旗下）+ IEEE DataPort 双托管，稳定；有 13 次引文的持续使用证据
综合评级	7.2/10（中上）	可获取性与可持续性突出，元数据一致性是主要短板

附录 B：逐项证据链自证

关键数字	来源	位置
232 张原始全景片	论文摘要 / §4.1	Europe PMC 全文
六类 223/119/87/52/23/13	论文 Table 1	Europe PMC 全文
中位 1176×603 px / 16:9	论文规格表	Europe PMC 全文
Samsung A52 / 64MP	论文 Table 2	Europe PMC 全文
1204 实例（冲突口径）	论文 §4.1 正文	Europe PMC 全文
train 558 / test 23 / valid 23	论文 §4.1	Europe PMC 全文
YOLOv7 P96.03/R86.53/mAP50 93.54	论文 Table 4	Europe PMC 全文
CVAT + 16年/32年牙医	论文 §4.4	Europe PMC 全文
CLAHE + Roboflow 增广参数	论文 §4.3 / §4.5	Europe PMC 全文
伦理批件 MK-198109	论文 Ethics Statement	Europe PMC 全文
数据许可 CC BY 4.0 / 197 MB	Mendeley Data V4 页	data.mendeley.com
论文许可 CC BY-NC	论文版权行	Elsevier / TIB / Europe PMC
被引 13 次	Google Scholar	scholar 页（抓取时点）
三诊所名称	论文规格表	Europe PMC 全文

附录 C：可获取性速查

你想做的	去哪里	备注
下载全部数据	https://data.mendeley.com/datasets/c4hhrkxytw/4	197 MB zip，无需审批
读论文	https://doi.org/10.1016/j.dib.2024.110970	开放获取
读 PMC 全文	https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11470401/	PMC11470401
找镜像	Kaggle imtkaggleteam / tommyngx	注意许可以原件为准
看收录	https://ieee-dataport.org/documents/dental-opg-xray-dataset	IEEE DataPort
看下游复用	https://link.springer.com/chapter/10.1007/978-3-032-19865-5_24	Springer 章节

附录 D：引用格式（BibTeX 骨架）

@article{rahman2024dentalopg,
  title   = {A comprehensive dental dataset of six classes for deep learning based object detection study},
  author  = {Rahman, Rubaba Binte and Tanim, Sharia Arfin and Alfaz, Nazia and
             Shrestha, Tahmid Enam and Miah, Md Saef Ullah and Mridha, M. F.},
  journal = {Data in Brief},
  volume  = {57},
  pages   = {110970},
  year    = {2024},
  doi     = {10.1016/j.dib.2024.110970}
}

@misc{rahman2024dentalopgdata,
  title        = {Dental OPG XRAY Dataset},
  author       = {Rahman, Rubaba Binte and others},
  year         = {2024},
  publisher    = {Mendeley Data},
  version      = {V4},
  doi          = {10.17632/c4hhrkxytw.4},
  url          = {https://data.mendeley.com/datasets/c4hhrkxytw/4}
}

附录 E：基于本数据集的研究检查清单（12 项）

1. 许可核对：学术用途无碍；商用必须先确认论文 CC BY-NC 与数据 CC BY 4.0 的适用边界。
2. 来源采信：许可与元数据以 Mendeley 原始页为准，不采信 Kaggle 镜像的自定义标签。
3. 计数口径：用 Table 1 的 517（逐类）而非正文的 1204；若引 1204 须注明冲突。
4. 类别平衡：训练前处理 17:1 的不平衡，尤其保护 Fractured/Infection 少数类。
5. 测试集警示：mAP50 93.54 基于 23 张测试集，报告时说明规模与同分布限定。
6. 模态边界：手机翻拍 JPG ≠ 诊断级，不可用于临床验证或毫米级测量。
7. 年龄边界：下限 10 岁，儿科研究不可用。
8. 任务边界：标注是边界框，做像素级分割需另行派生。
9. 跨人群验证：作者已警告代表性有限，跨人群结论需额外验证数据。
10. 文件命名：保持图像-标签文件名配对，自行重划分时勿破坏对应关系。
11. 引用完整：同时引论文（doi:10.1016/j.dib.2024.110970）与数据（doi:10.17632/c4hhrkxytw.4）。
12. 去重意识：Kaggle 三镜像为同一数据，勿在元数据集里重复计数。

附录 F：数据集的物理目录结构（推定）

Dental OPG XRAY Dataset/
├── Dental OPG (Object Detection)/
│   ├── train/      (558 图 + 标签)
│   ├── valid/      (23 图 + 标签)
│   └── test/       (23 图 + 标签)
└── Dental OPG (Classification)/
    ├── Healthy Teeth/
    ├── Caries/
    ├── Impacted Teeth/
    ├── BDC-BDR/
    ├── Infection/
    └── Fractured Teeth/

附录 G：六类病理速查

类号	中文	英文	影像线索	临床要点
0	健康牙	Healthy Teeth	均匀亮区	鉴别基准
1	龋齿	Caries	牙面/牙内暗区	最常见，早治防扩散
2	阻生牙	Impacted Teeth	牙被阻/异位	常见智齿，需外科评估
3	崩解冠根	BDC/BDR	大面积缺失	常需根管/拔除
4	感染	Infection	根周暗点	急症，防扩散
5	折裂牙	Fractured Teeth	裂纹至深部	视程度选粘接/冠/拔除

附录 J：常见误用场景警示

误用场景	为什么错	正确做法
把 mAP50 93.54 当作泛化证据	测试集仅 23 张且同分布	补外部验证或交叉验证
用本数据集训练临床诊断产品	手机翻拍非诊断级	用更大规模诊断级数据
认为 Kaggle 三镜像可分别引用	同一数据的转载	只引 Mendeley 原始 DOI
采信 Kaggle 的 CC0 标签	转载方自定义	以 Mendeley 原始页为准
用 Table 1 直接加总引"517 实例"而不注明	与正文 1204 冲突	注明口径或引逐类数
期望像素级分割标签	标注是边界框	自行派生掩码
用于儿科研究	排除 10 岁以下	换用含儿童的数据集

附录 K：一页速览（供快速引用）

• 名称：Dental OPG XRAY Dataset
• 论文：Data in Brief 57 (2024) 110970，doi:10.1016/j.dib.2024.110970
• 数据：Mendeley Data V4，doi:10.17632/c4hhrkxytw.4，197 MB，CC BY 4.0
• 规模：232 张原始 OPG + 604 增强图；六类 223/119/87/52/23/13
• 来源：达卡三诊所，Samsung A52 手机翻拍
• 标注：CVAT 边界框，16 年 + 32 年经验牙医
• 基线：YOLOv7，P 96.03 / R 86.53 / mAP50 93.54（test 23 张）
• 伦理：MK-198109，赫尔辛基宣言 + CIOMS-WHO
• 一句话：牙科全景片领域"小而真"的公开基准，拿来即用、外推需谨慎

附录 L：术语首现对照（英文）

中文	英文	首现章节
曲面断层全景片	orthopantomogram (OPG)	§0.1
全景片	panoramic radiograph	§1
界限对比自适应直方图均衡	CLAHE	§1
边界框	bounding box	§1
目标检测	object detection	§1
图像分类	image classification	§1
崩解冠/根	Broken Down Crown/Root (BDC/BDR)	§2.2
龋齿	caries	§2.2
阻生牙	impacted teeth	§2.2
折裂牙	fractured teeth	§2.2
增广	augmentation	§4.1
拼接增强	mosaic augmentation	§4.1
类不平衡	class imbalance	§2.5
交叉验证	cross-validation	§4.4
分层划分	stratified split	§2.9

附录 M：相关 DOI 与链接汇总

资源	标识
论文 DOI	10.1016/j.dib.2024.110970
论文 PMID	39398472
论文 PMCID	PMC11470401
数据 DOI	10.17632/c4hhrkxytw.4
Mendeley 直链	https://data.mendeley.com/datasets/c4hhrkxytw/4
IEEE DataPort	https://ieee-dataport.org/documents/dental-opg-xray-dataset
下游复用（Springer）	10.1007/978-3-032-19865-5_24
Kaggle 镜像 A	kaggle.com/datasets/imtkaggleteam/dental-opg-xray-dataset
Kaggle 镜像 B	kaggle.com/datasets/tommyngx/dental-opg-xray-2024
Kaggle 镜像 C	kaggle.com/datasets/chaudharyv209/opgdata

附录 H：保留所有权的关键提醒

本条目不授予任何数据的使用权。Dental OPG XRAY Dataset 的所有权与许可归原作者（AIUB 团队）与发布平台（Mendeley Data/Elsevier）所有。使用者须自行核实并遵守当前有效许可（论文 CC BY-NC、数据 CC BY 4.0，及二者关系），特别是商用场景须取得作者书面确认。

附录 I：条目的维护与更新触发点

• 许可澄清：若作者或 Mendeley 明确论文 CC BY-NC 与数据 CC BY 4.0 的关系，更新 §5.2 与坑 2。
• 数据更新：若数据集发布新版本（V5+）或新增类别，更新 §2 规格与版本链。
• 新下游评测：若出现基于本数据集的 SOTA 报告或跨机构验证结果，更新 §7 生态与 §4 评测。
• 基线补充：若作者公开训练脚本或权重，补充 §4.2 可复现性评估。
• 分类集张数披露：若论文修订版披露分类集逐类张数，更新 §2.4 与遗留疑点。

尾注

• 抓取时点：2026-09-30；本条目所引数据均以该时点可访问的公开来源为准。
• 一手来源优先级：Europe PMC 全文（PMC11470401）> Mendeley Data V4 页 > Elsevier/TIB 元数据 > Kaggle 镜像。
• 双口径存照详见 FACTS.md §9。
• 库内互链建议：tufts-dental（rid 57）、3dteethland、chest-x-ray-segmentation。
• 本条目不含任何图片占位；所有数字均可回溯至附录 B 证据链。

DAIMS = Discoverability / Accessibility / Interoperability / Metadata / Sustainability（可发现性/可获取性/可互操作/元数据/可持续性）
OPG = Orthopantomogram（曲面断层全景片）｜CVAT = Computer Vision Annotation Tool｜CLAHE = 限制对比度自适应直方图均衡｜BDC/BDR = 崩解冠/崩解根｜OPG 设备 = 曲面断层摄影机

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• tbx11k — 共享标签：医学影像 / X光影像 / 目标检测 / 图像分类
• vindr-pcxr — 共享标签：医学影像 / X光影像 / 目标检测 / 图像分类
• vindr-spinexr — 共享标签：医学影像 / X光影像 / 目标检测 / 图像分类
• rsna-pneumonia — 共享标签：医学影像 / X光影像 / 目标检测 / 评测基准
• covidx-cxr — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• cxr-lt — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• brixia-peru — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• medmnist — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• heichole — 共享标签：医学影像 / 目标检测 / 图像分类 / 评测基准
• icbhi-2017 — 共享标签：医学影像 / X光影像 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。