信息速览
牙科人工智能有一个不大体面的秘密：论文里跑得最漂亮的那一批模型，喂进去的往往是曲面断层全景片或者口内照片，而在种植规划、根尖病变、牙根吸收、下颌神经管定位这些真正需要三维信息的环节上起决定作用的，是锥形束 CT（Cone Beam Computed Tomography，CBCT）。CBCT 公开得极少，原因并不神秘——它体量大、设备贵、患者要在机器前站十几秒、且每一份体积数据都带着一张可以被复原的脸。于是公开牙科数据长期停在一个尴尬的格局：全景片很多，CBCT 很少，而同一个患者既有 CBCT、又有全景片、还能对上同一颗牙的根尖片这种“三件套齐全”的配对，此前几乎不存在。更麻烦的是，真实诊所里缺的从来不是某一种模态，而是它们之间的对应关系：模型在全景片上认出的那颗牙，到底对应 CBCT 体数据里的哪一个牙位。
2024 年 10 月 11 日，广西师范大学的 Wenjing Liu、Yunyou Huang 与 Suqin Tang 在 PhysioNet 上放出了这个问题的一种解法，版本 1.1.0。它给出 169 名患者、329 例 CBCT、8 张全景片，外加 188 组共 16203 张根尖片；后者的来源最值得停顿——它们不是拍出来的，是从 CBCT 体数据里用 Siddon-Jacobs 光线追迹算法“追”出来的投影。用合成的方式补齐缺失模态，一次解决三件事：不必让患者多吃一遍射线，拿到了传统放射条件下极难拿到的配对数据，也让每一张根尖片天然带着一个已知的三维出处。代价同样清楚：这是受限访问资源，得认证、得签协议、得完成培训、还得让作者审你的研究计划；合成影像与真实 X 线之间的域差，官方在局限里自己点了名。下面先把它的基本盘和一屏速览摊开。
| 维度 | 内容 |
|---|---|
| 全名 | A multimodal dental dataset facilitating machine learning research and clinic services |
| 发布方 | PhysioNet（MIT 计算生理实验室运营）；数据由广西师范大学 Liu/Huang/Tang 团队提交 |
| 首次发布 | 2023 年 9 月 6 日，版本 1.0.0 |
| 最近版本 | 2024 年 10 月 11 日，版本 1.1.0（较 1.0.0 数据量下调） |
| 患者数 | 169 名成年患者（另有 108 名患者参与根尖片产出） |
| CBCT | 329 个卷，每卷通常含 420 个 .dcm 切片文件，DICOM 格式 |
| 全景片 | 8 张，DICOM 格式 |
| 根尖片 | 188 个文件夹，内含合计 16203 张 TIFF；每文件夹分 left/middle/right 三个投照角度 |
| 文件清单 | 5 个 CSV：CBCT_Info、PaX_Info、PeX_Info、Patient_Statistics_Info、Implant_Marking |
| 标注规模 | 13 名研究人员逐个 CBCT 卷标注牙齿位置；每卷一行种植体有无的二值标签 |
| 采集时间与地点 | 2021 年 1 月至 2022 年 1 月，桂林医学院所属牙科诊所，回顾性采集 |
| 伦理与合规 | 桂林医学院伦理委员会批准，IRB 号 GLMC20230502；全部患者知情同意 |
| 去标识 | 姓名与患者 ID 换为随机新值，StudyInstanceUID 等重生成，出生日期删除、检查日期替换 |
| 年龄边界 | 保留性别与年龄（年龄段形式）；数据内不出现 89 岁以上患者 |
| 许可与访问 | PhysioNet Contributor Review Health Data License 1.5.0，受限访问 |
| 获取门槛 | 完成 PhysioNet 认证 + 签署 DUA 1.5.0 + 完成 CITI Data or Specimens Only Research 培训 + 向贡献者提交研究计划获审 |
| DOI | 10.13026/h1tt-fc69（v1.1.0）／10.13026/bxzm-dg78（latest） |
| 典型用途 | 口腔三维结构重建、影像到影像的翻译、种植体检测，以及与之相关的牙科机器学习研究 |
§1 它要解决的具体麻烦
1.1 牙科影像的三种视角，各缺一块
牙口看病有三张片子，各自回答不同的问题。曲面断层全景片（panoramic radiograph）用锥形 X 线束扫过口腔，把弯曲的牙弓摊成一张平面二维图，一张图看全口，便宜、辐射低，但它挤压了颌骨前后结构、丢掉了空间关系，重叠影像多。根尖片（periapical radiograph）分辨率最高，能看到根尖周病变、牙周膜间隙、牙骨质细节，代价是要按牙位一张一张拍，多颗牙就意味着多次曝光。CBCT 给出体数据，牙根走向、骨厚度、下颌神经管位置、上颌窦底形态都在里面，代价是设备成本、辐射剂量与极高的隐私敏感度。
三者本应互补，现实却长期割裂。一个患者在同一家诊所往往只拍其中一种：初筛拍全景片，做种植才上 CBCT，牙体牙髓治疗可能补几张根尖片。于是“同一颗牙在三种模态下长什么样”这件事，在真实数据里几乎每个人都有、在人人都拿得到的公开数据里几乎没有。这个断层直接卡住两类研究：一类是跨模态迁移（用便宜模态训练、在贵模态上用），另一类是三维重建与影像翻译（从二维反推三维结构），两者都强制性要求像素级或体素级对应的配对样本。
1.2 稀缺性的次序
| 模态 | 公开可得的程度 | 造成稀缺的原因 | 本数据的供给 |
|---|---|---|---|
| 曲面断层全景片 | 相对最多，多家机构有公开集合 | 辐射低、单次成像、隐私压力较小 | 极少，只有 8 张 |
| 口内照片 | 较多，智能手机或口内相机即可采集 | 采集门槛最低 | 不提供 |
| 根尖片 | 少量，多为单中心小集合，常按病例给 | 需逐牙多次曝光，伦理与辐射受限 | 16203 张，但为合成 |
| 锥形束 CT | 最稀缺，公开集合屈指可数 | 体数据大、可复原面部、设备昂贵 | 329 卷，主体资源 |
| 跨模态配对（同一患者） | 近乎空白 | 同一患者很少同时做多种检查 | 这是它唯一的强项 |
上表把话说白了：它不是“全景片大全”，也不是“根尖片大全”，它的资源几乎没有投在有富余的那一侧，而是全押在稀缺的 CBCT 与跨模态配对上。理解这一点，后面所有的取舍都说得通。
1.3 三条常见的错误期待
| 说法 | 实际 | 证据 |
|---|---|---|
| 这是一份“三模态都很多”的综合库 | CBCT 是主体；全景片只有 8 张；根尖片虽多却是合成的 | 官方 Data Description：PaX-ray 仅含 8 张全景放射片；局限性第一条即为全景数据稀缺 |
| 根尖片是真实 X 线拍摄的，可以做剂量相关研究 | 全部由 CBCT 体数据经 Siddon-Jacobs 光线追迹投影生成，无真实曝光过程，也无曝光参数语义 | 官方写明：CBCT 内已含生成根尖片所需全部信息，故由 CBCT 提取信息并生成 |
| 既然有限制条件，应该也能拿到实际采集参数 | 1.1.0 只收录签署知情同意的患者，数据量较 1.0.0 下调，且文件列表需授权后方可浏览 | Release Notes 原文；PhysioNet Files 区注明为 restricted-access resource |
1.4 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| CBCT 上的分割、检测、重建任务 | 329 卷、逐卷带牙位标注与种植体标签 | 够，这是它最扎实的一块 |
| 由二维推三维、或三维投二维的影像翻译 | 同一患者同时具备 CBCT 与由该 CBCT 合成的投影，天然体对齐 | 够，且是这个领域最难得的配对条件 |
| 种植体有无的二分类 | 每卷一行 Label，0/1 直接可用 | 够，标签粒度粗但直接可用 |
| 种植体型号、位置、骨结合状态 | 不提供 | 不够，标签只有有无 |
| 全景片上的大规模训练 | 8 张 | 远不够 |
| 真实放射条件下的根尖片伪影研究 | 合成投影，不携带真实曝光噪声与体位误差 | 不够，官方亦称其质量不高 |
| 人口学分层分析 | 仅性别与年龄段，且年龄为区间形式 | 只够粗分层 |
1.5 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 已有 CBCT 分割模型，想找一个未见过的中国人群外测集 | 329 卷中国诊所数据、不同设备参数，可做外部验证 | 按 PatientID 划分，避免同一患者的多次就诊跨集 |
| 做影像翻译，缺 paired 的三维—二维样本 | CBCT 与其三个角度的合成投影天然配对 | 从 PeX-ray 的 left/middle/right 三目录取同一牙位的三视图做多视角约束 |
| 做种植体检测，手上只有事后报告 | 卷级 0/1 标签可直接做弱监督定位 | 从 Implant_Marking.csv 读 Label，与 FileName 对齐后建训练/验证集 |
| 要做辐射剂量或真实 X 线伪影研究 | 帮不上，这里没有真实曝光语义 | 换真实采集的数据集 |
| 需要一个无需审批的下载即用数据集 | 帮不上，它是受限访问 | 提前准备认证与 CITI 培训，留出申请周期 |
| 想复现已发表结果 | 版本固定（1.1.0），DOI 明确 | 引用 v1.1.0 的 DOI 而非 latest，避免与 1.0.0 混淆 |
1.6 一句话判断
它不是牙科数据的“量级担当”，而是一件用来解决配对稀缺的工具：用三百多卷 CBCT，把通常凑不齐的三模态关系一次性补齐，代价是全景片只有八张、根尖片全为合成、且门要敲很久才开。
1.7 不适合谁：四条边界
不适合指望全景片规模的人。 8 张全景片意味着任何以全景为主模态的深度学习训练都无法在这里完成，它在这条赛道上是名字里有、实际上缺席的。
不适合追求真实放射物理特性的人。 合成根尖片是计算出来的投影，没有散射线、没有胶片或探测器的真实噪声、没有患者体位晃动。用它训出来的模型，在面对真实根尖片时的落差，官方已经在局限性里承认了“图像质量不高”。
不适合想要细粒度临床标签的人。 除了种植体有无、性别、年龄段与 DICOM 成像参数，没有病历、没有诊断结论、没有随访与结局。任何疾病分级任务都得自己标，或者别做。
不适合没有合规耐心的人。 认证、DUA 1.5.0、CITI 培训、作者逐个项目审核，四道手续里最后一道的时间不由你控制。项目周期紧的团队应当先跑通审批再谈技术。
§2 数据构成与规格
2.1 三个顶层目录与五个清单文件
资源采用“影像目录 + CSV 清单”的双层组织：影像按模态分 CBCT、PaX-ray、PeX-ray 三个平级目录，元数据全部抽到五个 CSV 里。这种组织方式的好处是清单先行——不必挂载上百 GB 影像，光读 CSV 就能判断这个库是否值得申请。
| 名称 | 类型 | 粒度 | 内容 |
|---|---|---|---|
CBCT |
目录 | 每卷一个子目录 | 锥形束 CT 的 DICOM 切片序列 |
PaX-ray |
目录 | 每次检查一个子目录 | 曲面断层全景片，每个子目录一个 .dcm |
PeX-ray |
目录 | 每口腔一个子目录 | 合成根尖片，内分 left/middle/right 三个角度目录 |
CBCT_Info.csv |
清单 | 一行一个 CBCT 卷 | 患者性别年龄段 + DICOM 成像参数 |
PaX_Info.csv |
清单 | 一行一张全景片 | 字段与 CBCT_Info 相同 |
PeX_Info.csv |
清单 | 一行一个口腔 | 同前，另加三个角度目录的张数与总数 |
Patient_Statistics_Info.csv |
清单 | 一行一名患者 | 汇总该患者名下的三类文件名 |
Implant_Marking.csv |
清单 | 一行一个 CBCT 卷 | 种植体有无的 0/1 标签 |
三个影像目录的数量关系是这套结构的关键约束：CBCT 覆盖面最大（329 卷／169 名患者），PeX-ray 只覆盖其中一部分（188 组／108 名患者），PaX-ray 最小（8 张）。三者通过 PatientID 与就诊次序后缀对齐，形成一个以 CBCT 为主干的部分嵌套关系，而不是三个等宽并列的数据子集。
2.2 CBCT_Info.csv 的字段字典
下表逐项列出 CBCT 清单的字段。注意一个容易被忽略的事实：这些字段绝大多数是 DICOM 标签的平铺转写，因此它们是“成像时的设置”，不是“图像内容的描述”。
| 字段 | 含义 | 取值形态 | 使用提示 |
|---|---|---|---|
PatientID |
患者唯一标识 | 去标识后重新生成的编号 | 与 PeX/PaX 的对齐键，也是划分训练测试集的分组键 |
PatientSex |
患者性别 | 保留项 | 官方称人口学信息仅保留性别与年龄 |
PatientAge |
患者所属年龄段 | 区间形式，非精确岁数 | 不能当连续变量用；官方另说明无 89 岁以上患者 |
Modality |
成像模态 | CBCT 为 CT，全景为 PX |
用于跨清单合并时区分来源 |
SliceThickness |
标称层厚，单位毫米 | 数值 | 三维重建与重采样的必要输入 |
KVP |
X 线发生器峰值千伏输出 | 数值 | 设备曝光条件 |
XRayTubeCurrent |
X 线管电流，单位毫安 | 数值 | 与 KVP 共同决定成像条件 |
Rows |
图像行数 | 数值 | 决定切片矩阵尺寸 |
Columns |
图像列数 | 数值 | 同上 |
PixelSpacing |
像素中心间物理距离，毫米 | 数值对：相邻行间距（分隔符）相邻列间距 | 换算物理尺度必读；行解析时不能直接按逗号切分 |
BitsAllocated |
每个像素样本分配的位数 | 数值 | 读取时的位深依据 |
BitsStored |
每个像素样本存储的位数 | 数值 | 与上者常不相等 |
HighBit |
像素样本数据的最高位 | 数值 | 决定符号与位掩膜 |
WindowCenter |
显示窗位 | 数值 | 官方推荐的显示对比窗口 |
WindowWidth |
显示窗宽 | 数值 | 同上 |
FileName |
CBCT 文件名 | 形如 <PatientID>_<次序> |
与 Implant_Marking.csv 的 FileName 对齐 |
这张表的实用价值在于：它把“能不能用”的判断提前到申请之前。例如要做各向同性体素处理，就得有 PixelSpacing 与 SliceThickness 同时可读；要稳定地做窗宽窗位归一化，WindowCenter/WindowWidth 就在手边。这些字段本身不代表数据质量的承诺，只代表元数据的完整程度较好。
2.3 PeX 与 Patient 两份清单的独有字段
| 清单 | 独有字段 | 含义 | 为什么要单独列 |
|---|---|---|---|
PeX_Info.csv |
LeftNum |
left 目录下的影像张数 | 左偏 20–25 度投照的产物数量 |
PeX_Info.csv |
MiddleNum |
middle 目录下的影像张数 | 左偏 5–10 度投照的产物数量 |
PeX_Info.csv |
RightNum |
right 目录下的影像张数 | 右偏 20–25 度投照的产物数量 |
PeX_Info.csv |
TotalNum |
三个目录下影像合计 | 校验下载是否完整的最快口径 |
Patient_Statistics_Info.csv |
CBCTFileNames |
该患者拥有的 CBCT 文件名 | 判断是否存在多次就诊 |
Patient_Statistics_Info.csv |
PaXFileNames |
该患者拥有的全景片文件名 | 为空即表示该患者没有全景片 |
Patient_Statistics_Info.csv |
PeXFileNames |
该患者拥有的根尖片文件名 | 为空即表示未被纳入合成管线 |
TotalNum 与三个分项之间的关系可以这样理解：它既是每个口腔包含多少张影像的总账，也是下载完整性自检的第一道关——解压后逐目录计数与之对照即可，不需要读任何图像内容。这是这套清单里少数能当“校验和”用的字段。
2.4 种植体标签的形态
Implant_Marking.csv 是全库唯一面向任务的标注，形态极简：每行一个 CBCT 卷，三列 PatientID、FileName、Label，Label 为 0 表示无种植体、1 表示有。它带来三个必须接受的约束：标签是卷级而非实例级，知道有，不知道在哪一颗、多少个；它只覆盖被纳入的 CBCT 卷；由于 1.1.0 只保留签署知情同意的患者，标签集合比 1.0.0 更小。
| 你想做的事 | 标签够不够 | 需要补什么 |
|---|---|---|
| 卷级种植体有无二分类 | 够，直接可用 | 无 |
| 种植体实例检测与计数 | 不够 | 需自行框标注，且样本量需你自己评估是否够用 |
| 种植体品牌/型号识别 | 不够 | 无相关字段，换资源 |
| 弱监督定位（CAM 类方法） | 可做 | 需要卷级标签配合实例可视化才能验证 |
| 跨模态一致性（CBCT 有种植体 → 合成根尖片上有金属伪影） | 有探索空间 | 合成投影未必复现金属 artifacts，需要先抽样目视确认 |
2.5 命名规则的一次拆解
官方给出的例子是 0059_0（CBCT）与 0059_1（PaX）：两者属于同一位 59 号患者，因为 CBCT 的就诊日期早于全景片的就诊日期，所以前者后缀为 0、后者为 1。这条规则看似简单，实际包含四层信息。
| 片段 | 含义 | 影响 |
|---|---|---|
0059 |
去标识后的患者编号，四方位补零 | 跨模态对齐的唯一可靠键 |
_0 / _1 |
同一患者就诊次序，按就诊日期排序生成 | 可推断时序，但不能当时间间隔用：官方已把检查日期替换为随机日期 |
| 目录归属 | 同名编号可能同时存在于 CBCT、PaX-ray、PeX-ray | 三者的覆盖不同，编号存在不代表三种影像都有 |
Slice_<序号>.dcm |
切片在卷内的顺序编号 | CBCT 卷通常 420 片；顺序编号不等于解剖方向，方向要读 DICOM 头 |
值得单独强调的是后缀的“不可当日历用”。官方明确把 birth 之外的时间信息做了重生成：出生日期删除，其他日期（如检查日期）替换为随机生成的日期。这意味着后缀能告诉你“这一次早于那一次”，却不能告诉你早了多久；任何涉及时间间隔的分析（骨吸收随时间的变化、种植术后随访间隔）在这份数据里都不成立。
2.6 三种模态的物理含义与位置
| 模态 | 成像原理（官方描述） | 空间信息 | 辐射量级关系 | 数量 |
|---|---|---|---|---|
| CBCT | 二维平板探测器采集物体锥束射线投影数据，锥形 X 线束做大口径锥形扫描，在平面上做 180°–360° 同步旋转获取整个扫描区域的容积影像数据，再经软件三维重建生成三维图像 | 完整三维 | 剂量相对最高的那一侧 | 329 卷 |
| 全景片 | 同样使用锥形 X 线束采集口腔数据，把全口弯曲结构生成一张平面二维图像 | 无空间结构信息 | 约为 CBCT 的 1/40 | 8 张 |
| 根尖片（合成） | 从 CBCT 中用光线追迹模拟 X 线过程，令入射光子穿过牙齿立方体，按三种入射角生成三张图像，最后裁到常规根尖片尺寸 | 由三维投影而来 | 不涉及真实曝光 | 16203 张 |
官方在把全景片与 CBCT 并列讨论时，给出了两条互相牵制的性质：全景片辐射量约为 CBCT 的四十分之一，因而更适合作为筛查与普及的门路；但它“缺乏空间结构信息”。这一句其实是整套数据设计的动机来源——如果能在便宜模态与贵模态之间建立可靠的映射，就有机会用低辐射的前者承担一部分后者的诊断职能。这既是为什么这份数据要费力气做合成根尖片，也是为什么它宁可只要 8 张全景片也要保留这个模态的存在感。
§3 它是谁的数据
3.1 贡献者与合规归属
| 角色 | 实体 | 备注 |
|---|---|---|
| 提交作者 | Wenjing Liu、Yunyou Huang、Suqin Tang | 单位均为 Guangxi Normal University（广西师范大学） |
| 数据来源临床机构 | 桂林医学院（Guilin Medical University） | 伦理审查主体，IRB 号 GLMC20230502 |
| 数据策展与托管 | PhysioNet / MIT Laboratory for Computational Physiology | 走 Contributor Review 通道 |
| 访问审定 | 贡献者本人 | 官方要求：用户须为完成认证并签署 DUA 的人员，且每个研究计划需经贡献者评审 |
这里有一个容易被读错的归属关系：作者单位与数据产出单位不是同一家。作者来自广西师范大学，而临床数据、伦理审查与 IRB 都挂在桂林医学院名下。做单位致谢或合作方背书时，两者的先后顺序应按各自实际贡献写，不能默认合并。
3.2 版本与时间线
| 时间 | 事件 | 影响 |
|---|---|---|
| 2021 年 1 月 | 数据采集起始点（成年患者，牙科诊所） | 采集窗口的下界 |
| 2022 年 1 月 | 数据采集结束点 | 采集窗口的上界，跨度约一年 |
| 2023 年 9 月 6 日 | 版本 1.0.0 发布 | 首版，数据量大于现行版 |
| 2024 年 10 月 11 日 | 版本 1.1.0 发布 | 仅保留签署知情同意的患者数据，三类数据均较 1.0.0 减少 |
| 至今 | 最新版本仍为 1.1.0 | latest DOI 与 v1.1.0 DOI 不同，引用时应认准版本号 |
最后一行需要展开。官方 Discovery 区给出了两个 DOI：版本 DOI 10.13026/h1tt-fc69（对应 v1.1.0）与 project-level DOI 10.13026/bxzm-dg78（latest）。latest DOI 会随新版本浮动指向最新版，而版本 DOI 永久锁定 v1.1.0。凡是要复现结果的论文表格里，都应该写版本 DOI，而不是 latest。
1.1.0 相对 1.0.0 是“减法”，这件事本身有信息量：它意味着 1.0.0 里存在没有拿到知情同意的患者数据，且这些样本已被移除。因此任何引用 1.0.0 的旧文献报告的数量，都不可用在本版本的结果比对上——规模基数变了。
3.3 采集场景的三条边界
人群边界：成年患者。 官方写明数据取自成年患者，未包含儿童与青少年。混合牙列、替牙期解剖、恒牙萌出这些儿科侧的问题在这里没有立足之地。
场景边界：单一诊所。 数据取自“一家牙科诊所”，不是多中心。设备是一台 CBCT 机、一套全景机，成像参数的一致性来自设备的一致性，而不是来自多中心的加权。这条边界决定了它只能做内部一致的训练或探索，不能提供跨设备泛化的证据。
时间边界：一年窗口。 2021 年 1 月至 2022 年 1 月。这既限定了设备固件与重建软件的版本，也意味着季节、流行病学背景、就诊习惯等时间因素在这份数据里是常量而非变量。
3.4 去标识做到了哪一层
官方给出的脱敏措施可以拆成五条，逐条对应一种泄露路径。
| 处理对象 | 做法 | 挡住的泄露路径 | 没能挡住的 |
|---|---|---|---|
| 姓名与患者 ID | 替换为随机生成的新 ID | 直接身份识别 | 无 |
| 其他 ID（如 StudyInstanceUID） | 重新生成 | 跨库或多站点之间的轨迹拼接 | 无 |
| 出生日期 | 删除 | 通过出生日期反查身份 | 年龄信息只能以年龄段形式保留 |
| 其他日期（如检查日期） | 替换为随机生成日期 | 通过日期与就诊记录对齐 | 就诊先后的相对次序仍可从后缀推断 |
| 其他敏感信息 | 移除或赋新值 | 一般性地减少 PHI 面 | 影像本身仍含可被三维复原的面部轮廓 |
最后一行是这套脱敏真正没能解决的部分：CBCT 是面部下三分之二的容积数据，软组织与骨性轮廓在体数据里完整保留，理论上可由三维重建反推出可识别的面部形态。这正是它必须走 PhysioNet Contributor Review 通道、而不是开放下载的根本原因——去标识处理挡住了标签层的身份泄露，挡不住影像层的身份重建风险。把它当作开放数据随意转发，是在违反 DUA 而不是在使用公开数据。
§4 它最独特的东西
4.1 稀缺性：把 CBCT 放在核心位置
| 对比维度 | 常见牙科公开数据集 | 本数据集 |
|---|---|---|
| 主模态 | 全景片或口内照片居多 | CBCT 体数据 |
| 是否含三维体数据 | 大多不含 | 329 卷三维 CBCT |
| 是否含同一患者的第二种模态 | 罕见 | 部分患者有全景片；另有同源自合成根尖片 |
| 是否有三维到二维的确切对应 | 基本没有 | 有，且对应由构造过程保证 |
| 是否提供种植体卷级标签 | 少见 | 有，Implant_Marking.csv |
官方与自己引用的背景讲得很直接：现有牙科公开数据存在三类缺口——CBCT 数据稀缺、缺乏匹配的多模态数据、数据复杂性与多样性不足。这份数据是对这三条的同时回应，其中第一条靠 329 卷 CBCT，第二条靠同一个 PatientID 串起来的三类目录，第三条靠“多种口腔健康状况”的表述。三条里做成的是前两条；第三条官方只给了定性描述，没有给出疾病谱系的枚举。
4.2 合成根尖片的四步管线
这条技术管线是这份数据在方法上最实质的贡献，参数被官方完整披露：
| 步骤 | 做了什么 | 官方给出的具体参数 | 为什么这么设 |
|---|---|---|---|
| 第一步：裁剪 | 依据 13 名研究人员的牙位标注，从 CBCT 中把每颗牙裁成立方体 | 立方体尺寸 60 mm × 50 mm × 50 mm | 包住单颗牙及其周围足够的牙周骨组织 |
| 第二步：定姿 | 对立方体做旋转并施加 Siddon-Jacobs 光线追迹，保证朝向一致 | 面部外侧朝向正 y 轴，牙齿朝向正 z 轴 | 让不同患者的同名牙位有统一坐标系 |
| 第三步：投影 | 用 ITK 影像包配合 Siddon-Jacobs 光线追迹模拟 X 线过程：让射线源发出的入射光子穿过立方体，调整光源入射角，生成三个角度的图像 | 左偏 20–25 度、左偏 5–10 度、右偏 20–25 度 | 三个角度对应根尖片常见的投照变化 |
| 第四步：裁成品 | 裁到常规根尖片尺寸 | 40 mm × 30 mm | 常规根尖片的常见尺寸 |
最后还有一道筛选。官方称：检查之后，188 个文件、共 16203 张图片满足了要求。这句话里的两个数都不是设计目标而是产出结果——188 组来自 108 名患者，说明并非所有 169 名患者的 CBCT 都被推送过这条合成管线（被排除的部分官方未说明原因，可能是图像质量筛选或知情同意范围）。
4.3 三个投照角度的对称与不对称
| 目录名 | 官方定义 | 与另两者的关系 |
|---|---|---|
left |
左偏 20–25 度 | 与 right 构成一组近乎对称的反向投照 |
middle |
左偏 5–10 度 | 接近正视，但与正中存在 5–10 度偏移 |
right |
右偏 20–25 度 | 与 left 反向，但两者偏角是范围而非定值 |
这里容易被一眼看漏：middle 并不是 0 度正视，而是“左偏 5–10 度”。另外三个角度写的是范围（20–25 度）而不是定值，意味着同一份 PeX-ray 内部、乃至不同文件之间的实际投照角可能有小幅浮动，官方没有给出精确角度记录。这对三类任务是好消息或坏消息：
| 任务类型 | 角度是范围这件事的影响 |
|---|---|
| 多视角一致性约束（同一个牙的三个视图应一致） | 是优势，相当于天然的轻微视角增广 |
| 依赖精确几何的三角重建 | 是障碍，缺精确外参，需要你自己估计或放弃严格几何 |
| 单视角训练后跨视角测试 | 是优势，可构成视角迁移的评测条件 |
| 与真实根尖片做严格数值比对 | 不可行，真实片的投照角同样未知且不受这三档约束 |
4.4 一个具体的三联案例
把官方给的例子连起来读：一位去标识后编号 59 的患者，在 CBCT 目录里是 0059_0，在全景目录里是 0059_1，两个编号指向同一个人。若此人也被纳入根尖片产出，PeX-ray 下会有一个对应的 0059_<次序> 文件夹，里面三个子目录 left、middle、right，每个子目录里是按 <颌>_<牙位>.tif 命名的 TIFF——首位 0 表示下颌、1 表示上颌，第二位是具体牙号，于是 0_0.tif 是下颌第一颗牙的根尖影像。
| 环节 | 于是成立的事 | 与此同时的限制 |
|---|---|---|
| CBCT → PeX | 每张根尖影像都有唯一已知的三维出处 | 这份对应由合成保证，不是配准出来的，不能用来评测配准算法 |
| PeX 内部 | 同一颗牙有三个已知方向的投影 | 角度为范围，非精确外参 |
| CBCT ↔ PaX | 同一患者的 CBCT 与全景片编号可对齐 | 只有 8 名患者具备这种对齐，且日期已被随机化 |
| 上下颌 | 上颌影像为与下颌保持一致而做了垂直翻转 | 训练前若不加区分，会把解剖方位信息学反 |
最后一行常被忽略。官方特别写了一句注释：为了与下颌保持一致，上颌的图像被做了垂直翻转。这意味着 1_*.tif 与 0_*.tif 的方向约定不同，做上颌模型时必须单独处理，否则网络学到的上下关系在真实影像上是反的。
4.5 边界条件的完整清单
| 边界 | 官方表述 | 后果 |
|---|---|---|
| 年龄上限 | 数据内不出现 89 岁以上患者 | 超高龄人群的相关研究无法评估 |
| 年龄精度 | 保留的是年龄段而非精确年龄 | 年龄只能做区间分层的分组变量 |
| 人群 | 成年患者 | 儿童与青少年不可用 |
| 地点 | 一家牙科诊所 | 单中心，无跨设备泛化证据 |
| 时间 | 2021 年 1 月至 2022 年 1 月 | 一年窗口，设备与流程版本固定 |
| 全景数量 | 仅 8 张 | 无法做全景主模态的训练 |
| 根尖质量 | 官方承认“不高” | 只适合方法学验证，不适合做临床判读的标准参考 |
| 版本 | 1.1.0 相比 1.0.0 减少 | 旧文献数字不可直接比较 |
| 压缩 | 每个 PeX 文件为便于上传下载压成 zip | 需先解压再读；解压后的张数应与 TotalNum 对照 |
§5 怎么拿到
5.1 官方给出的目录结构
官方在页面上直接贴出了结构树，这是唯一可信的路径口径：
├── CBCT
│ └── <PatientID_0>
│ ├── Slice_0000.dcm
│ ...
│ ├── Slice_0419.dcm
│ └── slice.index
├── PaX-ray
│ └── <PatientID_0>
│ ├── Slice_0000.dcm
│ └── slice.index
├── PeX-ray
│ └── <PatientID_0>
│ ├── left
│ │ └── 0_0.tif
│ ├── middle
│ │ └── 0_0.tif
│ └── right
│ └── 0_0.tif
├── CBCT_Info.csv
├── PaX_Info.csv
├── PeX_Info.csv
├── Patient_Statistics_Info.csv
└── Implant_Marking.csv
三件必须在下载前就知道的事：CBCT 每个卷的切片数官方写到最后是 Slice_0419.dcm，并在正文给出“通常 420 个文件”的说法，因此 420 是常规值而不是保证值；slice.index 是 PhysioNet 为每卷生成的切片索引文件，读本地目录时会遇到；PeX-ray 的每个 <PatientID_次序> 目录在上载时被压缩为 zip，实际下载到的很可能是压缩包而非展开的目录树。
5.2 四道门槛与下载方式
| 步骤 | 要求 | 备注 |
|---|---|---|
| 第一步 | 成为 credentialed user（完成 PhysioNet 认证） | 需要身份证明流程 |
| 第二步 | 完成 CITI “Data or Specimens Only Research” 培训并提交 | 页面给出了提交入口 |
| 第三步 | 签署 PhysioNet Contributor Review Health Data Use Agreement 1.5.0 | 法律效力在协议层，不在页面层 |
| 第四步 | 向作者提交使用该数据的项目请求，逐个项目审核 | 这一步的时间不由使用者控制 |
通过后有两种下载方式。
#-- 方式一：浏览器直接下载整包（需先登录并完成认证）
#-- 目标：https://physionet.org/static/published-projects/multimodal-dental-dataset/multimodal-dental-dataset-1.1.0.zip
#-- 方式二：命令行按目录下载
wget -r -N -c -np --user <USERNAME> --ask-password \
https://physionet.org/files/multimodal-dental-dataset/1.1.0/
第二种方式的 --np（no parent）建议保留，-N -c 用于断点续传——考虑到 CBCT 是几百卷的 DICOM 序列，中断重来的代价不小。另需注意：完成四道手续之前，上述地址会返回授权拒绝，而不是空目录。
5.3 读取影像的最小代码路径
import pandas as pd
import pydicom
from pathlib import Path
root = Path('multimodal-dental-dataset-1.1.0')
#-- 先读清单，判断规模与可用字段，不要急着挂载大目录
cbct_info = pd.read_csv(root / 'CBCT_Info.csv')
pax_info = pd.read_csv(root / 'PaX_Info.csv')
pex_info = pd.read_csv(root / 'PeX_Info.csv')
patient_st = pd.read_csv(root / 'Patient_Statistics_Info.csv')
implant = pd.read_csv(root / 'Implant_Marking.csv')
#-- PatientID 是跨模态对齐的唯一可靠键
print(cbct_info['Modality'].unique()) #-- CT / PX 两类取值来自官方字段说明
print(implant['Label'].unique()) #-- 0/1：有无种植体
#-- 读单个 CBCT 卷：注意 suffix 是就诊次序，不是时间点
vol_dir = root / 'CBCT' / '0059_0'
slices = sorted(vol_dir.glob('Slice_*.dcm'))
ds = pydicom.dcmread(slices[0])
print(ds.Rows, ds.Columns, ds.SliceThickness, ds.PixelSpacing)
print(ds.WindowCenter, ds.WindowWidth)
pydicom 读出来的是未做尺度的像素阵列。要做 HU 或等效灰度标定，需要同时用到 Rescale 类标签与这里的 WindowCenter/WindowWidth；而要在体素级别保证各向同性，则要拿 PixelSpacing 与 SliceThickness 一起算——两者都在清单里有列，判断可行性不必下载影像。
5.4 把影像深度舆情到表格：CSV 合并的写法
绝大多数实际任务都不是“读图像”，而是“把标签 join 到图像列表上”。下面这段是这套数据最常写的模式。
#-- 以 CBCT 卷为单位，把种植体标签 join 上去
cbct_files = [p.name for p in (root / 'CBCT').iterdir() if p.is_dir()]
table = (pd.DataFrame({'FileName': cbct_files})
.merge(implant, on='FileName', how='left')
.merge(cbct_info, on='FileName', how='left'))
#-- 拆出 patient_id 与 visit_order，供 GroupKFold 使用
split = table['FileName'].str.split('_', expand=True)
table['pid'] = split[0]
table['visit'] = split[1].astype(int)
#-- 同患者的多次就诊必须落在同一侧，否则泄漏
groups = table['pid']
df.merge(... how='left') 之后的空列是有意义的信息：若合并后的主表里有某些文件名在 Implant_Marking.csv 中查不到，说明标签覆盖小于影像覆盖，此时的空值应当被显式处理而不是丢弃——这部分属于“结构与边界”的判断，不需要任何统计值就成立。
5.5 标签与文件名之间的三处错位
| 错位类型 | 表现 | 处理 |
|---|---|---|
| 覆盖错位 | 影像目录里有更多卷，标签表覆盖较少 | 用左连接并保留空值，标记出来后决定剔除还是补标 |
| 次序错位 | 后缀按就诊日期排序，而日期已被随机替换 | 只能当次序，不能当日历；不要用后缀推时间间隔 |
| 粒度错位 | 标签是卷级，任务可能要求实例级 | 卷级标签只能做分类或弱监督，实例级要另行标注 |
5.6 五个坑
第一个坑：把 PeX-ray 当真实放射数据。 它是计算投影，官方自己也说质量不高。用它做判读标准、做诊断准确性评测、做 Reader 研究，都会得出站不住的结论。
第二个坑：忽略上颌 TIFF 的垂直翻转。 1_*.tif（上颌）为与下颌保持一致做了翻转。把两类图像混在一个数据加载器里而不做区分，模型学到的上下方位在实际使用时是反的，且这类错误在训练指标上完全看不出来。
第三个坑：按文件划分训练测试集。 169 名患者产出 329 个 CBCT 卷，同一患者的多次就诊在设备参数、解剖结构、金属伪影上高度相似。随机按卷划分，等于把同一个人的另一半放进测试集。
第四个坑：拿 <年龄段> 当年龄。 PatientAge 是区间形式。把它当成连续变量喂进模型，是拿区段属性冒充测量值。同理，数据内没有 89 岁以上患者这一条边界应写进人群描述，而不是当作右删失来处理。
第五个坑：引用 latest DOI。 10.13026/bxzm-dg78 会随新版本漂移；一旦 1.2.0 发布，引用它的读者会落到与你不同的数据版本上。写 10.13026/h1tt-fc69 并注明 version 1.1.0。
§6 与库内数据集的关系
6.1 相邻资源的关系图谱
| 相关资源 | 与它的差别 | 什么时候选哪个 |
|---|---|---|
| Tufts 牙科数据库（ tufts-dental ） | 以全景片为主的多模态集合，与本库主模态相反 | 做全景模态的方法，选 Tufts；做 CBCT，选本库 |
| ToothFairy2（ toothfairy2 ） | 数百例 CBCT 配颌面结构体素分割标注，偏竞赛型 | 要体素级标注做分割竞赛，选 ToothFairy2；要跨模态配对，选本库 |
| ToothFairy3（ toothfairy3 ） | 更细的体素标注类别与标准训练格式 | 同上，标注粒度优先时选它 |
| FDTooth（ fdtooth ） | 口内照片与 CBCT 的成对数据 | 做光学照片到 CBCT 的迁移，选 FDTooth；做 X 线类模态，选本库 |
| COVID-CT（ covid-ct ） | 胸部 CT 集合，同样是 CT 但非牙科 | 做肺与胸部，不涉及口腔解剖 |
| CT-RATE（ ct-rate ） | 胸部 CT 与报告的跨模态配对 | 做“影像—文本”配对范式时，可借它的设计思路 |
| DeepLesion（ deeplesion ） | 大规模通用 CT 病灶检测 | 做通用病灶检测器预训练时的备选 |
| CheXpert（ chexpert ） | 大规模胸部 X 光与不确定性标签 | 做弱监督标签设计范式时的参照 |
| COVID-19 Radiography（ covid-19-radiography ） | 二维 X 光集合，规模大 | 做二维模态的大规模训练时参照其设计 |
| LIDC-IDRI（ lidc-idri ） | 肺结节 CT 影像参考数据库 | 做多阅片者一致性研究时的范式参照 |
6.2 检索路径：从需求倒着找
| 你的需求 | 先问自己 | 落到哪个资源 |
|---|---|---|
| 我需要 CBCT 体数据的量大更大 | 是否已有足够 GPU 与存储承载体数据训练 | 先看 ToothFairy2/3 的标注粒度是否满足 |
| 我需要像素/体素级标注 | 标注是不是比数量更重要 | ToothFairy2/3 的体素标注优先 |
| 我需要二维—三维配对 | 是否接受配对是合成的 | 本库是目前最直接的配对来源 |
| 我要从跨模态数据推到临床结论 | 是否需要诊断文本 | 本库无诊断文本，可看 CT-RATE 的设计 |
| 我只需要便宜模态做筛查模型 | 能否满足你的诊断级判读需求 | Tufts 更符合 |
6.3 分工判据
三条可以记住的判据。第一，看主模态是否必须是三维。 必须为三维时，进入 CBCT 一侧（本库、ToothFairy 系列、FDTooth）；二维即可时，全景线与口内照片的资源更多、更省事。第二，看你要的是“标注”还是“配对”。 这是最锋利的一条：要标注粒度去 ToothFairy 系列，要跨模态配对来本库，两者很少在同一个资源里同时给足。第三条看合规成本。 本库是受限访问，需要四道手续；多数 NIfTI 形态的竞赛资源解压即用。项目周期短、只要打榜的话，竞赛资源的实际门槛远低于这里。
§7 质量评估与局限性
7.0 前置校正：先看新版内容的含义
评估这份数据之前必须先做一道校正：它的 v1.1.0 是从 v1.0.0 做减法而来，只保留了签过知情同意的患者。这意味着它给出的所有数量都是“知情同意之后”的数量，而不是采集时的数量。任何拿早期版本的描述去对照当前版本的做法都会出错；同时也意味着，这份数据的伦理状态比很多公开资源更干净一些——它的身边帶着一份 IRB 编号和一个明确的临床机构背书。
7.1 五维评分
评分对象是 v1.1.0，五分为满分。评分为编辑判断，不是官方指标，判断依据放在“理由”列。
| 维度 | 评分 | 理由 |
|---|---|---|
| 规模 | 3 | 329 卷 CBCT 在牙科 CBCT 里属于可观的一档，但 169 名患者、单中心、8 张全景的短板拉低上限 |
| 模态配对质量 | 5 | CBCT 与同源自合成投影之间的对应由构造保证，是这类任务少见的严格配对条件 |
| 标注深度 | 2 | 仅卷级种植体有无；牙位标注被用于中控不作为发布标签，实例级空缺 |
| 元数据可用性 | 4 | 五个 CSV 覆盖患者—卷—口三个层次，DICOM 成像参数完整，但年龄只有区间、日期被随机化 |
| 合规清晰度 | 5 | 许可证、DUA、培训要求、IRB 编号、知情同意状态全部明写，可以通过标准化的审核通道核验 |
7.2 标注其实是两层
| 层次 | 做了什么 | 是否随数据发布 |
|---|---|---|
| 第一层：牙位标注 | 13 名研究人员逐 CBCT 卷标出每颗牙的位置 | 不单独发布，其产物体现在合成根尖片的裁剪中 |
| 第二层：种植体标签 | 每 CBCT 卷一个 0/1 | 通过 Implant_Marking.csv 发布 |
这个分层常被误读为“做了很多标注”。实际上第一层标注是为影线服务的中间产物，用户能拿到的是它的结果（16203 张投影）而不是它本身。要修影线、要校准、要换个角度重新投影，这层标注并不在交付物里——除非另行向贡献者提出，且这属于需要作者审批的范围。
官方描述的质控流程是：13 名研究人员两人一组（组内有一人独立工作），标注完成后组内互相检查对方标注质量，最后由一人做整体质量复核。这是一个人在回路（human-in-the-loop）的双人复核加总复核结构，比单环节标注更稳，但也意味着这份标注的成本集中在人力，且未给出任何标注者间一致性的量化结果——因此不应假设它的标注是“金标准”。
7.3 可枚举的偏差来源
偏差只能枚举，不可量化——因为官方从未给出对应的分母或统计口径。
| 偏差来源 | 方向 | 为什么不能量化 |
|---|---|---|
| 图像质量筛查 | 筛掉了“质量差”的数据，剩余数据偏清晰 | 官方未给出剔除的数量或剔除标准 |
| 知情同意筛选 | 只有同意者进入 1.1.0 | 未给出同意与不同意的比较数据 |
| 单设备 | 全部 CBCT 来自一台设备 | 无设备标识字段，跨设备比较不可做 |
| 单中心 | 一家诊所的就诊人群 | 无地域或机构字段 |
| 有种植体者富集的可能性 | 牙科诊所就诊人群不等于社区人群 | 无就诊原因字段 |
| 合成影线的入选标准 | 108/169 名患者进入影线 | 官方未说明排除原因 |
| 种植体标签的类别平衡 | 0/1 的构成未知 | 数据未开放，无法取得各类别的卷数 |
7.4 外部验证的缺位
这份数据到目前为止还没有出现公开的、独立的跨机构验证报告：它既没有被任何公开的竞赛采纳为官方数据集，也没有配套的基线（baseline）与排行榜。官方的“Technical validation”一节在内容上其实是“技术层面的检查”——用三维 Slicer 打开文件目视检查质量、13 人标注与复核、以及合成后的人工质量把关。这类检查保证了数据不是坏的，不保证模型在上面能练出什么。把它当成外部验证集来检验别处训练的模型是有价值的；反过来期待它有现成的基准分数可以对照，则会失望。
7.5 为什么它仍然值得等待审批
把限制列完之后，仍然有一条理由成立：除了设备厂商与大型口腔医院内部的数据，外界能拿到的 CBCT 体数据量非常有限，更不必说附带经核验的跨模态配对。329 卷在中国诊所场景下的 CBCT，本身就是稀缺资源；16203 张带精确三维出处的投影，是把稀缺资源放大成可训练规模的一种聪明做法。慢、贵、要审批，换来的是别处拿不到的构造条件。取舍清楚之后，要不要动手就是个时间问题，不是判断问题。
§8 生态位与历史
8.1 版本沿革
| 版本 | 日期 | 相对上一版 | 使用者要注意 |
|---|---|---|---|
| 1.0.0 | 2023 年 9 月 6 日 | 首版 | 数据量大于现行版；不再推荐引用 |
| 1.1.0 | 2024 年 10 月 11 日 | 仅保留知情同意患者的数据，三类数据均减少 | 现行唯一推荐版本；引用 10.13026/h1tt-fc69 |
从 1.0.0 到 1.1.0 的改动在官方 Release Notes 里只有一句话，但它是一次合规驱动的收缩，而不是一次纠错。数据本身的处理管线没有变更，CBCT 的重建软件没有变更，合成根尖片的算法同样没有变更。因此对已经在 1.0.0 上做完的方法，迁移到 1.1.0 的成本主要在重跑与重划分，而不在改管线。
8.2 与竞赛生态的关系
| 生态形态 | 本库的位置 |
|---|---|
| Grand Challenge 式针对隐藏测试集的评测 | 未参与，无隐藏集、无排行榜、无官方评测工具 |
| 论文随附的数据发布 | 更接近这一种：成规模的 CBCT 配清单发布 |
| PhysioNet 通行的数据格式惯例（WFDB 等） | 不适用，本库为 DICOM + TIFF + CSV |
| 多模态配对 Benchmark | 目前缺席，没有统一任务定义与切分 |
这张表想说明的是：它处在“论文附属发布”的位置，而不是“竞赛基准”的位置。选择在它上面工作的人必须自己定义任务、自己划分数据集、自己报告指标，这意味着结果的横向可比性较差，但同时也意味着自由度较高。
8.3 它在牙科 AI 数据版图里的位置
牙科 AI 的数据供给长期呈一个畸形结构：二维便宜模态的公开数据相对充足，三维贵模态的公开数据极度稀薄，而中间那一层——跨模态映射——几乎完全缺失。官方在 Background 里承认的背景是同一件事：现有牙科数据集存在 CBCT 稀缺、缺乏配对的多模态数据、复杂性与多样性不足三类问题。本库在三者里正面应对了前两条。把它放在版图上看，这份多模态牙科数据集并不是“牙科 ImageNet”，而更像一座连接低成本模态与高成本模态的桥——桥面不宽（患者只有 169 名），但它是少数真实存在的一座。
8.4 谁在用、能用来做什么
官方在 Usage Notes 里点名的用途是四条：口腔三维结构的重建、影像翻译、种植体检测、以及与之相关的研究。这四条的分量不均。三维结构重建与影像翻译是最贴合的，因为它们正好需要 CBCT 与二维投影之间的配对——而这正是本库唯一别人给不了的东西。种植体检测虽然标签到位、也是官方明确点名的方向，但卷级标签意味着只能做分类或弱监督定位；要做真正的实例检测就必须自行补框。第四类“相关研究”里，较有前景的是跨模态检索与低剂量替代——即用全景或合成投影去逼近 CBCT 的诊断信息，这与官方解释全景片辐射仅为 CBCT 的四十分之一时的逻辑是一脉相承的。
§9 使用指引
9.1 三种角色的最短路径
| 角色 | 先做的事 | 关键动作 | 别做的事 |
|---|---|---|---|
| 做 CBCT 分割/重建的研究者 | 读 CBCT_Info.csv 判断成像参数是否满足 |
用 PatientID 做分组划分 | 按卷随机划分 |
| 做影像翻译/跨模态的研究者 | 确认 PeX 的 left/middle/right 三个子目录是否齐备 | 用同一牙位的三视图做多视角约束 | 假设 middle 是 0 度正视 |
| 做合规与数据治理的人 | 对照四道门槛写申请 | 把 license 1.5.0 与 DUA 1.5.0 条目写进内部流程 | 把“去标识”当成“可公开转发” |
9.2 从零到第一个模型的最短流程
#-- 1) 完成认证 → CITI 培训 → 签 DUA 1.5.0 → 提交项目请求
#-- 2) 获批后整包下载
wget -r -N -c -np --user <USERNAME> --ask-password \
https://physionet.org/files/multimodal-dental-dataset/1.1.0/
#-- 3) 解压 PeX 的每个 zip，并按 TotalNum 张数自检
unzip -q 'PeX-ray/*.zip' -d PeX-ray/
#-- 4) 校验每个 PeX 文件夹下的三个角度目录是否齐备：left / middle / right
#-- 5) 建立卷级主表并做无泄漏划分
import pandas as pd
from sklearn.model_selection import GroupKFold
t = pd.read_csv('CBCT_Info.csv').merge(
pd.read_csv('Implant_Marking.csv'), on=['PatientID', 'FileName'], how='left')
t['pid'] = t['FileName'].str.split('_').str[0]
for tr, te in GroupKFold(n_splits=5).split(t, groups=t['pid']):
train, test = t.iloc[tr], t.iloc[te]
print(len(train), len(test), len(set(train['pid']) & set(test['pid'])))
break
#-- 最后那一项应为 0；不为 0 即存在同患者跨集泄漏
9.3 引用方式
学术引用应当同时给出数据版本与 PhysioNet 平台文献两笔。前者：
@article{PhysioNet-multimodal-dental-dataset-1.1.0,
author = {Liu, Wenjing and Huang, Yunyou and Tang, Suqin},
title = {{A multimodal dental dataset facilitating machine learning research and clinic services}},
journal = {{PhysioNet}},
year = {2024},
month = oct,
note = {Version 1.1.0},
doi = {10.13026/h1tt-fc69},
url = {https://doi.org/10.13026/h1tt-fc69}
}
后者为 PhysioNet 要求的标准平台引用（Pollard 等，2026，Nature Health，DOI 10.1038/s44360-026-00096-z）。两者的关系不是二选一：平台引用是对 PhysioNet 作为资源的致谢，版本引用是让读者复现到同一份数据的唯一途径。正文中还应写明 IRB 号 GLMC20230502 与伦理审查机构，便于评审方判断合规性。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 文本生成 | 由人工智能辅助撰写，语言组织与章节编排由模型完成 |
| 数字来源 | 全部取自 PhysioNet 官方 Content 页面 v1.1.0 的 Abstract、Background、Methods、Data Description、Usage Notes、Release Notes、Ethics、Acknowledgement/Conflicts 与 Discovery 区块 |
| 文件核验 | 未能核验实体文件清单。该资源为受限访问（restricted-access），未注册者无法获取目录树、文件名与字节数，因此正文中的目录结构以官方页面给出的结构树为准 |
| 不一致说明 | 官方描述一律以英文原文为准，中文为编译者对原意的编译与对齐；对官方未给出的取值（如 Rows/Columns 的具体数值、实际体素间距、0/1 标签计数）一律不补写 |
| 论文信息 | 官方未给出独立的配套论文；页面给出的完整引用为 PhysioNet 平台发布条目（Liu/Huang/Tang，2024，version 1.1.0，DOI 10.13026/h1tt-fc69） |
| 未核验内容 | 文件实际清单与大小；PeX 各目录真实张数；CBCT 卷切片数的实际范围（官方称通常 420）；种植体标签 0/1 的构成；各 CSV 的实际行数与列名全称；上述处理之外是否还有未披露的去标识措施 |
| 图像 | 封面图由文生图模型按 cover_image_prompt 生成，属示意插画，不代表任何真实患者影像 |
| 免责 | 文中所有判断性表述（含评分与“够/不够”评述）为编辑判断，不构成医学建议；使用任何受限访问数据前请自行完成伦理与合规流程 |
常见误读（避坑清单）
| 说法 | 实际 | 证据 |
|---|---|---|
| 这是一个三模态数量都很充足的综合库 | CBCT 是主体；全景仅 8 张；根尖片虽多但为合成 | Data Description 与 Limitations 第一节 |
| 根尖片是拍出来的，可以研究辐射剂量 | 由 CBCT 体数据经 Siddon-Jacobs 光线追迹合成，无真实曝光 | Methods/Data acquisition |
| 注册后就能直接下载 | 需认证 + CITI 培训 + DUA + 作者逐项目审核四道手续 | Access 区块 |
| 采用 ODC-BY 之类开放协议 | 采用 PhysioNet Contributor Review Health Data License 1.5.0，属受限访问 | Access/License 区块 |
| PatientAge 是精确年龄 | 官方写明为“年龄所属区间”，且无 89 岁以上患者 | Data acquisition 与 CBCT_Info 字段说明 |
| middle 目录是 0 度正视 | 官方定义为左偏 5–10 度 | Data Description/PeX-ray |
| 上颌与下颌影像方向一致 | 上颌影像为与下颌保持一致做了垂直翻转 | Data Description 附注 |
| 同一患者的多次就诊可当独立样本 | 同一 PID 的多次就诊共享设备、解剖与伪影特性 | 命名规则 + 患者层次清单 Patient_Statistics_Info.csv |
| CBCT 每卷一定是 420 片 | 官方用词是“通常 420 个 dcm 文件” | Data Description/CBCT |
| 1.1.0 是 1.0.0 的扩充版 | 相反，1.1.0 只保留知情同意患者，三类数据均减少 | Release Notes |
| 有像素级或实例级标注 | 仅卷级种植体有无；牙位标注是中间产物未发布 | Data Description 与 Implant_Marking 说明 |
| 13 人标注意味着标注一致性很高 | 官方描述了双人互检加总复核流程，但未给出一致性的量化结果 | Methods/Technical validation |
FAQ
问：这份数据和 PhysioNet 上其他牙科资源最大的不同在哪里？
在于主模态与配对方式。多数牙科公开资源以二维影像为主，全景片或口内照片即可取得，成本低但无空间信息；这里的主模态是 CBCT 体数据，329 卷、覆盖 169 名成年患者。更关键的是，同一个 PatientID 下的 CBCT 与其合成根尖投影之间存在天然的体对应关系——这种对应不是配准出来的，而是由生成过程本身保证的。凡是需要将二维投影与三维体素对齐的任务，这是极少数可用的公开条件之一。
问：16203 张合成根尖片能不能直接当真片用？
不能，而且官方自己先泼了冷水：局限性第二条明确写着根尖片图像质量不高。合成投影是 Siddon-Jacobs 光线追迹的结果，它复现的是几何投影关系，不是真实 X 线成像的完整物理过程——散射线、探测器噪声、患者体位晃动、胶片或传感器的响应特性都不在其中。它适合作为方法学研究（例如验证多视角一致性、验证二维到三维的反推框架）的输入，不适合作为临床判读准确性评测的标准参考。
问：为什么 1.1.0 的数据比 1.0.0 少？
因为 1.1.0 只保留了签署知情同意的患者数据。这是一次合规驱动的收缩：原先版本里存在未获同意的记录，新版本将其移除，因此 CBCT、全景、根尖三类数据量都比 1.0.0 少。这一点对使用者的影响有两层——规模基数变了，引用旧版本论文给出的数字不能再与新版本的结果直接对比；同时它也意味着，现行版本的伦理状态比首版更清楚。
问：我是不能拿到它的人群构成信息吗？
官方保留的人口学信息只有性别与年龄段两项，且年龄以区间而非精确岁数呈现，数据内不出现 89 岁以上患者。不能当作定量变量使用的是这样几项：精确年龄（未保留）、出生日期（已删除）、检查日期（已被随机替换），以及其他被视为敏感的信息（已移除或赋新值）。因此任何依赖精确时间或精确年龄的分析都不成立；可以做的是按年龄段做粗分层。
问：申请大概卡在哪一步、该准备什么？
四道门槛里前三道是自助的：PhysioNet 认证、CITI“Data or Specimens Only Research”培训、签署 Contributor Review Health Data Use Agreement 1.5.0。真正不可控的是第四道——向贡献者提交研究计划并等待逐项目审核，这一环节的时间由对方决定。建议的准备动作是：先把要提交给贡献者的研究计划写清楚（用到哪些模态、是否涉及再识别风险、数据存放在什么环境），并把 CITI 培训与认证并行处理；不要等数据到手才开始设计任务。
术语表
| 术语 | 解释 |
|---|---|
| CBCT（Cone Beam Computed Tomography，锥形束 CT） | 用锥形 X 线束配合平板探测器，在 180°–360° 旋转中获取容积影像数据并重建三维图像的口腔影像技术 |
| 曲面断层全景片（panoramic radiograph） | 用锥形 X 线束把全口弯曲结构摊成一张平面二维图像的检查；辐射约为 CBCT 的四十分之一，但缺乏空间结构信息 |
| 根尖片（periapical radiograph） | 按牙位拍摄的高分辨率 X 线片，用于观察根尖周病变与牙周细节；本库中为合成产物 |
| Siddon-Jacobs 光线追迹 | 一种沿射线路径逐段计算穿行体素长度的算法，这里用于把三维立方体投影成二维影像 |
| ITK（Insight Segmentation and Registration Toolkit） | 医学影像处理工具包，本库用它实现上述投影过程 |
| 去标识（de-identification） | 移除或替换受保护健康信息的过程；本库替换了姓名 ID、StudyInstanceUID 与各类日期 |
| PatientID | 患者唯一标识；本库中 已替换为随机生成的新编号，是跨模态对齐的唯一可靠键 |
| Modality（DICOM 字段） | 成像模态标识；本库中 CBCT 为 CT，全景片为 PX |
| PixelSpacing | 相邻像素中心之间的物理距离，以数值对形式给出（相邻行间距 + 分隔符 + 相邻列间距），单位毫米 |
| SliceThickness | 标称层厚，单位毫米；三维重采样与体素各向同性处理的必要参数 |
| WindowCenter / WindowWidth | DICOM 推荐的显示窗位与窗宽 |
| StudyInstanceUID | DICOM 中标识一次检查的唯一 ID；本库中已重新生成 |
| Contributor Review | PhysioNet 的一类贡献者评审通道，通过后仍属受限访问，非开放数据 |
| DUA（Data Use Agreement） | 数据使用协议；本库适用 PhysioNet Contributor Review Health Data Use Agreement 1.5.0 |
| CITI Data or Specimens Only Research | 规定的必修伦理培训课程之一的名称 |
| IRB（Institutional Review Board） | 伦理审查委员会；本库审批机构为桂林医学院，批件号 GLMC20230502 |
附录 A：核心数字核对表
| 数字 | 出处 |
|---|---|
| 169 名患者 | Abstract、Methods/Overview、Data Description/CBCT |
| 329 例 CBCT | Abstract、Methods/Overview、Data Description/CBCT |
| 8 张全景放射片 | Methods/Overview、Data Description/PaX-ray |
| 188 个根尖片文件夹 | Methods/Overview、Data Description/PeX-ray |
| 108 名患者参与根尖片产出 | Methods/Data acquisition |
| 16203 张根尖片 | Methods/Data acquisition、Methods/Data processing |
| 13 名研究人员参与 CBCT 标注 | Methods/Data processing、Methods/Technical validation |
| 每个 CBCT 卷通常 420 个 dcm 文件 | Data Description/CBCT |
| 裁剪立方体 60 mm × 50 mm × 50 mm | Methods/Data processing |
| 成品根尖片尺寸 40 mm × 30 mm | Methods/Data processing |
| 投照角：左偏 20–25 度 / 左偏 5–10 度 / 右偏 20–25 度 | Data Description/PeX-ray |
| 全景片辐射约为 CBCT 的 1/40 | Methods/Data processing |
| CBCT 扫描旋转角度 180°–360° | Methods/Data processing |
| 采集窗口 2021 年 1 月至 2022 年 1 月 | Methods/Data acquisition |
| 无 89 岁以上患者 | Methods/Data acquisition |
| IRB 号 GLMC20230502 | Ethics |
| 版本 1.0.0 发布日 2023 年 9 月 6 日 | Versions 区 |
| 版本 1.1.0 发布日 2024 年 10 月 11 日 | Versions 区、 Citation |
| DOI 10.13026/h1tt-fc69（v1.1.0） | Discovery 区、Citation |
| DOI 10.13026/bxzm-dg78（latest） | Discovery 区 |
| 许可 PhysioNet Contributor Review Health Data License 1.5.0 | Access/License 区 |
| DUA PhysioNet Contributor Review Health Data Use Agreement 1.5.0 | Access 区 |
| WHO 2022 报告：35 亿人/全球 45% 患口腔疾病，四分之三在低中与中等收入国家 | Background 引文 [1] |
| 30 年间全球口腔疾病病例增加 10 亿 | Background 引文 [1] |
相关数据集导航
| 资源 | 与本数据的关系 |
|---|---|
| Tufts 牙科数据库 | 同为牙科多模态，主模态为全景 X 线，与本库主模态互补 |
| ToothFairy2 | 同域 CBCT 资源，提供颌面结构体素标注 |
| ToothFairy3 | 更细体素标注与标准训练格式的 CBCT 资源 |
| FDTooth | 口内照片与 CBCT 成对数据，跨模态思路相近但模态不同 |
| DeepLesion | 大规模通用 CT 病灶检测，可作预训练基座参照 |
| CheXpert | 大规模胸部 X 光与不确定性标签，弱监督设计范式参照 |
| LIDC-IDRI | 肺结节 CT 影像参考数据库，多阅片者一致性范式参照 |
| COVID-19 Radiography | 二维 X 光大规模集合，二维模态训练的规模参照 |
| COVID-CT | 胸部 CT 集合，同为 CT 但非牙科 |
| CT-RATE | 胸部 CT 与报告配对，“影像—外部信息”配对范式参照 |
导航说明：上表所列资源的指向经数据库校验在架可访问；文中所有涉及本数据的获取与使用，请以 PhysioNet 官方页面 v1.1.0 的许可条款与数据使用协议为准，未获授权前不得下载或再分发。
