来自中国和巴基斯坦的一组研究人员提出了一种新的牙齿图像增强策略，可以帮助改善口腔和牙齿疾病的诊断。 传统的增强方法和基于网络的方法对不同条件的适应性有限，而且它们往往无法处理捕获图像中的不均匀亮度和低对比度。 

成对的分支齿状结构网络

为了解决这个问题，研究人员开发了一个拟议的网络，称为配对分支 Denticle-Edification 网络 (Ded-Net)。 这将输入的牙齿图像分解为多层 Denticle 网络（De-Net）中的反射和照明，并执行后续增强操作以消除隐藏的反射和照明退化。 

通过 Edification 网络 (Ed-Net) 保持自适应光照一致性，并根据输入数据的分解一致性对网络进行正则化。 所提出的方法已被证明可以提高可见性和对比度，同时保留低对比度输入图像的边缘和边界。 它可以证明对未来牙科成像的智能和专家系统应用程序很有用。

早期发现口腔和牙齿疾病

牙科图像分析对于检测和诊断口腔和牙科疾病至关重要。 这些疾病通常是由生活方式因素引起的，并且与年龄、种姓、信仰、性别和地点无关。 早期检测为诊断提供了更好的评估，并限制了总体成本和并发症。 然而，用数字设备拍摄的用于初步诊断的图像遇到了低对比度的问题，并带来了新的挑战。 

有效的牙齿病变检测技术可以借助牙齿表面的有效变化来确定早期龋齿病变。 此外，所捕获图像的视觉质量的改善可以显着帮助改善相关任务，例如分割、计算机辅助口腔和颌面外科手术，以及许多图像引导机器人和智能专家系统应用任务。

在一般实践中，经常使用口内 X 射线，但它们提供的视野角度有限，并且会使敏感的面部部位暴露在电离辐射下，这有几个缺点。 光谱成像，使用光环和移动光谱相机，可以记录样品的反射光谱。 然而，它限制了到达相机的照明强度和反射并增加了采集时间，从而导致过度曝光和曝光不足。

需要新的自适应解决方案

现有的医学图像对比度增强方法，如直方图均衡化（HE）、经典解决方案、基于深度学习的解决方案和基于光照加权（FEW）的特征增强等，都依赖于图像对或大规模数据集，它们提供了固定的对比度与对新生条件的有限适应性之间的平衡。 

因此，需要新的自适应解决方案来解决这些具有挑战性的问题，以提高实际医疗应用的性能。 最近基于分解的方法、深度视网膜、点燃黑暗方法 (KinD) 和超亮低光图像 (BBLLI) 方法，从根本上依赖于图像对的大规模数据集。

所提出的方法是自适应的，并且可以自由适应所需的对比度水平，使其适用于实际的牙科成像。 它可以显着提高许多基于深度学习的方法的性能，包括视觉跟踪和手术机器人性能的改进。 

此外，增强技术可帮助医生进行更好的评估和早期诊断，从而节省额外的并发症和总体成本。 因此，必须采用更具适应性和自由式的增强技术来提高相关任务的性能。