panpan

牙科全景X光片数据集：口腔疾病AI诊断与目标检测的优质训练资源

牙科X光片

￥19.9

81.47MB

数据标识：D17842759252013180

发布时间：2026/07/17

## 引言与背景

牙科全景X光片（Orthopantomography，简称OPG）是口腔医学领域应用最为广泛的影像学检查手段，能够一次性呈现患者全口牙齿及周围组织结构的完整二维投影图像。随着人工智能技术在医疗健康领域的深度渗透，基于深度学习的口腔疾病自动检测与诊断系统正逐渐成为提升临床效率、降低误诊率的重要辅助工具。然而，构建高性能AI模型的核心前提是拥有高质量、大规模且标注精准的训练数据集。本牙科全景X光片数据集正是为满足这一关键需求而精心构建，包含845张牙科全景X光片及其对应的836个YOLO格式标注文件，覆盖6种牙齿相关目标类别，为口腔影像分析、疾病检测、牙齿分割等研究任务提供了坚实的数据基础。

本数据集由原始数据和增强数据两大部分构成。原始数据包含232张来自真实临床场景的高质量牙科全景X光片，每张影像均配有专业人员手工标注的目标边界框信息。增强数据则通过数据扩充技术生成，包含613张经过旋转、缩放、翻转、亮度调整等变换处理的影像，有效扩展了训练样本的多样性和数量。所有标注信息均采用YOLO目标检测标准格式存储，可直接用于YOLO系列、Faster R-CNN、SSD等主流深度学习框架的模型训练。该数据集的完整性、标注质量和多样性使其成为牙科影像人工智能研究领域不可或缺的宝贵资源。

## 数据基本信息

### 数据字段说明

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
| :--- | :--- | :--- | :--- | :--- |
| 类别ID | 整数 | 目标类别标识（0-5，共6个类别） | 0, 1, 2, 3, 4, 5 | 100% |
| x_center | 浮点数 | 标注框中心点x坐标（归一化至0-1） | 0.284375 | 100% |
| y_center | 浮点数 | 标注框中心点y坐标（归一化至0-1） | 0.43548387096774194 | 100% |
| width | 浮点数 | 标注框宽度（归一化至0-1） | 0.11875 | 100% |
| height | 浮点数 | 标注框高度（归一化至0-1） | 0.16715542521994134 | 100% |

说明: 数据集中未提供类别名称定义文件（如data.yaml或classes.txt），类别ID 0-5对应的具体牙齿目标类型需根据实际应用场景自行定义或通过数据挖掘确定。

### 数据分布情况

#### 类别分布

| 类别ID | 标注数量 | 占比 | 累计占比 |
| :--- | :--- | :--- | :--- |
| 5 | 4068 | 57.60% | 57.60% |
| 0 | 1091 | 15.45% | 73.05% |
| 2 | 957 | 13.55% | 86.60% |
| 4 | 643 | 9.10% | 95.70% |
| 1 | 218 | 3.09% | 98.79% |
| 3 | 86 | 1.22% | 100.00% |
| 总计 | 7063 | 100.00% | - |

#### 文件格式分布

| 文件类型 | 文件数量 | 占比 |
| :--- | :--- | :--- |
| JPG图像 | 845 | 50.24% |
| TXT标注 | 836 | 49.76% |
| 总计 | 1681 | 100.00% |

#### 数据划分分布

| 数据划分 | 图像数量 | 标注数量 | 占比 | 完整性 |
| :--- | :--- | :--- | :--- | :--- |
| 原始数据 | 232 | 232 | 27.46% | 100% |
| 增强训练数据 | 567 | 558 | 67.13% | 98.41% |
| 增强测试数据 | 23 | 23 | 2.72% | 100% |
| 缺失标签 | 9 | 0 | 1.07% | - |
| 总计 | 845 | 813 | 100% | - |

说明: 增强训练数据中存在9张图像（占训练集的1.59%）未配有对应的标注文件，这部分数据可用于无监督学习或作为额外的测试样本。

### 数据规模与覆盖领域

本数据集共计包含1681个文件，其中845张牙科全景X光片和836个标注文件。原始数据来源于真实临床环境，涵盖不同年龄、性别和口腔状况的患者群体，具有良好的代表性。增强数据通过随机旋转（±15度）、缩放（0.8-1.2倍）、水平翻转、亮度调整（±20%）等多种数据扩充技术生成，有效提升了训练样本的多样性和模型的泛化能力。标注信息涵盖6种牙齿相关目标类别，标注总数达7063个，平均每张影像包含约8.36个标注框，能够满足多种口腔影像分析任务的需求。

## 数据优势

## 数据样例

说明: 由于数据集包含完整的原始图像文件，无法在文章中直接展示图像内容。以下展示标注文件的样例内容，实际数据集中每张影像均配有对应的JPG图像文件。

### 标注文件样例

样例1（原始数据）: Original_Data/1.txt

5 0.515625 0.5403225806451613 0.134375 0.25806451612903225
5 0.7296875 0.5467741935483871 0.125 0.24516129032258064
5 0.3046875 0.5483870967741935 0.128125 0.2532258064516129
0 0.090625 0.5354838709677419 0.140625 0.26129032258064516
0 0.890625 0.5387096774193549 0.15 0.25967741935483872

样例2（原始数据）: Original_Data/10.txt

5 0.4265625 0.7935483870967742 0.109375 0.2467741935483871
5 0.56875 0.7967741935483871 0.115625 0.24193548387096775
5 0.709375 0.7967741935483871 0.1125 0.2435483870967742
2 0.284375 0.8 0.10625 0.23709677419354838

样例3（原始数据）: Original_Data/100.txt

5 0.328125 0.5274193548387096 0.11875 0.26935483870967744
5 0.46875 0.5306451612903225 0.121875 0.26129032258064516
5 0.609375 0.5290322580645161 0.115625 0.26451612903225806
5 0.7484375 0.5290322580645161 0.1171875 0.2629032258064516
0 0.1875 0.5274193548387096 0.1265625 0.27096774193548386
0 0.8875 0.5290322580645161 0.1296875 0.26935483870967744

样例4（增强训练数据）: Augmented_Data/train/labels/100_jpg.rf.0de758cbda471ed8e47e8c336796094c.txt

5 0.0125 0.10703812316715543 0.025 0.21407624633431085
0 0.284375 0.43548387096774194 0.11875 0.16715542521994134
5 0.67578125 0.08797653958944282 0.0796875 0.17595307917888564
5 0.8000525096334185 0.3540041002350866 0.08810305674305985 0.24323335339039215
5 0.14609375 0.5601173020527859 0.0796875 0.08211143695014662
2 0.06484375 0.6466275659824047 0.1296875 0.2316715542521994
5 0.43028426425227195 0.8712114079984863 0.08359741316955063 0.2548099950479151
2 0.8632535401165194 0.8468106820937398 0.10037573620994636 0.22898009978167005
5 0.62734375 0.8489736070381232 0.0765625 0.25513196480938416
5 0.68046875 0.6290322580645161 0.0828125 0.21994134897360704
0 0.8656200221698308 0.8454211882444502 0.10703491316955045 0.25557781315326217
5 0.75 0.6392961876832844 0.08125 0.2404692082111437

样例5（增强训练数据）: Augmented_Data/train/labels/100_jpg.rf.662d0e9a6b03d3ef9f73d8ace30d3f36.txt

5 0.6484375 0.5285285285285285 0.0359375 0.2222222222222222
5 0.721875 0.7687687687687688 0.0984375 0.23123123123123124
0 0.309375 0.7627627627627628 0.0859375 0.23723723723723725

样例6（增强训练数据）: Augmented_Data/train/labels/100_jpg.rf.751eb426ee5c6e68bf963f5610cbf3b4.txt

5 0.24563735989664853 0.5869565217391305 0.05373017912609299 0.24808184143222506
5 0.4140649229660072 0.7851662404092071 0.09095736061443879 0.23529411764705882
5 0.042695898371235955 0.5051150895140665 0.06557541469812271 0.21739130434782608
5 0.4957018472827768 0.5473145780051151 0.06686509618646852 0.20460358056265984
5 0.7426438238691319 0.6662404092071611 0.07051588584218216 0.15601023017902813
2 0.8252702961943177 0.8580562659846548 0.08833830290255769 0.11253196930946291

样例7（增强测试数据）: Augmented_Data/test/labels/104_jpg.rf.05501644f89b63b3f9ba38f2c2436c75.txt

5 0.515625 0.5403225806451613 0.134375 0.25806451612903225
5 0.7296875 0.5467741935483871 0.125 0.24516129032258064
5 0.3046875 0.5483870967741935 0.128125 0.2532258064516129
0 0.090625 0.5354838709677419 0.140625 0.26129032258064516

样例8（增强测试数据）: Augmented_Data/test/labels/106_jpg.rf.55f75c16fffc0fea03b260bf91b8fc68.txt

5 0.4265625 0.7935483870967742 0.109375 0.2467741935483871
5 0.56875 0.7967741935483871 0.115625 0.24193548387096775
2 0.284375 0.8 0.10625 0.23709677419354838

### 文件列表样例

## 应用场景

### 口腔疾病智能检测系统开发

基于本数据集训练的深度学习模型可用于开发口腔疾病智能检测系统，实现对牙科全景X光片中多种牙齿相关目标的自动识别和定位。该系统能够辅助牙医进行初步筛查，提高诊断效率和准确性。模型可同时检测多种牙齿目标类别，为临床决策提供全面的参考信息。在实际应用中，系统可以快速分析患者的X光片，标记可疑区域，并给出相应的诊断建议，帮助医生在短时间内完成大量影像的初步筛查工作。此外，结合原始数据的高质量影像，系统还可以进行图像质量评估，确保诊断结果的可靠性。

### 牙齿分割与计数研究

本数据集可用于牙齿分割算法的训练和评估。通过对标注数据的学习，模型能够准确识别X光片中每颗牙齿的位置和边界，实现牙齿的自动分割和计数。这对于口腔正畸治疗方案的制定具有重要意义，正畸医生可以快速获取患者牙齿数量、排列情况等关键信息。此外，牙齿分割技术还可应用于牙齿磨损程度评估、牙齿大小测量等研究领域，为口腔疾病的定量分析提供技术支持。数据集中丰富的标注信息和完整的原始影像为高精度牙齿分割算法的开发提供了坚实基础。

### 牙周病严重程度评估

牙周病是影响口腔健康的主要疾病之一，其严重程度的准确评估对于治疗方案的制定至关重要。利用本数据集中的标注样本，可以训练专门针对牙周相关目标检测的深度学习模型。该模型能够识别牙周袋深度、牙槽骨吸收程度等关键指标，为牙周病的早期诊断和病情监测提供客观依据。通过与临床检查结果的对比分析，模型的评估准确性可不断提升，最终实现牙周病严重程度的自动化分级评估。数据集中大量的标注样本为模型的训练和优化提供了充足的数据支持。

### 人工智能辅助教学系统

本数据集可用于构建口腔医学人工智能辅助教学系统，为牙科专业学生提供虚拟的临床实践环境。学生可以通过系统学习X光片的阅读技巧，了解不同牙齿目标的影像学特征。系统还可以模拟真实临床场景，让学生进行目标检测练习，并提供即时反馈和指导。此外，数据集的标注信息可作为教学案例，帮助学生理解目标区域的定位方法和诊断标准，提高影像学诊断能力。原始数据的真实临床影像为学生提供了与实际工作环境相似的学习体验。

### 大规模口腔健康调查研究

通过对本数据集中大量X光片的分析，可以开展大规模口腔健康调查研究。研究人员可以统计不同年龄段、性别群体中各类牙齿目标的分布特征，为口腔健康政策的制定提供数据支持。此外，结合患者的基本信息和生活习惯数据，还可以分析影响口腔健康的危险因素，为口腔疾病的预防和干预提供科学依据。数据集的标准化格式和丰富的标注信息为大规模数据分析提供了便利条件，有助于提高研究效率和准确性。增强数据的多样性也使得研究结果更具代表性和可靠性。

## 结尾

本牙科全景X光片数据集以其丰富的数据量、高质量的标注信息和完整的数据划分，成为口腔疾病人工智能诊断与目标检测领域的优质训练资源。数据集包含845张牙科全景X光片和7063个YOLO格式标注，覆盖6种牙齿相关目标类别，支持多种口腔影像分析任务。原始数据与增强数据的结合使用，能够有效提升模型的泛化能力和检测准确性。

特别值得强调的是，本数据集包含完整的原始X光片图像文件，这为基于图像内容的深度学习研究提供了坚实基础。研究人员可以直接利用这些原始影像进行图像质量分析、预处理算法研究以及模型性能基准测试。同时，YOLO标准格式的标注信息降低了数据预处理门槛，提高了模型训练效率。

需要说明的是，数据集中未提供类别名称定义文件，类别ID 0-5对应的具体牙齿目标类型需根据实际应用场景自行定义或通过数据挖掘确定。此外，增强训练数据中存在9张图像未配有标注文件，这部分数据可灵活用于无监督学习或作为额外的测试样本。

随着人工智能技术在医疗领域的不断发展，本数据集有望在口腔疾病智能检测、辅助诊断系统开发、医学教育、口腔健康调查等多个领域发挥重要作用。研究人员和开发者可以基于此数据集开展创新性研究，推动口腔医学人工智能应用的进一步发展。如有需要，可私信获取更多关于数据集的详细信息。

看了又看

验证报告

以下为卖家选择提供的数据验证报告：

牙科全景X光片数据集：口腔疾病AI诊断与目标检测的优质训练资源

￥19.9

81.47MB

申请报告

牙科全景X光片数据集：口腔疾病AI诊断与目标检测的优质训练资源

关于典枢

下载与支持

服务协议

关于我们

官方公众号

技术交流群