在数字化正畸治疗过程中,对锥形束CT（Cone Beam Computed Tomography,简称CBCT）图像检测出单个牙齿的位置和牙号是帮助了解正畸治疗的有效手段,也是下一步进行单个牙齿分割的必要前提。近些年随着深度学习算法的蓬勃发展,基于卷积神经网络（CNN）的目标检测算法在医学图像领域的应用热度也逐渐高涨。但CBCT不同于自然图像,既包括CT和图片在自身维度和数据格式上的差别,例如:CT是三维和灰度的,而自然图片是二维和彩色的,还包括CT数据中的对象具备更多的共生性和空间位置关系,不像自然图像在位置上和关系上稍显随机。同时体素数据的规模也决定了,在使用卷积网络的同时,需要考虑GPU显存受限的问题。具体到本任务,CBCT牙齿检测,首要考虑的是对头部CT进行冗余体素的大量刨除,其次需要考虑单颗牙齿姿态属性和相邻牙齿空间上的位置关系。针对上述问题,本文主要研究内容包括:1.考虑到CBCT中牙齿自身的特殊性（人体中牙釉质硬度最高）,我们提出了一个基于Kmeans无监督聚类的算法,使用一系列包括最大密度投影（Maximum Intensity Projection,简称MIP）、聚簇（Kmeans）、腐蚀、膨胀、阈值化等处理手段,用于在整个头部CBCT中获取粗糙的包含上下颌完整牙列的体素块。有效的去除了CBCT牙齿以外的多数体素数据,不仅聚焦了问题本身,还对显存受限问题提供了保障。2.本文研究了近些年属于State-Of-The-Art（SOTA）的目标检测算法的国内外发展现状后,针对裁剪后的CBCT中单个牙齿的检测,提出了一个两阶段网络,试图以多任务的方式,联合解决牙齿对象检测和牙号识别任务。网络的第一阶段参考Center Net网络,使用关键点检测的方式,编写网络为3D版本;第二阶段参考Faster r-cnn的第二阶段网络,编写3D版本作为主干网络。同时参考图关系嵌入网络（SGRN）,实现相应的3D版本,负责对第一阶段网络得到的牙齿检测框提取到的特征,进行深一步挖掘,和主干网络特征融合后,进行牙号识别。3.关注到CBCT中牙齿的姿态问题,以单个牙齿检测为例:牙齿的姿态有多种,有多根和单根之分,且越到根尖位置处,牙齿越小,同时检测过程中会面临冠部细节咬合过于密切,牙齿倾斜角度不定等因素影响。因此自身姿态属性是不可忽略的一个因素,受到一种新的Anchor生成方法（Guided Anchoring）和One Net中Label配准过程中分类损失（Classification Cost）的重要性的思考,本文提出在之前介绍的一阶段3D网络中,不再使用2D Center Net中将每个检测框中心区域看作唯一正样本的做法,而是让网络自己学习如何表征正负样本。具体配准算法参考使用DETR和Deformable DETR中用于匹配预测结果和Ground Truth的匈牙利配准算法（Hungarian Match Algorithm）,来重新定义正负样本。同时由于该阶段是做牙齿对象的检测,只关注检测对象是否为牙齿及单个牙齿对象对应的位置信息,也就是该阶段为无关类别的检测,故缩减类别数目为1。同时,为了减轻姿态带来的检测框覆盖精度,本文通过引进可形变卷积（Deformable Conv）,加强网络的性能,从而增强检测的效果。在最后的实验中也表明,我们通过使用图像特征指导生成正样本,在一阶段对象检测任务中可以产生高置信度的稀疏检测框,甚至不需要NMS后处理,就可以达到一个较高的精度。同时,通过合理运用前处理和图关系网络,对本任务进行聚焦和牙齿牙号识别解耦,提供了有益帮助。