目的：牙发育成熟度的评级是牙龄评测的关键步骤，人工评级过程繁琐、耗时、主观性强、且专业要求较高，因此限制了牙龄评测在实际临床工作中的应用。本研究针对儿童牙龄评估任务存在两个难点，1）牙齿形态差异大；2）相邻的发育阶段难以区分，在恒牙牙位自动识别的基础上构建基于Demirjian分类法的牙龄评级分类模型。
材料与方法：本研究收集了830张3-14岁儿童的曲面断层片，采用多名医生交叉标注的方式构建了儿童混合牙列的牙龄数据集ChildMixDenTA。其中牙发育成熟度标签采用改良的Demirjian法进行标注收集，对每颗恒牙进行R,A,B,C…H共9级分类。本研究在牙齿定位的基础上提出一种基于细粒度特征的牙龄分类网络Deep-Finegrained-TA。首先通过构建两个深度卷积网络（DCNN）针对牙齿形态的粗略特征和牙龄阶段的细微特征进行提取；其次，利用双线性池化对形态的粗略特征和牙龄的细微特征进行融合；最后将融合特征送入分类器进行牙龄的识别分类。
结果与讨论：实验结果表明在ChildMixDenTA数据集上，与ResNet50网络的65%的精度相比，本文提出的Deep-Finegrained-TA网络精度提升至79%。
结论：本文为牙龄分析的临床应用提供了一个新的数据支持和技术思路与实现。

牙龄分析,深度神经网络,细粒度分类,曲面断层片