基于深度学习的口腔疾病识别
对口腔图像做六类疾病识别：ResNet50+CBAM / EfficientNet 多架构对比 + Focal Loss 处理不平衡 + Grad-CAM 看病灶，兼顾精度与轻量部署——带注释代码、技术文档、面试问答全配齐。
数据与任务
| 样本量 | 口腔图像 · 1.2 万张 · 6 类 |
|---|---|
| 核心方法 | 三模型对比 + CBAM |
| 技术栈 | PyTorch |
如果你想找一个医学图像分类、还兼顾落地部署的深度学习项目，这个「口腔疾病识别」很合适。
它要在六类口腔疾病里做识别，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。
先说清楚，它到底在做什么
口腔疾病（龋齿、牙结石、牙龈炎等）很常见，但诊断依赖医生经验、效率有限。难点有两个：一是六类疾病样本分布不均，二是要在保证精度的同时兼顾移动端等轻量部署。
这个项目搭了一条完整的分类流水线，并用"多架构对比"的方式权衡精度与体积：ResNet50 接 CBAM 注意力走高精度路线、EfficientNet 走轻量高效路线；用 Focal Loss 处理类别不平衡，最后用 Grad-CAM 验证模型确实盯在了病灶上。
搞懂它，你能在面试里讲清楚什么
把下面几件事吃透，面试官顺着问下来你都能接得住。
CBAM 注意力怎么让模型聚焦病灶。 CBAM 从通道和空间两个维度学权重，让网络盯住病变区域。你能讲清楚它的结构和为什么对医学图像有用。
多架构对比里的精度-体积权衡。 这是项目很实用的一点。高精度的 ResNet50+CBAM 适合高端设备，轻量的 EfficientNet 参数少、推理快，适合移动端。你能借此讲清楚"模型选型要看部署约束"。
Focal Loss 处理不平衡 + Grad-CAM 可解释。 Focal Loss 聚焦难分、压低易分样本权重；Grad-CAM 把模型关注区画成热力图，落在病灶上，医生就能信。
下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：
更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。
面试官会问的，都帮你备好了
随便感受几个这个项目真实会被追问的问题：
- CBAM 增加的参数很少，凭什么能提升效果？
- 为什么同时上 ResNet50 和 EfficientNet？两者怎么取舍？
- Focal Loss 相比给类别加权，好在哪里？
看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。
配套资料：搞懂一个项目需要的，这里全都有
先看那份技术文档——从背景、模型架构、Focal Loss 一直讲到 Grad-CAM 分析，图文并茂：
代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：
技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。
适合谁
不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、医学信息工程、口腔医学交叉方向都很合适。医学图像分类 + 轻量化部署是很实用的组合，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。
想把这样的项目做成你简历上的亮点？
这是一套配齐了代码、文档、面试问答和配图的 AI+X 项目，可写进简历、在面试里讲清楚。 想做同类项目、或获取「基于深度学习的口腔疾病识别」的完整资料（代码 / 数据处理流程 / 论文文档 / 配图）， 请联系为你介绍本页面的老师咨询，按你的情况定一个合适的项目。