从锥形束计算机断层扫描(CBCT)图像中准确、自动地分割单个牙齿是一个具有挑战性的问题，因为很难将单个牙齿与相邻牙齿及其周围的牙槽骨分离。因此，本文提出了一种全自动的从牙齿CBCT图像中识别和分割三维个体牙齿的方法。该方法通过开发一个基于深度学习的层次多步骤模型来解决上述困难。首先，该算法能够自动生成上下颌骨全景图像，克服了高维数据带来的计算复杂度和有限训练数据集带来的维数诅咒。然后利用获得的二维全景图像对二维个体牙齿进行识别，并获取三维个体牙齿的松弛和紧张感兴趣区域(roi)。最后，采用松紧roi实现了精确的三维个体牙齿分割。实验结果表明，该方法的牙齿识别f1得分为93.35%，个体三维牙齿分割的骰子相似系数为94.79%。结果表明，所提出的方法为数字牙科提供了一个有效的临床和实践框架。
论文创新点
本文旨在通过开发一个分层多步深度学习模型来解决这些限制。本文提出的方法总结如下。第一步是规避与CT图像相关的高维问题。该步骤从尺寸小于原始CT图像的CT图像中自动生成上下颌骨的全景图像。上下颌骨的全景图像被分离，以减少相邻牙齿之间的重叠。值得注意的是，由CBCT图像生成的全景图像不受金属相关伪影的显著影响。作者利用这些全景图像精确地进行二维牙齿检测、识别和分割。第二步是根据象限和位置的两位数来识别单个牙齿，如下图所示。
作者开发了一种牙齿检测方法来定位包围每个牙齿的包围框，并根据牙齿形态将其分为四种类型。该方法解决了由于相邻牙齿相似而导致的误分类问题。然后使用牙齿检测的结果来识别单个的牙齿。此外，作者对单个牙齿进行二维分割。第三步从二维检测盒和分割出的牙齿区域中提取出疏松和紧密的三维感兴趣区域(ROIs)，实现精确的三维个体牙齿分割。紧密的roi提高了分割精度。
框架结构
所提出方法的原理图，该方法包括四个步骤:1)从三维CBCT图像中重建上下颌骨全景图像;2)全景图像中的牙齿识别和单个牙齿的二维分割;3)利用检测到的包围盒和分割的牙齿区域提取松、紧三维牙齿roi;4)从三维牙齿roi中对单个牙齿进行三维分割。
实验结果
定性比较所提出的方法和面具R-CNN。(a)本文提出的方法和(b) Mask R-CNN的分割结果。面具R-CNN能够对牙齿进行分割;然而，有一些不准确的主要是在牙齿的边缘。
三张植入体CT影像的结果
种植体在全景图像和3D CT图像中均成功分割。但是，植入物被分为不同的类别。
结论
在本文中，作者开发了一种全自动的分割和识别方法，以单独的牙齿和颌骨从CBCT图像。给定CBCT数据，该方法自动生成上颌和下颌全景图像，沿着代表基于区域的牙弓形状特征的参考曲线投影。在上颌和下颌全景图像中，采用深度学习方法对牙齿进行二维分割和识别，这是实现高精度三维牙齿分割和识别的关键。实验表明，该方法的准确性适合于临床应用。作者的方法克服了现有自动化方法的局限性，实现了完全自动化和提高了准确性。此外，该方法解决了学习高维数据的困难。
该方法的主要思想是在二维全景图像中以一种间接的方式谨慎地使用精确和鲁棒的二维牙齿分割和识别，以解决从金属伪影污染的三维CBCT图像中进行三维分割的困难。在临床牙科CBCT环境中(例如，低剂量辐射暴露)，金属相关伪影是常见的。该方法利用了一个重要的观察结果，即在CBCT图像生成的上下全景图像中，金属伪影显著减少。步骤2的结果具有较强的三维牙齿分割先验知识，在牙齿因金属相关伪影而经常接触、重叠或连接的情况下，这对将牙齿从三维图像中分离起着重要作用。
本研究提出的自动化系统通过减少繁琐耗时的人工干预，提高了牙医的工作效率。结果为牙科医生提供了一个改进的工作流程，以模拟术前正畸治疗和制造种植手术指南。通过配准，将作者的方法与口腔内扫描模型[36]、[37]相结合，数字咬合分析可能成为可能。因此，它有望在数字牙科中发挥重要作用。
论文链接：https://arxiv.org/pdf/2102.06060.pdf