计算机辅助设计三维牙颌分割及应用场景

doi:10.12307/2023.951

中国组织工程研究 ›› 2024, Vol. 28 ›› Issue (2): 252-257.doi: 10.12307/2023.951

• 口腔组织构建 oral tissue construction • 上一篇下一篇

计算机辅助设计三维牙颌分割及应用场景

崔家礼1，黄敏慧1，刘东林2，贾瑞明1，李涵1

1北方工业大学信息学院，北京市 100144；2北京大学医学部基础医学院，北京市 100191

收稿日期:2022-10-27 接受日期:2023-01-04 出版日期:2024-01-18 发布日期:2023-06-30
通讯作者: 贾瑞明，博士，副研究员，北方工业大学信息学院，北京市 100144
作者简介:崔家礼，男，1975年生，山东省滕州市人，汉族，2006年中科院自动化研究所毕业，博士，副教授，主要从事数字化口腔临床正畸研究、生物医学图像处理的研究。
基金资助:
北京市教委科研计划项目(KM202110009001)，项目参与人：崔家礼，贾瑞明，黄敏慧；北航杭州创新研究院钱江实验室开放基金(2020-Y3-A-014)，项目负责人：崔家礼

Computer aided design of 3D dental segmentation and its application scenarios

Cui Jiali1, Huang Minhui1, Liu Donglin2, Jia Ruiming1, Li Han1

1School of Information, North China University of Technology, Beijing 100144, China; 2School of Basic Medicine, Peking University Health Science Center, Beijing 100191, China

Received:2022-10-27 Accepted:2023-01-04 Online:2024-01-18 Published:2023-06-30
Contact: Jia Ruiming, PhD, Associate researcher, School of Information, North China University of Technology, Beijing 100144, China
About author:Cui Jiali, PhD, Associate professor, School of Information, North China University of Technology, Beijing 100144, China
Supported by:
Research Program of Beijing Municipal Education Commission, No. KM202110009001 (to CJL, JRM, HMH [project participants]); Qianjiang Laboratory Open Fund of Hangzhou Innovation Institute of Beihang University, No. 2020-Y3-A-014 (to CJL)

摘要/Abstract

摘要：

文题释义：

计算机辅助设计：是指通过半自动或全自动手段简化现有的人工操作，目前多通过神经网络等人工智能方式，达到成本资源降低的辅助目的。
三维牙颌分割：是通过计算牙齿的三维区域，将牙颌中的牙齿与牙龈分隔开。它主要应用于虚拟正畸系统，如牙齿间隙调整、牙齿的移动等功能。

背景：传统的三维牙颌模型分割方法通常利用预定义的空间几何特征如曲率、法向量等作为牙齿分割的参考信息。

目的：提出一种适用于复杂三维牙颌分割的算法并深度挖掘分割结果与应用场景之间的关联性。
方法：建立基于结构特征和空间特征双流提取的三维牙颌分割算法，利用分流的模块化设计避免特征混淆。其中，结构特征流上的注意力机制用于捕获牙齿分割所需的细粒度语义信息，空间特征流上的Tran-Net用于保证模型对复杂牙颌分割的鲁棒性。该算法在包含健康牙颌和缺牙、错牙、牙列拥挤等复杂牙颌的临床数据集上验证有效性和可靠性，通过总体精度、均交并比、方向切割差异等评价指标衡量模型的分割性能。

结果与结论：该算法在临床数据集上的总体分割精度为97.08%，分割效果从定性和定量的角度均优于其他竞争方法。验证了此次设计的结构特征流，通过构建注意力聚合机制从坐标和法向信息中可提取更精细齿形局部细节，设计的空间特征流通过构建变换网络(Tran-Net)可保证模型对缺牙、错牙、牙列拥挤等复杂牙颌的鲁棒性。因此，该牙齿分割算法对于临床医生实操参考具有较强的可靠性。

https://orcid.org/0000-0003-1611-6043(崔家礼)

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

关键词: 口腔疾病预防, 牙齿矫正, 神经网络, 三维牙颌分割, 可靠性

Abstract: BACKGROUND: Traditional 3D dental segmentation methods usually utilize predefined spatial geometric features, such as curvature and normal vectors, as the reference information for tooth segmentation.
OBJECTIVE: To propose an algorithm for complex 3D dental segmentation and deeply explore the correlation between segmentation results and application scenarios.
METHODS: A 3D dental segmentation algorithm based on dual stream extraction of structural features and spatial features was established, and the modular design of split flow was used to avoid feature confusion. Among them, the attention mechanism on the structural feature flow was used to capture the fine-grained semantic information required for tooth segmentation, and the Tran Net based on the spatial feature flow was used to ensure the robustness of the model to complex tooth and jaw segmentation. This algorithm verified its effectiveness and reliability based on clinical datasets including healthy dental jaws and complex dental jaws such as missing teeth, malocclusion and dentition crowding. The segmentation performance of the model was measured in terms of overall accuracy, mean intersection over union, and directional cut discrepancy.
RESULTS AND CONCLUSION: The overall segmentation accuracy of this algorithm in the clinical data set is 97.08%, and the segmentation effect is superior to that of other competitive methods from the qualitative and quantitative perspectives. It is verified that the structural feature flow designed in this paper can extract more precise local details of tooth shape from coordinate and normal information by constructing an attention aggregation mechanism, and the spatial feature flow designed in this paper can ensure the robustness of the model to complex teeth such as missing teeth, dislocated teeth, and crowded dentition by constructing a transformation network (Tran Net). Therefore, this tooth segmentation algorithm is highly reliable for clinicians' practical reference.

Key words: oral disease prevention, orthodontics, neural network, 3D dental segmentation, reliability

中图分类号:

崔家礼, 黄敏慧, 刘东林, 贾瑞明, 李涵. 计算机辅助设计三维牙颌分割及应用场景[J]. 中国组织工程研究, 2024, 28(2): 252-257.

Cui Jiali, Huang Minhui, Liu Donglin, Jia Ruiming, Li Han. Computer aided design of 3D dental segmentation and its application scenarios[J]. Chinese Journal of Tissue Engineering Research, 2024, 28(2): 252-257.

图/表（结果） 8

2.1 定性结果 5种竞争方法整体分割可视化结果见图4-6所示。图4第1行样本A为规则牙齿，结果表明此次研究方法能精确分割牙龈及各颗牙齿，几乎实现零错分；第2行样本B为尖牙(TR3)位置轻微错位牙齿，结果表明此方法对于牙齿位置的移动，特征学习是鲁棒的；第3行样本C为侧切牙(TL2/TR2)排列拥挤牙齿，结果表明此方法能更好地处理极端外观牙齿，得到更光滑的齿龈边界。图5结果表明此次研究在缺牙位上具备分割优势，图6结果表明此次研究的注意力机制对于边界信息提取的有效性。

2.2 定量结果
2.2.1 对比实验结果对比实验采用总体精度、均交并比、方向切割差异3个指标在5折交叉验证下定量衡量算法性能，实验结果如表2所示。此外，通过此次分割算法模拟制作的修复体，其边缘间隙误差均能达到80 μm左右，具体误差数据见表3。可满足临床数字化修复嵌体、高嵌体、嵌体冠、单冠、桥体等固定修复体需要。

2.2.2 消融实验结果
(1)分流有效性：采用4种结构用以评估网络输入分流的有效性：第1种(表4类型①-结构A+F+H+K)，移除结构特征流，单独训练空间特征流，即直接从网格顶点坐标中学习；第2种(表4类型①-结构B+F+H+K)，移除空间特征流，单独训练结构特征流，即直接从质心、法向量的组合中学习；第3种(表4类型①-结构C+F+H+K)，不分支单一原始输入训练，即让网络结构不区分特征类型，直接从顶点坐标、质心、法向量的组合中学习；第4种为此次设计(表4 结构D+F+H+K)，双流同步训练结构特征流和空间特征流，即同步训练包括质心、法向量的结构特征模块和包括顶点坐标的空间特征模块。分流有效性验证结果如表5中类型①对应各项评价指标值所示。

(2)注意力机制有效性：为验证此模型注意力机制的有效性，移除结构特征变换中的注意力机制(表4类型②-结构D+F+G+K)与此次文方法(表4结构D+F+H+K)进行对比。从表5实验结果中类型②对应各项评价指标值可以看出，与不使用注意力机制相比，在结构特征变换中使用注意力机制可以获得更好的性能。
(3)Tran-Net有效性验证：为验证次模型Tran-Net设计的有效性，采用未加入Tran-Net的结构(表4类型③结构D+E+H+K)与加入后的结构(表4 结构D+F+H+K)进行对比。Tran-Net有效性验证结果如表5中类型③对应各项评价指标值所示。

参考文献

[1] 花超超,张荣和. 3D 打印在口腔正畸临床诊疗中的应用进展[J].口腔医学研究,2019,35(9):833.
[2] 施伟文. 口腔不良习惯与错颌畸形关系的相关性研究[J].当代医学, 2011,17(11): 62-63.
[3] ZHANG M, MCGRATH C, HÄGG U. The impact of malocclusion and its treatment on quality of life: a literature review. Int J Paediatr Dent. 2006;16(6):381-387.
[4] GRANJA GL, BERNARDINO VMM, DE LIMA LCM, et al. Orofacial dysfunction, nonnutritive sucking habits, and dental caries influence malocclusion in children aged 8-10 years. Am J Orthod Dentofacial Orthop. 2022;162(4):502-509.
[5] 范永晶,金武龙,王淑敏,等. 234 颗多生牙临床特征及继发影响分析[J].中国口腔颌面外科杂志,2022,20(3):257-262.
[6] 马建斌, 薛超然, 白丁.人工智能技术在口腔正畸诊疗中的应用研究进展[J].口腔疾病防治,2022,30(4):278-282.
[7] 张凌明,赵悦,李鹏程,等.基于局部注意力机制的三维牙齿模型分割网络[J].电子学报,2022,50(3):681-690.
[8] LEE JH, HAN SS, KIM YH, et al. Application of a fully deep convolutional neural network to the automation of tooth segmentation on panoramic radiographs. Oral Surg Oral Med Oral Pathol Oral Radiol. 2020;129(6): 635-642.
[9] NYIRJESY SC, HELLER M, VON WINDHEIM N, et al. The role of computer aided design/computer assisted manufacturing (CAD/CAM) and 3-dimensional printing in head and neck oncologic surgery: A review and future directions. Oral Oncol. 2022;132:105976.
[10] LIU L, YUAN S, ZHANG W, et al. Development and assessment of an online virtual orthodontic curriculum. J Dent Educ. 2022;86(5): 509-516.
[11] KAN TS, CHENG KJ, LIU YF, et al. Evaluation of a custom‐designed human–robot collaboration control system for dental implant robot. Int J Med Robot. 2022;18(1):e2346.
[12] 汪玲, 蔡立宏, 练其武, 等. 数字化设计与3D打印在自体牙移植术的应用[J].口腔疾病防治,2022,30(4):272-277.
[13] YILMAZ B, MARQUES VR, DONMEZ MB, et al. Influence of 3D analysis software on measured deviations of CAD-CAM resin crowns from virtual design file: An in-vitro study. J Dent. 2022;118:103933.
[14] 吴烨, 刘欢欢, 陈嘉民, 等. 虚拟与仿真技术在下颌阻生牙拔除术实验教学中的应用[J].中国口腔颌面外科杂志,2022,20(3):303.
[15] 宋红, 林家瑞. 用于医学辅助诊断的神经网络方法的应用研究[J].生物医学工程学杂志,1996,13(2):141-144.
[16] 张鹏,徐欣楠,王洪伟,等.基于深度学习的计算机辅助肺癌诊断方法[J].计算机辅助设计与图形学学报,2018,30(1):90-99.
[17] 袁波,代华,伍佳,等.人工智能在全科医学领域的应用[J]. 中华全科医学,2021,19(9):1433-1436.
[18] SZOLOVITS P, PATIL RS, SCHWARTZ WB. Artificial intelligence in medical diagnosis. Ann Intern Med. 1988;108(1):80-87.
[19] MINTZ Y, BRODIE R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 2019;28(2):73-81.
[20] XU X, LIU C, ZHENG Y. 3D tooth segmentation and labeling using deep convolutional neural networks. IEEE Trans Vis Comput Graph. 2019; 25(7):2336-2348.
[21] SUN D, PEI Y, LI P, et al. Automatic tooth segmentation and dense correspondence of 3D dental model. International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham. 2020;12264:703-712.
[22] WU K, CHEN L, LI J, et al. Tooth segmentation on dental meshes using morphologic skeleton. Computers & Graphics. 2014;38:199-211.
[23] 肖兵,魏昕,胡伟,等.基于特征线分段技术的牙齿分割算法[J].计算机应用,2017,37(3):844-848.
[24] 马勇,柯永振,杨帅.基于网格抽取的牙齿模型快速分割算法[J].计算机应用与软件,2018,35(5):247-252.
[25] 姜晓通,戴宁,张长东, 等.牙齿半自动精确分割算法[J].计算机辅助设计与图形学学报,2020,32(5):820-829.
[26] 马天,李赟,李娇娇,等.基于目标区域约束的牙颌模型分割线探测方法[J].系统仿真学报,2022,34(2):376-384.
[27] 张长东,戴宁,廖文和,等.部分缺失牙齿咬合面自适应重建算法[J]. 中国生物医学工程学报,2012,31(2):203-210.
[28] CUI Z, LI C, CHEN N, et al. TSegNet: an efficient and accurate tooth segmentation network on 3D dental model. Med Image Anal. 2021;69: 101949.
[29] QI CR, SU H, MO K, et al. Pointnet: Deep learning on point sets for 3d classification and segmentation.Proceedings of the IEEE conference on computer vision and pattern recognition. 2017;1:652-660.
[30] QI CR, YI L, SU H, et al. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Advances in neural information processing systems. 2017;1:30.
[31] FENG Y, FENG Y, YOU H, et al. Meshnet: Mesh neural network for 3d shape representation. Proceedings of the AAAI Conference on Artificial Intelligence. 2019;33(1):8279-8286.
[32] LIAN C, WANG L, WU T, et al. Deep multi-scale mesh feature learning for automated labeling of raw dental surfaces from 3D intraoral scanners. IEEE Trans Med Imaging. 2020;39(7):2440-2450.
[33] ZHANG L, ZHAO Y, MENG D, et al. TSGCNet: Discriminative geometric feature learning with two-stream graph convolutional network for 3D dental model segmentation.Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021;1:6699-6708.
[34] QIU L, YE C, CHEN P, et al. DArch: Dental Arch Prior-Assisted 3D Tooth Instance Segmentation With Weak Annotations. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022;1:20752-20761.
[35] 贾瑞明,李浩轩,陈彧,等.胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法[J].中国组织工程研究,2019,23(35): 5658-5663.
[36] 黄清川,黄翠,蔡新杰.数字化口内扫描技术在口腔修复学临床和教学中的应用[J].口腔颌面修复学杂志,2022,23(5):366-373.

引言

数字化正畸等口腔保健手段对于口腔疾病的防治是至关重要的[1]。口腔疾病中错颌畸形是最常见的一种情况，是众多其他口腔疾病的诱因[2]。对于一般患者而言，错颌畸形或咀嚼、吞咽、发音、呼吸功能受到影响[3]，或导致牙与牙之间接触异常，致使牙斑菌堆积和食物嵌塞，埋下龋病及牙周病的根基。对于重度患者而言，长期的错颌畸形会引起颞下颌关节的功能障碍[4]，严重错位牙齿还会增加牵引全身神经的牙外伤概率[5]。
随着口腔保健需求的增加，计算机辅助设计系统(computer aided design，CAD)和计算机辅助制造(computer aided manufacturing，CAM)成为口腔疾病防治研究的基本组成部分[6]。建立功能性咬合和改善口腔健康的手段(如正畸矫形和种植体)的第一个关键步骤，是利用三维口腔内扫描数据精确分割单个牙齿和牙龈[7]。牙颌扫描数据通常表示为由三角面片组成的网格，牙颌分割的目的是使患者牙齿或牙龈位置对应符合国际牙科联合会规定的牙齿排列标签[8]。口腔CAD/CAM系统通常由3部分构成，分别为数字化扫描设备、数字化CAD软件及数字化CAM设备，这3部分的功能相当于口腔技师的眼、脑和手，分别用于完成口腔三维数据采集、义齿数字化设计和义齿数字化制造。而三维牙颌分割算法一般用于义齿数字化设计阶段，可与数字化CAD软件匹配(即分割算法为“脑”)，构成口腔CAD/CAM系统的有机群体[9]。因此，高精度、高分辨率的分割是后续临床应用不可或缺的前提条件，例如，牙医在计算机辅助设计软件中移除或调整(即移动和旋转)分段牙齿，以模拟正畸或种植治疗[10]。同时，分割信息还可以为牙齿种植导板设计[11]、3D生物打印种植体[12]、虚拟牙冠状动脉生成[13]、拔牙诊断和治疗规划提供重要的参考信息[14]。
目前人工智能在医学辅助诊断的应用中取得了一些成果[15-19]，但牙颌分割的临床应用仍面临以下挑战：①患者的牙齿个体差异大，具体表现在数量(如缺牙或多牙)和牙弓形状(如锥形、方形或卵形)上[20]；②解剖结构复杂(如尖牙、旋转牙或移位牙导致的形状改变)导致分析困难[21]，如图1所示；③临床上适用的系统需要为高分辨率数据生成细粒度的分割，而牙齿-牙齿和牙齿-牙龈边界通常难以区分。例如，牙龈萎缩患者的牙-牙龈边界与正常患者略有不同。若计算机设计系统未正确提示医师这些微小的差异，医师在随后的治疗计划将导致严重的后果。此外，分割系统需要较短的处理时间，以提供快速反馈，支持临床诊断，提高诊所的服务质量。为了应对以上挑战，基于几何特征的传统方法从口内扫描网格数据中提取的几何特征(如曲率、特征线等)[22-25]，以设计分割的决策规则，虽然这种做法解释性充分，但不能推广到个体差异明显的牙颌形态上，需要人工参与后矫正。最近的方法采用了神经网络来开发更通用的解决方案[26-28]，这些方法比基于几何的传统方法具有更好的性能，然而它们的适用范围和规模有限，在复杂牙颌外观下的分割结果不理想。更重要的是，现有的工作没有评估网络模型的临床使用性能，比如在严重错颌或牙齿缺陷患者中的临床效用和适用性。因此，该文章提出了一个能适应临床需求的计算机辅助设计三维牙颌分割算法，并用于临床计算机辅助设计系统。整个系统的应用方案如图2所示。

中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

材料方法

1.1 设计计算机辅助设计三维牙颌分割。
1.2 时间及地点实验于2021年1月至2022年10月在北方工业大学博远楼智能识别与图像处理实验室完成。
1.3 材料研究数据来源于3Shape真彩台式口内扫描仪，型号：TRIOS 3 Basic，产地：丹麦哥本哈根，品牌：3shape。收集了80位受试者的80个实例牙颌数据，每个实例牙颌数据包括1个上牙颌和1个下牙颌。其中包括60个健康牙颌实例和20个牙齿形状异常的实例。该研究方案的实施符合《赫尔辛基宣言》和相关伦理要求。
1.4 方法

1.4.1 数据处理该数据集中每个实例表面包含约150 000个三角面片和80 000个顶点。这些三角面片被下采样到12 000个，以减少冗余信息，同时保留原始拓扑结构。数据集按4∶1比例分为训练集(64个实例)和测试集(16个实例)，具体划分见表1。该分割目标是将上、下牙颌分割成15个不同的语义部分，包括2个中切牙(TR1、TL1)、2个侧切牙(TR2、TL2)、2个尖牙(TR3、TL3)、2个第1前磨牙(TR4、TL4)、2个第2前磨牙(TR5、TL5)、2个第1磨牙(TR6、TL6)、2个第2磨牙(TR7、TL7)，1个牙龈(G)。所有牙科模型的标注均由同一位经验丰富的牙科医生定义。

1.4.2 实验参数及网络训练实验采用GeForce GTX 1080、Intel(R)Core i7-6700 CPU硬件平台，使用Adam优化器的AMSGrad变体，计算最小化广义骰子损失(Dice loss)进行训练。当最小Batch size设置为8时，对PointNet(2017)[29]、PointNet++(2017)[30]、MeshNet(2019)[31]、MeshSegNet(2020)[32]、TSGCNet(2021)[33] 、DArch(2022)和此次作者文设计的分割网络分别在相同环境下进行了400次的训练[34]。为定性及定量评价此次算法，将文章方法与上述文献报道的密切相关方法进行比较，采用它们的原始网络处理临床数据集，客观评价此次牙齿分割网络各模块的有效性，并对结果进行可视化和量化。

1.4.3 分割网络构建基于结构特征和空间特征的多特征学习牙颌分割网络结构如图3所示，该网络主要由输入、中间处理过程、输出3个部分组成。

(1)输入：直接输入原始三维牙颌网格表面模型数据，即一个N×15维的矩阵，其中N是三角面片数量，15是维数。文章所提及的牙颌网格均特指三角网格。每个面片包含1个质心向量(3维)、3个顶点坐标(9维)和1个法向量(3维)，共15维。
(2)分割网络模块搭建：网络遵循点云分割的架构，使用连续的多层感知机(MLP)来提取高级别的几何特征。这个提取过程采用共享权重，即网络中每个MLP的可学习参数在所有输入网格单元之间共享。该网络的主要创新点包括：利用多维度特征约束分层学习、利用局部到全局的密集特征融合进行分割，详述过程如下：①多维度特征约束分层学习：依据结构特征和空间特征的差异性与互补性，将输入分层，一层包括3个顶点坐标和1个法向量，另一层包括1个质心向量，充分学习并利用空间特征和结构特征提供的几何信息互补性。首先，构建结构特征变换模块，该模块基于优化后的自注意力机制[33]，实现边界细粒度信息的提取，利用注意力聚合从坐标、法向信息中提取精细齿形细节。然后，构建空间特征变换模块，该模块基于仿射变换网络(Tran-Net[29])设计，保证模型刚性变化(旋转或坐标变换)不变性，从而保证模型的鲁棒性。②局部到全局特征的决策级密集特征融合：该过程先定义上下文邻域信息感受域，通过尺寸感受域限制模块分别捕获全局信息和细粒度局部信息。即对于每个单元的三维网格，定义其邻域球与两个不同的半径，用其不同半径对应的N×N邻接矩阵描述任何两个网格之间的底层欧几里得空间关系。再利用对称平均池化将上下文信息(由邻近的单元提供)融合。
(3)输出：是一个N×(C+1)维的矩阵，其中C为牙齿类别数(C=15)，每行表示相应网格单元属于不同类别的概率。
综上，该网络输入三维牙齿网格，采用分割网络进行牙齿分割，最后输出分割结果，即每个三角面片的类属。
1.4.4 应用场景针对三维牙颌模型的自动化分割算法具有方便、灵敏等优点，只需要输入口内扫描仪成像模型就能实现快速分割，对于目前发展得如火如荼的线上医疗有很大的帮助[9]。而目前市面上一些分割系统需要使用电子计算机断层扫描(CT)加以支撑，在时效上存在限制，因此该算法具有普适性、优越性。该方法可应用于数字化正畸、数字化可摘义齿及全口义齿修复、数字化牙齿种植等场景。
(1)数字化正畸：三维牙颌分割在正畸学也有广泛的应用。首先，在临床实践中，医生可通过面部三维摄影兼顾牙齿分割后动态和静态两个方面，既能在动态分割结果中观察微笑时唇相对于牙齿的动态变化，又能从多方面观察牙齿间静态的位置关系。数字化模型分割结果可在三维空间任意角度旋转并用于检查咬合关系。
(2)数字化可摘义齿及全口义齿修复：该算法可应用于可摘义齿和全口义齿修复、正畸治疗计划的设计。利用分割后的模型进行数字化全口覆盖义齿利于减少排牙难度，其制作的修复体牙设计准确，牙曲线完美，基托厚度相同，患者更容易适应。将该算法集成至CAD/CAM系统，具备虚拟牙架功能，可通过电脑输入架参数，使制作的修复体符合患者的下颌形态特征。在减少患者复诊次数的同时，降低医疗费用，还可以更好地控制修复体的品质。
(3)数字化牙齿种植：数字化种植主要包括数字化影像与诊断评估、种植辅助设计与数字化种植外科导板、数字化种植修复印模以及CAD/CAM个性化种植基台4个方面。虽然种植的大部分诊断及规划设计主要依赖于CT，但当涉及软组织时需要辅助口内扫描数字化印模，而不同系统、不同种植步骤对扫描模型分割的精度要求不同，该分割算法能满足数字化影像与诊断评估、种植辅助规划设计与数字化种植外科导板扫描方式等各类高精度分割场景需求。
1.4.5 验证模型的有效性和可靠性采用计算机辅助设计三维牙颌分割算法进行对比实验和消融实验的定性及定量评价。对比实验采用总体精度(overall accuracy，OA)、均交并比(mean intersection over union，MIoU)、方向切割差异(directional cut discrepancy，DCD)3个指标在5折交叉验证下定量衡量算法性能。5折交叉验证指将原始数据分成5组(5-Fold)，将每个子集数据分别做一次验证集，其余的4组子集数据作为训练集，由此得到5个模型。这5个模型分别在验证集中评估结果，最后的误差MSE(Mean Squared Error)加和平均得到交叉验证误差。交叉验证有效利用了有限的数据，并且评估结果能够尽可能接近模型在测试集上的表现，可做为模型优化的指标使用。消融实验结果包括分流有效性、注意力机制有效性及Tran-Net有效性验证。
1.5 主要观察指标 ①定性及定量评价牙齿分割网络各模块的有效性；②计算机辅助设计三维牙颌分割算法在复杂牙颌的临床数据集上验证有效性和可靠性；③通过总体精度、均交并比、方向切割差异等评价指标衡量模型的分割性能。

讨论

从定性结果可知，PointNet[29](2017)、PointNet++[30](2017)、MeshNet[31](2019)、MeshSegNet[32](2020)、TSGCNet[33](2021)、DArch[34](2022)，在TL1、TR1和TR2 牙位上可能产生严重的错误预判，在牙钉填充处表现出欠分割或过分割的现象(见图5)。这是由于此类方法或缺乏对局部细粒度特征学习的注意力机制，或缺乏变换网络的维稳，或缺乏建立局部与全局的联系。
从定量结果可知，此方法在牙齿模型整体总体精度值具有最大值，其中MeshSegNet是直接使用坐标和法向量组合的方法[17]，TSGCNe是分流使用坐标和法向量的方法[18]。TSGCNet方法总体精度值比MeshSegNet提高了0.84%[17-18]，论证了区分结构特征和空间特征，可以学习更多的互补信息用于精确的牙齿分割。此次研究方法总体精度值比TSGCNet方法提高了2.39%[18]，此外，均交并比和方向切割差异也是评价语义分割性能的另外两个指标，均交并比的值与分割性能优越性成正比，方向切割差异的值与分割性能优越性成反比。其中，均交并比衡量输出分割结果与实际真实结果的重合程度，方向切割差异衡量输出分割结果与实际真实结果的差异程度。
综合有效性验证结果可知，此次研究提出了一种准确、高效、全自动、可临床应用的三维牙颌分割系统。它利用分流避免牙颌的结构特征和空间特征混淆，并对结构特征流和空间特征流分别基于注意力机制和变换网络(Tran-Net)模块化设计，有效地解决了现有方法存在的局部特征提取困难和对复杂牙颌分割的鲁棒性差的问题。此研究算法显著优于目前最先进的方法，在数字化正畸、数字化修复、数字化可摘义齿及全口义齿修复、数字化牙齿种植等应用场景为患者和口腔医生服务。大量的临床数据研究表明，神经网络是智能数字牙科的一个强有力的元素，但神经网络的泛化效果对标签的有过度依赖的问题[35]，这也是此次研究的局限所在，研究精确的分割效果实现离不开海量、专业、高质量的标注牙颌数据集。因此，在小样本标记牙颌数据集上设计鲁棒的特征提取算法是作者后续的研究方向。将人工智能与口腔预防医学相结合进行前瞻性研究，将对未来全民口腔健康水平的提高产生重大影响[36]。中国组织工程研究杂志出版内容重点：组织构建；骨细胞；软骨细胞；细胞培养；成纤维细胞；血管内皮细胞；骨质疏松；组织工程

计算机辅助设计三维牙颌分割及应用场景

Computer aided design of 3D dental segmentation and its application scenarios

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表（结果） 8

参考文献

相关文章 15

引言

材料方法

讨论

文章快阅

延伸阅读

编辑推荐

Metrics

本文评价

[1]	吴东哲, 高晓嶙, 李闯涛, 王昊. 根据心肺最佳点构建反向传播神经网络最大摄氧量预测模型[J]. 中国组织工程研究, 2023, 27(8): 1224-1231.
[2]	李传鸿, 俞兴, 杨永栋, 杨凯坦, 赵赫. 经寰枕后间隙蛛网膜下腔注射是脊髓损伤模型大鼠可供选择的给药方式[J]. 中国组织工程研究, 2022, 26(33): 5376-5383.
[3]	赵祎明, 王婕, 张高巍, 孙建军, 杨鹏. 分析5种步态模式状态时下肢表面肌电信号识别人体下肢运动意图[J]. 中国组织工程研究, 2022, 26(12): 1805-1811.
[4]	陈潮锋, 石宇雄, 梁锦成, 何智军, 何达东. 基于机器学习算法预测全膝关节置换后住院时长[J]. 中国组织工程研究, 2021, 25(27): 4300-4306.
[5]	江丽红, 吴晓锋, 欧阳林, 罗爱芳, 黄丽. 基于代谢组学腰椎间盘退变的计算机辅助诊断[J]. 中国组织工程研究, 2021, 25(24): 3796-3803.
[6]	梁美富, 曲淑华. 依据反向传播神经网络建模预测骨骼肌的最佳功率负荷[J]. 中国组织工程研究, 2021, 25(23): 3641-3647.
[7]	曹旭含, 白子兴, 孙承颐, 李晏乐, 孙卫东. 机器人在骨科手术中应用的可靠性与提升空间[J]. 中国组织工程研究, 2020, 24(9): 1416-1421.
[8]	贾瑞明, 李浩轩, 陈彧, 黄小勇, 濮欣, 舒丽霞. 胸主动脉腔内修复术前CT血管造影与术中X射线图像的配准算法[J]. 中国组织工程研究, 2019, 23(35): 5658-5663.
[9]	李莹，张皑峰，高钰丹，赵文，段红梅，郝鹏，尚俊奎，杨朝阳，李晓光. 活性生物材料支架体外诱导神经干细胞向神经元高比例分化并形成神经网络[J]. 中国组织工程研究, 2018, 22(9): 1432-1437.
[10]	吴涛，刘军，王刚. X射线、CT、MRI评估C₇椎体显示不清颈椎退变性疾病C_2-7Cobb角的可靠性[J]. 中国组织工程研究, 2018, 22(31): 4993-4997.
[11]	葛洪玉，张春秋，高丽兰，张西正. 针对细胞高加速度离心式加载机的研制[J]. 中国组织工程研究, 2015, 19(45): 7350-7355.
[12]	黄艳，黄华. 基于扩展Infomax 独立分量分析算法的脑电信号消噪[J]. 中国组织工程研究, 2013, 17(9): 1655-1659.
[13]	吴昊，石泽锋，李荣祝，尹东，周艳芳，董慧萍，梁红，陈俊. 下肢步进摄影获取下肢全长片的精确与可靠性[J]. 中国组织工程研究, 2013, 17(4): 639-646.
[14]	张崇林，虞丽娟，吴卫兵. 构建人工神经网络体质综合评价模型[J]. 中国组织工程研究, 2012, 16(37): 6956-6960.
[15]	瞿晓娜，张腾宇，王喜太. 三维步态分析检测基于BP神经网络的膝踝运动[J]. 中国组织工程研究, 2012, 16(30): 5520-5523.