Academic App | Vol.008:全自动3D牙齿分割与定位:数字化正畸的两阶段深度学习新突破

01 数字化正畸的“第一道坎”

口内扫描仪生成的原始数据通常是由数万个小三角形组成的3D不规则网格（Mesh）。要在这种非结构化数据上准确区分每颗牙齿，并精确定位特征点（如牙尖、切缘等），面临三大挑战：

• 拓扑复杂性：不同于2D图像，3D网格缺乏天然的像素排列。

• 病理性变异：正畸患者常伴有牙齿拥挤、错位或缺失，传统算法难以稳健处理。

• 效率瓶颈：临床需要实时或准实时的反馈，而高分辨率网格的计算开销极大。

02 两阶段框架：从“粗分割”到“精定位”

为了平衡效率与精度，研究团队提出了 TS-MDL (Two-Stage Mesh Deep Learning) 框架，将任务逻辑化解构：

第一阶段：端到端牙齿分割 (iMeshSegNet)

研究团队在 MeshSegNet 的基础上进行了关键改进，引入了 EdgeConv（边缘卷积） 算子。

• 局部几何感知：EdgeConv 能够动态学习牙齿网格的局部拓扑关系，显著增强了对牙龈边缘和邻间隙的识别能力。

• 计算效率飞跃：通过优化的矩阵运算，iMeshSegNet 的训练速度比前代提升了约 20倍，单次推理时间仅需约 0.62秒。

• 平滑后处理：结合多标签图割（Graph Cut）算法，确保分割边界的解剖学合理性。

第二阶段：特征点回归 (PointNet-Reg)

基于第一阶段的分割结果，系统提取单个牙齿的感兴趣区域（ROI），进行针对性的特征点标定：

• 热力图回归策略：模型并不直接预测坐标，而是学习预测 Gaussian 热力图，通过定位概率峰值来确定特征点位置。

• 全方位覆盖：系统能自动定位 14 颗牙齿上的 66 个关键特征点，为牙齿移动分析提供了精细的数据支撑。

03 实验结果：高精度与强鲁棒性

研究团队在 400 例真实临床口内扫描数据集上进行了验证：

• 性能优异：平均 Dice 相似系数（DSC）达到 0.964，特征点的平均绝对误差（MAE）仅为 0.597 mm。

• 实战抗压：即使在严重的牙齿拥挤（Crowding）或存在种植牙、智齿阻生的情况下，该框架依然表现出卓越的稳定性，未出现显著的精度下降。

04 总结与展望

TS-MDL 框架不仅证明了网格深度学习在复杂几何处理中的巨大潜力，也为未来的数字化医疗提供了范式参考。通过将复杂的 3D 视觉任务转化为高效的两阶段流水线，AI 正在从“辅助工具”进化为临床医生的“智能助手”，让精准正畸变得更加触手可及。

参考论文：Tai-Hsien Wu, et al. “Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans.” IEEE TMI, 2022.