夜雨聆风在数字化口腔医疗飞速发展的今天，口内扫描仪获取的3D牙齿模型已成为临床诊断的“标配”。然而，面对牙齿形态高度相似、排列拥挤甚至缺失等复杂情况，如何精准地从模型中分割出每一颗牙齿，一直是困扰AI医生的难题 。
来自武汉大学计算机与人工智能学院的研究团队在 IEEE ITNEC 2024 上发表了一项突破性成果：一种基于边界特征增强的点云牙齿分割网络。
核心挑战：为什么牙齿分割这么难？
传统的自动分割方法在面对以下问题时往往表现不佳：
形态高度相似：相邻牙齿（如第一和第二磨牙）的几何形状极其接近 。
复杂畸形情况：患者常伴有牙齿错位、拥挤或牙齿缺失，导致模型拓扑结构复杂 。
边界模糊：牙齿与牙齿之间、牙齿与牙龈之间的分界线往往难以精确捕捉 。
三大“黑科技”助力边界精准识别
为了攻克上述难题，研究人员设计了一套精密的算法流程：
1. 边界感知下采样 (BAPS)
传统的下采样（如 FPS）可能导致边界点流失 。该研究引入了 BAPS (Boundary-Aware Point Sampling)，通过预测初步标签识别边界区域，并增加这些区域的采样点数，显著提升了边界处的特征精度 。
2. 几何引导损失函数 (Geometry-Guided Loss)
研究团队引入了“点曲率 (Point Curvature)”概念 。
点曲率定义如下：
其中 $n_i$ 是法向量，$K(i)$ 是二阶邻域 。利用这一几何特征，设计的损失函数 $L_g$ 会强迫网络更加关注曲率较高的边界区域，从而避免模型在不重要的非边界点上浪费精力 。
3. TST 网络与裁剪修正模块
TST 网络：以Point Transformer为骨干，结合偏移预测（Offset Prediction）和语义标注，实现稳定的实例分割 。
裁剪修正：针对预测出的每颗牙齿中心点进行局部裁剪，输出“牙齿-牙龈”掩码，进一步精修分割边界 。
实验数据：碾压级表现
研究团队在 Teeth3DS 数据集（包含 597 个临床 3D 扫描模型）上进行了测试 。结果显示，该模型在多项指标上均优于主流的 PointNet++ 和原版 Point Transformer。
这项研究通过强化边界特征提取，极大提升了 3D 牙齿模型分割的精度与稳定性 。这不仅能减轻医生的重复性劳动，更为后续的排牙设计、正畸治疗提供了可靠的数字化基础 。
论文题目：Point Cloud Tooth Segmentation Based on Boundary Feature Enhancement
