面向3D牙科CBCT分析的自监督学习的自适应纹理感知遮蔽策略
计算机视觉与模式识别
2026-05-05 v1
摘要
锥形束CT(CBCT)是3D诊断成像在牙科领域的关键技术。然而，受限于大规模标注数据集的稀缺，为体积分析开发稳健的AI模型常受制于此约束。自监督学习(SSL)，特别是掩码图像建模(MIM)，为利用无标签数据提供了可行路径。标准MIM的局限在于依赖随机遮蔽，无法优先考虑牙科CBCT体积中关键区域，如微妙的病理变化和复杂的解剖边界。为此，我们提出ATMask一种新型自适应遮蔽策略。不同于应用随机遮蔽或采用计算密集的注意力模块，ATMask计算跨切片纹理变化图以识别具有高结构或纹理复杂度的区域，然后在预训练期间选择性遮蔽这些区域，迫使模型学习更丰富的上下文表征，以推断复杂的3D形态过渡。此外，我们贡献首个大规模CBCT数据集，来自公开和私有来源，包含6314例扫描件，用于牙科AI模型预训练。在三个下游牙科CBCT任务上的广泛实验表明，ATMask比标准随机遮蔽和其他先进SSL基线方法，实现更数据高效和更强大的表征学习。该数据集和代码将公开释放。
引用
@article{arxiv.2605.01741,
title = {Adaptive Texture-aware Masking for Self-Supervised Learning in 3D Dental CBCT Analysis},
author = {Xinquan Yang and Jianfeng Ren and Xuguang Li and Kian Ming Lim and He Meng and Linlin Shen and Yongqiang Deng},
journal= {arXiv preprint arXiv:2605.01741},
year = {2026}
}