解剖感知级联网络：构建3D牙齿分割中的表观不确定性与几何流形之间的桥梁
计算机视觉与模式识别
2026-01-13 v1
摘要
从锥形束CT（Cone-Beam Computed Tomography, CBCT）中实现准确的三维（3D）牙齿分割是数字牙科工作流程的前提条件。然而，由于自然遮挡扫描中存在的附着性文献 artifact（由低对比度和不清晰的牙颌边界引起），实现高保真分割仍具有挑战性。为解决这些限制，我们提出了解剖感知级联网络（Anatomy Aware Cascade Network, AACNet），是一个设计用于解决边界模糊问题同时保持全局结构一致性的粗到细框架。具体而言，我们引入了两种机制：模糊门控边界精炼器（Ambiguity Gated Boundary Refiner, AGBR）和符号距离图引导的解剖注意力（Signed Distance Map guided Anatomical Attention, SDMAA）。AGBR采用基于熵的门控机制，在高不确定性转换区执行针对性特征修正。而SDMAA通过符号距离图集成隐式几何约束，以确保拓扑一致性，防止标准池化操作导致空间细节丢失。实验结果表明，在125个CBCT体积数据集上，AACNet实现了90.17%的Dice相似系数（Dice Similarity Coefficient）和95% Hausdorff距离（95% Hausdorff Distance）的3.63 mm，显著优于现有最先进方法。此外，该模型在外部数据集上表现出强大的泛化能力，HD95为2.19 mm，验证了其在手术规划等下游临床应用中的可靠性。AACNet的代码已公开于https://github.com/shiliu0114/AACNet。
引用
@article{arxiv.2601.07499,
title = {Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation},
author = {Bing Yu and Liu Shi and Haitao Wang and Deran Qi and Xiang Cai and Wei Zhong and Qiegen Liu},
journal= {arXiv preprint arXiv:2601.07499},
year = {2026}
}