CHaRM：条件热图回归方法用于精确且快速的牙科 landmarks 定位

在 3D 牙科模型中识别解剖 landmarks 对正畸治疗至关重要，但手动放置耗时且需要专业知识。虽然已提出用于自动检测 3D 颈内扫描（Intraoral Scan, IOS）中牙科 landmarks 的机器学习方法，但尚无方法能够提供完全端到端的解决方案，无需进行高成本的牙齿分割。我们提出了 CHaRM（Conditioned Heatmap Regression Methodology），即首个用于 3D IOS 中牙齿 landmarks 检测的完全端到端深度学习方法。CHaRM 集成了四个组件：点云编码器、带热图回归头的解码器、牙齿存在分类头，以及新颖的 CHaR 模块。CHaR 模块利用牙齿存在信息适应缺失的牙齿，提高了复杂牙科病例中的检测准确性。与两个阶段工作流程不同，后者在 landmarks 化学前分割牙齿，CHaRM 直接在 IOS 点云上运行，降低了复杂性，避免了误差传播，并降低了计算成本。我们在 IOSLandmarks-1k 数据集上评估了 CHaRM，使用五种点云学习 backbone。该数据集包含 1,214 个带注释的 3D 牙科模型。我们将公开发布该数据集和代码，以解决正畸学领域开放数据稀缺的问题，并促进可重复的研究。采用 PointMLP 的 CHaRM，称为 CHaRNet，实现了最佳的准确率和效率。与最先进的方法（TSMDL 和 ALIIOS）相比，CHaRNet 在标准牙科模型上的平均欧几里得距离误差降低到 0.56 mm，所有牙齿类型上的误差降低到 1.12 mm，并且在 GPU 上实现了最高可达 14.8 倍的推理速度。这一端到端方法简化了正畸工作流程，提高了 3D IOS 分析的精度，并实现了高效的计算机辅助治疗规划。