评估不同牙内扫描分辨率对基于深度学习的牙齿分割的适合性
计算机视觉与模式识别
2025-02-28 v1
摘要
牙内扫描在数字dentistry中广泛用于牙科修复、治疗规划和正畸程序等任务。这些扫描包含详细的拓扑信息，但手动标注仍是耗时的任务。基于深度学习的方法已开发用于自动化牙齿分割。典型的牙内扫描包含超过200,000个网格单元，直接处理计算成本高昂。模型通常在下采样后训练，通常为10,000或16,000个单元。先前的研究表明下采样可能降低分割精度，但这种降低的程度尚不明确。了解降低程度对于在边缘设备上部署ML模型至关重要。本研究评估了分辨率降低导致的性能下降程度。我们在牙内扫描下采样至16K、10K、8K、6K、4K和2K个网格单元后训练深度学习模型（PointMLP）。在高分辨率扫描上测试低分辨率训练的模型，以评估性能。我们的目标是识别一种在计算效率和分割精度之间取得平衡的分辨率。
引用
@article{arxiv.2502.19515,
title = {Evaluating the Suitability of Different Intraoral Scan Resolutions for Deep Learning-Based Tooth Segmentation},
author = {Daron Weekley and Jace Duckworth and Anastasiia Sukhanova and Ananya Jana},
journal= {arXiv preprint arXiv:2502.19515},
year = {2025}
}
备注
accepted to 2025 ASEE North Central Section Annual Conference