基于几何引导的少样本牙科标志点检测与人类中心基础模型

准确检测解剖标志点对于评估牙槽骨和牙根状况至关重要，从而优化正畸、牙周和种植牙科的临床结果。牙医在锥形束计算机断层扫描（CBCT）上手动标注标志点耗时、费力，且存在观察者间差异。基于深度学习的自动化方法为高效简化这一过程提供了有前景的途径。然而，训练数据的稀缺性和专家标注的高成本阻碍了传统深度学习技术的采用。为了克服这些挑战，我们引入了GeoSapiens，一个新颖的少样本学习框架，旨在使用有限的前牙标注CBCT数据进行稳健的牙科标志点检测。我们的GeoSapiens框架包含两个关键组件：（1）一个基于Sapiens的稳健基线，Sapiens是一个在人类中心视觉任务中达到最先进性能的基础模型；（2）一个新颖的几何损失函数，提高了模型捕捉解剖结构之间关键几何关系的能力。在我们收集的前牙标志点数据集上进行的实验表明，GeoSapiens超越了现有的标志点检测方法，在严格的0.5毫米阈值（牙科诊断中广泛认可的标准）下，成功检测率比领先方法高出8.18%。代码可在 https://github.com/xmed-lab/GeoSapiens 获取。