面向增强牙齿分割的 CBCT 与 IOS 多模态对比预训练
计算机视觉与模式识别
2025-09-10 v1 人工智能
摘要
数字牙科代表了现代牙科实践的变革性转变。实现这一变革的关键步骤是准确的数字化表示患者牙齿，这需要从分割锥形束计算机断层扫描（CBCT）和口内扫描（IOS）中获得。尽管数字牙科技术日益受到关注，但现有的分割方法常缺乏严格的验证，表现有限且临床应用性差。本文首次引入一种用于牙齿分割的多模态预训练框架。我们提出了 ToothMCL，即 Tooth Multimodal Contrastive Learning for pretraining，集成了体积型（CBCT）和表面型（IOS）两种模态。通过多模态对比学习捕获模态不变表示，我们的方法有效地建模了细粒度解剖特征，实现精确的多类分割和准确的 F\'ed\'eration Dentaire Internationale（FDI）牙齿编号。我们还收集了 CBCT-IOS3.8K，即目前规模最大的配对 CBCT 和 IOS 数据集，包含 3,867 名患者。随后，我们在广泛的独立数据集上评估了 ToothMCL，代表目前规模最大且最具多样性的评估。我们的方法在内部和外部测试中均实现了状态-of-the-art 性能，CBCT 和 IOS 的 Dice 相似系数（DSC）分别提升了 12\% 和 8\%。此外，ToothMCL 在牙齿组别方面始终优于现有方法，并在不同成像条件和临床情景下表现出稳健的泛化能力。
引用
@article{arxiv.2509.07923,
title = {Multimodal Contrastive Pretraining of CBCT and IOS for Enhanced Tooth Segmentation},
author = {Moo Hyun Son and Juyoung Bae and Zelin Qiu and Jiale Peng and Kai Xin Li and Yifan Lin and Hao Chen},
journal= {arXiv preprint arXiv:2509.07923},
year = {2025}
}