面向分层牙齿层检测的约束性层次化语义分割

准确理解解剖结构对于可靠地分期某些牙科疾病至关重要。在语义分割模型中引入这一点的一种方法是利用层次感知方法。然而，现有的层次感知分割方法主要通过损失函数编码解剖结构，提供的是弱且间接的监督。我们引入了一个通用框架，通过将循环的、逐级预测方案与约束性输出头和自上而下的特征条件化相结合，将显式的解剖层次结构嵌入到语义分割中。在类别树的每个深度，骨干网络在原始图像与上一级logits拼接后的输入上重新运行。子类特征通过其特征的父类概率进行特征线性调制，以调制子类特征空间实现细粒度检测。一个概率组合规则强制父子类别间的一致性。层次化损失结合了每级类别加权的Dice损失和交叉熵损失以及一致性项损失，确保父类预测是其子类预测之和。我们在我们提出的数据集TL-pano上验证了我们的方法，该数据集包含194张全景X光片，具有牙齿层和牙槽骨的密集实例和语义分割标注。在五折交叉验证方案中，利用UNet和HRNet作为基础模型，层次化变体在IoU、Dice和召回率上持续提升，尤其对于细粒度解剖结构，并产生了解剖学上更连贯的掩膜。然而，层次化变体也显示出召回率高于精确率，意味着假阳性增加。结果表明，显式的层次结构改善了性能和临床合理性，尤其是在数据量少的牙科成像场景中。