基于半监督的 3D 扫描牙弓牙齿分割
计算机视觉与模式识别
2022-08-12 v1 机器学习
摘要
牙齿分割是牙齿修复中的重要课题，对牙冠生成、诊断与治疗规划至关重要。在牙科领域，输入数据的变异性高，且尚无公开可用的 3D 牙弓数据集。尽管近期深度学习架构在 3D 数据上取得了进展，仍存在诸如正确识别牙弓中缺失牙齿等问题。我们提出使用谱聚类作为自监督信号来联合训练神经网络以分割 3D 牙弓。我们的方法源于如下观察：K-means 聚类可提供捕捉与人类感知相关的边缘线的线索。其核心思想是仅依靠几何信息将无标签 3D 牙弓分解为若干段，从而自动生成训练数据。随后网络使用联合损失进行训练，该损失结合了有标注输入的有监督损失与无标签输入的自监督损失。我们收集的数据包含多种牙弓，包括有缺失牙齿的牙弓。实验结果表明，在使用半监督学习时，我们的方法优于全监督的 SOTA MeshSegNet。最后，我们提供了代码与数据集。
引用
@article{arxiv.2208.05539,
title = {Semi-supervised segmentation of tooth from 3D Scanned Dental Arches},
author = {Ammar Alsheghri and Farnoosh Ghadiri and Ying Zhang and Olivier Lessard and Julia Keren and Farida Cheriet and Francois Guibault},
journal= {arXiv preprint arXiv:2208.05539},
year = {2022}
}