基于两阶段网格深度学习的三维口内扫描自动牙齿分割与标志点定位
计算机视觉与模式识别
2022-06-03 v4
摘要
在牙科网格模型上准确分割牙齿并识别相应解剖标志点，在计算机辅助正畸治疗中至关重要。人工执行这两项任务耗时、繁琐，且更重要的是，由于患者牙齿的异常性和大尺度差异，高度依赖正畸医生的经验。一些基于机器学习的方法已被设计并应用于正畸领域，以自动分割牙科网格（如口内扫描）。相比之下，关于牙齿标志点定位的研究仍然有限。本文提出一种基于网格深度学习的两阶段框架（称为TS-MDL），用于在原始口内扫描上联合进行牙齿标记与标志点识别。我们的TS-MDL首先采用端到端的\emph{i}MeshSegNet方法（即现有MeshSegNet的变体，具有更高准确率和效率）在下采样扫描上标记每颗牙齿。在分割输出引导下，我们的TS-MDL进一步在原始网格上选取每颗牙齿的兴趣区域（ROI），构建轻量级的开创性PointNet变体（即PointNet-Reg）以回归相应标志点热图。我们的TS-MDL在真实临床数据集上评估，显示出良好的分割与定位性能。具体而言，TS-MDL第一阶段的\emph{i}MeshSegNet达到平均Dice相似系数（DSC）为\textcolor[rgb]{0,0,0}{}，显著优于原始MeshSegNet。在第二阶段，PointNet-Reg在个标志点的预测与真值距离上达到平均绝对误差（MAE），优于其他用于标志点检测的网络。所有这些结果表明我们的TS-MDL在正畸中的潜在应用价值。
引用
@article{arxiv.2109.11941,
title = {Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans},
author = {Tai-Hsien Wu and Chunfeng Lian and Sanghee Lee and Matthew Pastewait and Christian Piers and Jie Liu and Fang Wang and Li Wang and Chiung-Ying Chiu and Wenchi Wang and Christina Jackson and Wei-Lun Chao and Dinggang Shen and Ching-Chang Ko},
journal= {arXiv preprint arXiv:2109.11941},
year = {2022}
}
备注
9 pages, 8 figures, accepted by IEEE TMI