用于全景X光图像上颌窦半监督分割的加权知识蒸馏

在全景X光图像中精确分割上颌窦对于牙科诊断和手术规划至关重要；然而，这一任务在牙科影像研究中仍相对未被充分探索。二维全景投影固有的结构重叠、模糊的解剖边界，以及缺乏大规模、具有可靠像素级标注的临床数据集，使得分割模型的开发和评估充满挑战。为解决这些挑战，我们提出了一种半监督分割框架，该框架有效利用已标注和未标注的全景X光片，其中利用知识蒸馏来训练学生模型，并从教师模型中蒸馏出可靠的结构信息。具体而言，我们引入了一种加权知识蒸馏损失，以抑制因教师和学生预测之间的结构差异而产生的不可靠蒸馏信号。为了进一步提高教师网络生成的伪标签的质量，我们引入了 SinusCycle-GAN，这是一个基于非配对图像到图像翻译的细化网络。该细化过程提高了边界的精度，并减少了在半监督训练期间从无标签数据学习时的噪声传播。为评估所提出的方法，我们收集了来自2,511名患者的临床全景X光图像，实验结果表明，所提出的方法优于最先进的分割模型，达到了96.35%的 Dice 分数，同时减少了边界误差。结果表明，所提出的半监督框架在有限的标注数据条件下提供了稳健且解剖学上一致的分割性能，突显了其在更广泛的牙科图像分析应用中的潜力。