SMTLNet：基于领域先验的牙齿分割方法，采用自监督流形迁移学习技术

《IEEE Transactions on Neural Networks and Learning Systems》：SMTLNet: Domain Prior-Inspired Tooth Segmentation Based on Self-Supervised Manifold Transfer Learning

CBCT图像 teeth 分割面临标注样本少、类别相似度高、边界模糊等问题。本文提出SMTLNet方法，通过自监督预训练提取无标注数据特征，结合流形优化策略分离类别样本，并设计多尺度边界约束模块提升边界精度。实验表明，该方法在完整（100%）和有限（20%）标注数据场景下，Dice系数分别达91.8%/89.08%，Jaccard相似度86.71%/82.87%， Hausdorff距离分别为1.41mm/2.35mm，有效提升数字牙科临床应用价值。

　　

摘要：

在锥形束计算机断层扫描（CBCT）图像中准确识别和划分牙齿对于数字牙科技术的发展至关重要。牙齿之间存在较高的类别间相似性，且边界往往模糊不清。此外，由于标注过程耗时较长，获取牙齿样本也非常困难。然而，现有方法在标注样本有限的情况下通常无法充分利用这一领域特定的先验信息，从而限制了分割性能的提升。基于牙齿CBCT图像的固有特征，本文提出了一种自监督流形迁移学习网络（SMTLNet）来提高分割精度。首先，设计了一种面向对象的自监督预训练方法，以充分挖掘未标注图像中的有用信息，从而减少对标注样本的依赖。其次，采用流形优化策略对分割模型进行规范化处理，以区分不同类别的样本，同时压缩同一类别内的样本。最后，为了解决牙齿边界模糊的问题，开发了一个多尺度边界约束模块，用于提取多尺度边界信息，从而获得更具区分性的牙齿特征。所提出的SMTLNet方法在包含多种复杂病例（如阻生智齿、拥挤的牙齿排列）的临床数据集上进行了评估，在全数据（100%）和有限数据（20%）训练条件下，分别实现了91.8%/89.08%的Dice相似系数（DSC）和86.71%/82.87%的Jaccard相似系数（JS）的优异性能。该方法在Hausdorff距离（HD）方面也保持了较高的解剖精度，分别为1.41毫米（高资源条件）和2.35毫米（低资源条件），显示出其在数字牙科工作流程中的强大实用性。

引言

数字牙科技术的应用显著提升了临床诊断的效率，尤其是通过使用锥形束计算机断层扫描（CBCT）图像，这些图像以三维断层形式提供了关于口腔的全面语义信息[1]、[2]、[3]。准确分割牙齿CBCT图像为后续的医疗操作（如种植牙手术、正畸治疗和牙周病检查）奠定了坚实的基础[4]。然而，牙齿CBCT图像的分割任务面临诸多挑战。一方面，由于牙齿具有多目标和多类别的特性，从有限的标注样本中提取有区分性的特征非常困难。另一方面，相邻牙齿在几何形状上的高度相似性导致类别间差异不明显，而牙齿形状因人而异，因此类别内的差异较为显著。这给区分不同牙齿类别带来了困难，并使相邻牙齿的边界变得模糊。为了解决这些问题，已经提出了多种方法。