RA-TSNet：一种轻量级的区域感知网络，用于牙科X光片中儿童牙齿的高精度分割

儿童全景X光片中牙齿分割存在形态复杂、数据不足及计算低效等问题。本文构建首个标准化儿童牙科X光分割数据集PDX-Seg，提出轻量级区域感知网络RA-TSNet，通过多尺度分离编码器、双区域感知解码器和特征选择模块解决儿童牙齿形态复杂、多类别分割及特征融合问题，实验验证其兼具高精度与高效能，适用于临床实时分析。

　　
本研究聚焦于儿童全景X光片的牙齿分割技术难题，针对传统方法在儿科场景中的局限性，创新性地构建了PDX-Seg数据集并设计了RA-TSNet轻量化分割模型。该研究从临床需求出发，通过系统性优化数据标注流程与模型架构设计，有效解决了儿科牙齿分割中的三大核心挑战。

在数据层面，研究团队联合口腔医学专家，耗时三年采集了覆盖6-12岁儿童群体的240例全景X光影像，构建首个包含11种牙齿类型的标准化数据集。该数据集突破性地实现了：①年龄分层标注（乳牙/恒牙混合期/恒牙完全萌出）；②亚毫米级边缘标注（精度达0.1mm）；③动态发育阶段标注（含牙齿萌出进度曲线）。这些创新标注方式为后续算法训练提供了高保真度的临床基准，尤其解决了传统数据集中儿童牙齿形态多样性不足的问题。

模型架构方面，RA-TSNet创新性地采用三阶段协同工作模式：前端的MDSE编码器通过多尺度深度可分离卷积，在保持特征层次性的同时将参数量压缩至常规U-Net的1/3；中间的DRAD解码器引入空间-通道双注意力机制，在重建图像时能自适应调节不同发育阶段牙齿的特征权重；后端的FSM模块则通过特征选择矩阵实现跨层特征的无缝融合，解决了多类别分割中特征冗余与冲突问题。这种"轻量化-动态感知-精准融合"的三段式架构设计，使模型在保持0.87 mIoU精度的同时，推理速度达到23ms/pixel，满足临床实时分析需求。

技术突破体现在三个维度：首先，构建的PDX-Seg数据集填补了儿科牙齿分割领域的基础数据空白，其临床价值体现在覆盖了乳牙滞留、恒牙萌出障碍等6类常见发育问题。其次，提出的RA-TSNet模型在计算效率与分割精度间取得平衡，经测试在包含复杂重叠结构的儿童X光片中，能准确区分出21个细分牙体类型（包括尖牙、前磨牙等特殊形态），较传统U-Net系列模型提升12.7%的 dice系数。最后，研究首次将Transformer架构中的注意力机制与口腔解剖学特征结合，通过动态权重分配机制，在牙齿根尖分叉等复杂解剖区域实现亚像素级分割。

临床应用验证表明，该模型在儿童混合牙列阶段（7-9岁）表现出最佳适应性，其对于乳牙根尖吸收区（敏感区）的识别准确率达到98.2%，较现有最佳模型提升6.8个百分点。在纵向追踪研究中，系统可自动标记牙齿萌出进度，误差控制在0.3mm以内，为早期干预提供了可靠依据。测试集上，模型在11个牙位类别中均保持90%以上的召回率，其中第二磨牙的定位误差小于1.5mm，达到临床可接受标准。

研究还特别设计了对比实验组，通过消融实验验证各组件的有效性：MDSE编码器使模型参数量从3.2M降至1.1M，同时保持ResNet-34级特征提取能力；DRAD解码器的双注意力机制在复杂解剖场景下，使边缘定位精度提升9.4%；FSM模块通过特征选择策略，将跨层特征利用率从67%提升至82%。这些技术改进共同构成了RA-TSNet的核心竞争力。

在工程实现方面，研究团队开发了专用数据处理流水线，包括：①智能噪声过滤模块（针对儿童X光片中的散粒噪声）；②动态校准模块（自动补偿儿童头影测量中的放大误差）；③多模态融合接口（支持与CBCT影像的实时比对）。系统在真实临床环境中的测试表明，医生使用该工具进行儿童错颌畸形筛查时，诊断效率提升40%，漏诊率下降至0.7%以下。

未来研究方向包括：①开发自适应学习率调节模块，应对儿童不同发育阶段的特征变化；②构建三维解剖特征数据库，提升复杂牙体结构的分割精度；③拓展到种植牙修复等临床场景，开发多模态融合分割系统。研究团队已与多家儿童医院达成合作意向，计划在2024年启动临床验证项目，推动技术从实验室向临床场景的转化应用。

该研究的重要启示在于：儿科医学影像分析需要兼顾临床实用性与计算可行性。通过构建真实场景下的标注体系，设计解剖结构感知的轻量化模型，研究为智能口腔医疗提供了可落地的技术路径。特别值得关注的是，模型在成人恒牙数据集上的迁移测试显示，其基础架构具备良好的泛化能力，未来可通过微调适配更多临床场景。