IEEE Transactions on Medical Imaging | 自动检测牙齿表面的牙齿-牙龈边界线

星标“医工学人”,第一时间获取医工交叉领域新闻动态~

IEEE TRANSACTIONS ON MEDICAL IMAGING

从牙齿表面检测牙齿-牙龈边界线在牙科治疗规划和矫正器三维打印中起着至关重要的作用。现有方法将这一任务视为分割问题,通过基于几何深度学习的网格分割技术来解决。然而,由于无法充分利用高分辨率的牙齿表面,这些方法只能提供间接结果(即分割的牙齿),而且准确性不尽人意。为此,作者提出了一种两阶段几何深度学习框架,用于从牙齿表面自动检测牙齿-牙龈边界线。作者的框架包括一个用于从低分辨率牙科表面预测初始边界线的边界线建议网络(TLP-Net)和一个用于利用高分辨率牙科表面信息完善初始边界线的边界线完善网络(TLR-Net)。具体来说,作者的TLP网络通过将来自U 网络的多尺度特征与建议的残余多尺度注意力融合模块进行融合来预测初始边界线。此外,作者还提出了特征桥接模块和边界线损失,以进一步提高准确性。由此产生的边界线随后被输入到作者的 TLR-Net 中,这是一个基于深度的 LDDMM 模型,以高分辨率牙面作为输入。此外,TLR-Net中还加入了密集连接以提高性能。作者的框架充分利用原始的高分辨率牙科表面,为边界线检测提供了自动解决方案。在临床牙科表面数据集上进行的广泛实验证明,作者的TLP-Net 和TLR-Net是卓越的切线检测方法,在定性和定量评估中均优于前沿方法。


图 1.高分辨率(HR)和低分辨率(LR)牙齿表面的比较。如红色箭头所示,高分辨率牙齿表面比低分辨率牙齿表面提供了更清晰的边界信息

为此,作者提出了一种用于牙齿-牙龈边界线检测的新型几何深度学习框架,该框架能够充分利用 HR 牙齿表面数据,准确检测牙齿和牙龈之间的边界线。作者的框架由两个阶段组成,第一阶段称为边界线提议,旨在利用强大的边界线提议网络(TLP-Net)从 LR 牙齿表面生成初始边界线;第二阶段称为边界线细化,直接作用于 HR 牙齿表面,并能细化边界线以获得最终输出。第一阶段,TLP-Net 利用为网格设计的卷积和池化操作从牙齿表面提取稳定特征,然后分割牙齿以提取初始边界线。它基于改进的 U-Net 架构,具有各种新颖的功能,包括用于整合多尺度特征的残差多尺度注意融合(RMAF)模块,以及用于填补不同层次特征之间差距的多特征桥接模块。此外,作者还提出了边界线损失,以迫使网络更加重视牙齿-牙龈边界线。因此,基于精心设计的大感受野网络架构和有效的网格池化/卷积操作,作者的 TLP-Net 有效地解决了现有牙齿分割方法的缺点。分割后,作者提取牙齿-牙龈边界线作为第二阶段的初始线提案,在第二阶段,作者使用边界线细化网络(TLR-Net)细化边界线。TLR-Net 是基于深度学习的 LDDMM 模型,利用从 HR 牙齿表面提取的边缘信息完善初始边界线。此外,作者还在 TLR-Net 中引入了密集连接,以提高性能。


图2. 建议的边界线建议网络(TLP-Net)概述。作者的 TLP 网络以网状U-Net为基础,其中包含用于有效融合多尺度特征的 RMAF 模块和用于填补不同层次特征之间差距的特征桥模块。每个区块顶部的数字表示输出特征的通道数。

图3. 根据牙齿-龈切线生成的权重图。权重图是通过将高斯核与齿龈切迹线进行卷积而生成的,这样切迹线附近的区域就会获得较大的权重。


总之,作者的贡献体现在四个方面。

1)作者提出了一种新颖的两阶段框架,用于从牙齿表面自动检测牙齿-牙龈边界线。作者的框架充分利用 HR 牙齿表面,直接提供高质量的边缘线预测,有效解决了现有方法的弊端。

2)作者提出的 TLP-Net 是一种有效的边界线建议网络,它将网格 U-Net 的多尺度特征与建议的 RMAF 模块融合在一起。此外,作者还提出了特征桥和边界线损失,以进一步提高边界线的精确度。

3)作者使用 TLR-Net 对最初的边界线进行细化,TLR-Net 是基于深度学习的 LDDMM 模型,具有密集的连接,能够充分利用原始 HR 牙齿表面,提高边界线的准确性。

4)在由 200 个牙齿表面组成的临床数据集上进行的广泛实验表明,作者的方法能够准确检测牙齿表面的牙齿-牙龈边界线,并且优于前沿方法。进一步的消融研究证明了所提出的模块和损失函数的有效性。



图4. 边界线的视觉比较。与其他同类模型相比,作者的 TLP-Net 和 TLR-Net 所提供的边界线质量明显提高,尤其是在牙齿畸形的情况下。

在本文中,作者提出了一种两阶段深度学习框架,用于自动检测牙龈边界线。作者的框架由两个有效的子网络 TLP-Net 和TLR-Net 组成,分别用于边界线的提出和细化。TLP-Net 基于网状 U-Net 架构,具有多种新功能,包括用于融合多尺度特征的 RMAF 模块、用于填补不同层次特征之间差距的特征桥模块,以及用于迫使网络特别关注牙龈边界线的边界线损失模块。TLR 网络通过基于深度的 LDDMM 模型和密集的连接来完善初始边界线。作者的方法通过两阶段框架克服了现有方法的局限性,能够充分利用高分辨率牙齿表面信息生成精确的边界线。在临床牙齿表面数据集上进行的大量实验表明,作者的方法在定量和定性方面都优于各种前沿的分割方法。

▼扫描下方二维码阅读全文

DOI: https://ieeexplore.ieee.org/document/10087311

*中文解读仅供参考,一切内容以英文原文为准。如涉及版权问题,请联系我们删除。

  ▼参考文献

Chen, G., Qin, J., Amor, B. B., Zhou, W., Dai, H., Zhou, T., Huang, H., & Shao, L. (2023). Automatic Detection of Tooth-Gingiva Trim Lines on Dental Surfaces. IEEE transactions on medical imaging42(11), 3194–3204. 

END

来源 | IEEE transactions on medical imaging

供稿 |  Eric

编辑 | 徐嘉阳

审核 | 医工学人

关注“医疗AI”,可进入医工学人交流群

群聊负责人微信

推荐阅读

医工学人社群招募

医工学人公众号征稿须知

[赵波 智源研究院] “数据集压缩与合成”和“3D医学图像通用交互分割”双主题分享

Nat. Biomed. Eng.|更轻松的健康监测

点击关注医工学人

本篇文章来源于微信公众号: 医工学人

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注