发布日期: 2025-08-20

更新日期: 2025-08-22

文章字数: 2.2k

阅读时长: 8 分

阅读次数:

⚠️ 以下所有内容总结都来自于大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-08-20 更新

Multi-Phase Automated Segmentation of Dental Structures in CBCT Using a Lightweight Auto3DSeg and SegResNet Implementation

Authors:Dominic LaBella, Keshav Jha, Jared Robbins, Esther Yu

Cone-beam computed tomography (CBCT) has become an invaluable imaging modality in dentistry, enabling 3D visualization of teeth and surrounding structures for diagnosis and treatment planning. Automated segmentation of dental structures in CBCT can efficiently assist in identifying pathology (e.g., pulpal or periapical lesions) and facilitate radiation therapy planning in head and neck cancer patients. We describe the DLaBella29 team’s approach for the MICCAI 2025 ToothFairy3 Challenge, which involves a deep learning pipeline for multi-class tooth segmentation. We utilized the MONAI Auto3DSeg framework with a 3D SegResNet architecture, trained on a subset of the ToothFairy3 dataset (63 CBCT scans) with 5-fold cross-validation. Key preprocessing steps included image resampling to 0.6 mm isotropic resolution and intensity clipping. We applied an ensemble fusion using Multi-Label STAPLE on the 5-fold predictions to infer a Phase 1 segmentation and then conducted tight cropping around the easily segmented Phase 1 mandible to perform Phase 2 segmentation on the smaller nerve structures. Our method achieved an average Dice of 0.87 on the ToothFairy3 challenge out-of-sample validation set. This paper details the clinical context, data preparation, model development, results of our approach, and discusses the relevance of automated dental segmentation for improving patient care in radiation oncology.

锥束计算机断层扫描（CBCT）已成为牙科领域不可或缺的成像技术，能够实现牙齿及其周围结构的三维可视化，用于诊断和治疗计划。在CBCT中自动分割牙齿结构可以有效地帮助识别病理（例如牙髓或根尖周围病变），并在头颈癌患者的放射治疗计划中起到辅助作用。我们介绍了DLaBella29团队参加MICCAI 2025 ToothFairy3挑战赛的方法，该方法涉及使用深度学习管道进行多类牙齿分割。我们利用MONAI Auto3DSeg框架和3D SegResNet架构，在ToothFairy3数据集的一个子集（63个CBCT扫描）上进行训练，并采用五折交叉验证。关键预处理步骤包括将图像重新采样至0.6毫米的等距分辨率和强度裁剪。我们对五折预测采用多标签STAPLE集成融合方法，推断出第一阶段分割结果，然后对易于分割的第一阶段下颌骨进行紧密裁剪，对较小的神经结构进行第二阶段分割。我们的方法在ToothFairy3挑战赛的外部验证集上取得了平均Dice系数为0.87的成绩。本文详细介绍了临床背景、数据准备、模型开发、方法结果，并讨论了自动牙齿分割在改善放射肿瘤学患者护理中的重要性。

论文及项目相关链接

PDF MICCAI. ToothFairy3, 16 pages, 5 figures, 1 table

摘要

CBCT在牙科中的三维可视化对于诊断和治疗计划至关重要。本文介绍了DLaBella29团队参加MICCAI 2025 ToothFairy3挑战赛的方法，利用MONAI Auto3DSeg框架和3D SegResNet架构，对多类牙齿进行深度学习分割。通过图像重采样和强度裁剪等预处理步骤，对ToothFairy3数据集子集（63个CBCT扫描）进行五折交叉验证训练。通过应用多标签STAPLE的集成融合，对五折预测结果进行融合推断出第一阶段分割结果，然后对易于分割的第一阶段下颌进行紧密裁剪，对较小的神经结构进行第二阶段分割。该方法在ToothFairy3挑战外样本验证集上取得了平均Dice系数为0.87的成绩。本文详细阐述了临床背景、数据准备、模型开发、方法结果，并讨论了自动化牙齿分割在改善放射肿瘤学患者护理中的重要性。

关键见解

CBCT已成为牙科中重要的成像方式，用于牙齿及其周围结构的三维可视化。
自动化牙齿结构分割能高效地识别病理，并在头颈部癌症患者的放射治疗计划中发挥作用。
DLaBella29团队参加了MICCAI 2025的ToothFairy3挑战赛，使用深度学习管道进行多类牙齿分割。
使用了MONAI Auto3DSeg框架和3D SegResNet架构进行模型训练。
关键预处理步骤包括图像重采样到0.6毫米的等分辨率和强度裁剪。
通过应用多标签STAPLE的集成融合方法，对预测结果进行融合以获得更准确的分割。

Cool Papers

点此查看论文截图

A Deep Learning Approach to Teeth Segmentation and Orientation from Panoramic X-rays

Authors:Mou Deb, Madhab Deb, Mrinal Kanti Dhar

Accurate teeth segmentation and orientation are fundamental in modern oral healthcare, enabling precise diagnosis, treatment planning, and dental implant design. In this study, we present a comprehensive approach to teeth segmentation and orientation from panoramic X-ray images, leveraging deep-learning techniques. We built an end-to-end instance segmentation network that uses an encoder-decoder architecture reinforced with grid-aware attention gates along the skip connections. We introduce oriented bounding box (OBB) generation through principal component analysis (PCA) for precise tooth orientation estimation. Evaluating our approach on the publicly available DNS dataset, comprising 543 panoramic X-ray images, we achieve the highest Intersection-over-Union (IoU) score of 82.43% and a Dice Similarity Coefficient (DSC) score of 90.37% among compared models in teeth instance segmentation. In OBB analysis, we obtain a Rotated IoU (RIoU) score of 82.82%. We also conduct detailed analyses of individual tooth labels and categorical performance, shedding light on strengths and weaknesses. The proposed model’s accuracy and versatility offer promising prospects for improving dental diagnoses, treatment planning, and personalized healthcare in the oral domain. Our generated OBB coordinates and code are available at https://github.com/mrinal054/Instance/teeth/segmentation.

在现代口腔健康护理中，精确的牙齿分割和定位是基本且至关重要的技术，可为精确诊断、治疗规划和牙齿植入设计提供支撑。在这项研究中，我们提出了一种利用深度学习技术进行牙齿分割和定位的综合方法，该方法基于全景X射线图像。我们构建了一个端到端的实例分割网络，该网络采用编码器-解码器架构，并通过跨层连接的网格感知注意力门进行强化。我们通过主成分分析（PCA）引入定向边界框（OBB）生成，以精确估计牙齿方向。我们的方法以公共DNS数据集（包含543张全景X射线图像）进行评估，在牙齿实例分割中达到了最高的交并比（IoU）分数（82.43%），并在比较的模型中间断相似性系数（DSC）分数达到了90.37%。在OBB分析中，我们获得了旋转交并比（RIoU）分数为82.82%。我们还针对个别牙齿标签和分类性能进行了详细分析，揭示了优点和不足。所提出模型的准确性和通用性为改善牙齿诊断、治疗规划和个性化口腔护理领域提供了良好的前景。我们生成的OBB坐标和代码可在https://github.com/mrinal054/Instance/teeth/segmentation 获得。

论文及项目相关链接

PDF

摘要
本研究采用深度学习技术，提出了一种全面的从全景X射线图像中进行牙齿分割和定位的方法。建立端到端的实例分割网络，采用编码器-解码器架构，通过网格感知注意力门强化跨层连接。通过主成分分析生成定向包围盒，以精确估计牙齿方向。在公共DNS数据集上进行评估，该方法在牙齿实例分割方面取得了最高的交并比（IoU）分数（82.43%）和最高的狄氏相似系数（DSC）分数（90.37%），方向包围盒分析的旋转交并比（RIoU）分数为82.82%。该研究还详细分析了单个牙齿标签和分类性能，揭示了其优势和不足。该模型的准确性和通用性为改善牙齿诊断、治疗计划和个性化口腔健康护理提供了希望。相关坐标和代码已发布在GitHub上。

关键见解