Center Sensitive and Boundary Aware Tooth Instance Segmentation and Classification from Cone Beam CT
论文地址¶
https://sci-hub.se/10.1109/ISBI45749.2020.9098542
摘要¶
Cite
牙齿实例分割为计算机辅助正畸治疗提供了重要帮助。以前关于这个问题的许多研究在区分相邻牙齿和获得准确的牙齿边界方面表现有限。 为了解决这项具有挑战性的任务，在本文中，我们提出了一种从锥形束CT（CBCT）图像实现牙齿实例分割和分类的新方法。我们方法的核心是一个两级分层深度神经网络。 我们首先将中心敏感机制嵌入全局阶段热图，以确保牙齿中心准确并指导牙齿实例的定位。然后在局部阶段，提出DenseASPP-UNet对单个牙齿进行精细分割和分类。 此外，为了提高牙齿分割边界的精度并细化重叠牙齿的边界，该方法还应用了边界感知骰子损失和新颖的标签优化。对比实验表明，所提框架具有较高的分割性能，优于现有方法。
主要两方面工作
- 全局阶段回归牙齿中心点，用于定位牙齿三维位置，指导下一阶段牙齿的分割
- 局部阶段提出边界敏感的Dice损失函数，优化边界分割
方法¶
3D Unet来预测牙齿中心点热力图
边界敏感的Dice损失函数¶
在设计损失函数的时候，给边界处的Loss加权，使得边界处的Loss更大，从而提高边界分割的精度。思路是这个，公式没看懂
实验¶
实验结果
GH是Gaussian heatmap localization，BADice是边界敏感的Dice损失函数，BADice+GH是两者结合，LO是提出的label optimization，用于处理牙齿重叠部分黏连的问题
总结¶
Cite
在本文中，我们提出了一种全自动的牙齿实例分割和分类方法。我们的无锚和中心敏感的目标热图网络有助于局部化单个牙齿，而不考虑复杂的牙齿咬合。此外， 提出了新的边界感知Dice损失函数和标签优化，以获得更准确和平滑的牙齿边界。鉴于其有效性和实用性，我们希望我们的方法可以扩展到解决许多其他密集实例识别任务