Hierarchical Morphology-Guided Tooth Instance Segmentation from CBCT Images¶
论文地址¶
https://enigma-li.github.io/projects/skeleToothSeg/src/ToothSeg_IMPI_2021.pdf
摘要¶
Cite
从CBCT图像中自动和准确地分割单个牙齿，即牙齿实例分割，是计算机辅助牙科的重要步骤。先前的研究通常忽略了牙齿丰富的形态特征， 如牙根尖，这对成功的治疗结果至关重要。本文提出了一种基于两阶段学习的框架，该框架明确利用了分层牙齿形态表示提供的全面几何指导， 用于牙齿实例分割。给定一个3D输入CBCT图像，我们的方法首先学习提取牙齿质心和骨架，以分别识别每个牙齿的粗略位置和拓扑结构。基于第一步的输出， 进一步设计了一种多任务学习机制，通过同时回归边界和根顶点作为辅助任务来估计每个牙齿的体积掩模。广泛的评估、消融研究以及与现有方法的比较表明， 我们的方法实现了最先进的分割性能，尤其是在具有挑战性的牙齿部位（即牙根和边界）。这些结果表明，我们的框架在现实世界的临床场景中具有潜在的适用性。
关键词：两阶段，牙齿质心，骨架，多任务学习，分层形态表示，cui等人的早期工作，后面的一篇论文 的牙齿分割部分工作就是来自这篇文章，这篇文章没给代码，代码在后面那篇文章中给了，建议搭配阅读。
方法¶
思路：牙齿的质心和牙齿骨架分别表示了一颗牙齿的空间位置和其拓扑结构，因此识别牙齿的质心和骨架是牙齿实例分割的关键步骤。
两个阶段：
- 第一个阶段提取牙齿质心和牙齿骨架，通过质心对骨架进行分类，得到每颗牙齿的骨架
- 第二个阶段通过多任务学习，回归牙齿边界和牙根顶点，得到牙齿的体积掩模、牙根和牙齿边界
实验¶
实验第一部分基本在做消融实验，就是表明检测牙齿质心有用，检测牙齿骨架有用，两阶段有用巴拉巴拉。
这部分的效果从现在的视角看我并没有感觉特别惊艳，主要是用来对比效果的baseline感觉太拉胯了，baseline是vnet的效果，我没有具体跑过，不过看对比图里， 比如说baseline牙根分不好，本文分好了之类的，目前的话baseline应该比这个效果要好得多。也可能是跟基于bbox做分割的相比，直接整个图做分割效果较差，还有待验证。 实验后面部分是跟一些sota的方法做对比。
结论¶
Cite
在本文中，我们提出了一种新的基于CBCT图像的牙齿实例分割网络，该网络由每颗牙齿的分层形态学表示引导，包括其顶点（即点）处的形心和根界标、 骨架、边界表面和体积掩模。具体地，首先利用牙齿形心和骨架来检测和表示每个牙齿。然后，提出了一种多任务学习机制，以实现高分割精度， 尤其是在牙齿边界和齿根顶点周围。综合实验验证了我们方法的有效性，表明它可以优于最先进的方法。这使得我们的方法有可能在现实世界的诊所中广泛使用
感觉本文中提出的思路还是有借鉴意义的，就是首先提取高层次的特征来指导分割，可以尝试在后面的工作中使用这种思路。