Tooth Instance Segmentation from Cone Beam CT Images through Point based Detection and Gaussian Disentanglement
论文地址¶
摘要¶
Cite
从锥形束计算机断层扫描图像中分叉和识别单个牙齿是正畸治疗的术前先决条件。使用卷积神经网络的实例分割方法在单个牙齿分割任务上展示了突破性的结果， 并用于各种医学成像应用。虽然基于点的检测网络在牙科图像上取得了卓越的结果，但由于它们相似的拓扑结构和近似性质，区分相邻牙齿仍然是一项具有挑战性的任务。 在这项研究中，我们提出了一种基于点的牙齿定位网络，该网络基于高斯解缠目标函数有效地解开每颗牙齿。所提出的网络首先对所有解剖牙齿进行热图回归， 同时进行盒回归。通过最小化所有相邻齿对的热图的像素乘法之和，采用了一种新的高斯解缠惩罚。随后，通过将像素标记任务转换为距离图回归任务来执行单个牙齿分割， 以最大程度地减少牙齿相邻区域的误报。实验结果表明，所提算法的平均检测精度提高了9.1%，优于现有方法，在单个牙齿分割方面具有很高的性能。 所提方法的主要意义有两个：1）引入不需要额外分类的基于点的牙齿检测框架;2）设计一种新的损失函数，在基于点的检测框架中基于热图响应有效地分离高斯分布。
看摘要的话跟这篇 论文思路差不多，先回归牙齿的中心点用于指导牙齿分割，然后搞一个新的损失函数来解决牙齿重叠的问题提高分割精度。
方法¶
先检测牙齿的BOX，然后把BOX区域裁剪出来进行分割，分割就是用的3D UNet。大部分的工作是在牙齿的定位上，主要是在解决多个牙齿重叠的问题，方法是针对
回归的高斯热图的重叠部分加大惩罚，使得牙齿的中心点更加分散。
总结¶
Cite
在这项研究中，我们提出了一种基于点的检测网络，用于从CBCT图像中精确检测和分割牙齿。从CBCT图像中检测单个牙齿被认为是一项具有挑战性的任务， 因为牙齿及其邻近位置的拓扑结构相似。我们提出了一种有效的基于点的检测方法这优于一般的对象检测方法。通过采用基于点的检测框架， 我们识别了不同类型的解剖牙齿，而无需训练任何额外的分类模块，这是基于锚的检测器的限制。此外，所提出的方法通过在热图回归中引入新的GD损失函数来精确检测相邻牙齿。 牙齿检测性能的改进导致了精确的个体牙齿分割。进一步的改进可能包括识别缺失的牙齿。因为我们的基于点的牙齿检测器检测所有解剖牙齿， 所以它尝试检测输入CBCT图像中不存在的牙齿。虽然所提出的方法已经成功地执行了牙齿检测和识别，但可能需要额外的轻量级分类过程来确定是否存在牙齿缺失。 此外，由于CBCT图像中的牙齿显示出不同的角度，回归它们的姿势并重新排列它们将提高数据的一致性，这将提高分割性能