学术背景与研究动机

在牙科医疗保健领域，锥形束计算机断层扫描（CBCT, Cone Beam Computed Tomography）是一种广泛应用的三维成像技术。CBCT能够提供口腔的三维图像，尤其在对牙源性病变的诊断中表现出色。然而，CBCT图像的分割（segmentation）——即对图像中每个体素（voxel）标记出病变、骨骼、牙齿和修复材料——是一个关键且复杂的任务。目前，临床实践中主要依赖手动分割，这不仅耗时，还需要大量的专业知识。为了实现自动化分割，减少对大量手动标记数据的依赖，研究者们提出了结合口腔解剖知识的半监督学习方法。本文提出了一种新颖的“口腔解剖知识引导的半监督学习模型”（OAK-SSL, Oral-Anatomical Knowledge-Informed Semi-Supervised Learning），用于3D CBCT图像的分割和病变检测。

论文来源

本文由Yeonju Lee、Min Gu Kwak、Rui Qi Chen、Hao Yan、Muralidhar Mupparapu、Fleming Lure、Frank C. Setzer和Jing Li共同撰写。作者分别来自Georgia Institute of Technology、Arizona State University、University of Pennsylvania和MS Technologies Corporation等机构。本文已发表于IEEE Transactions on Automation Science and Engineering，并获得了NIH Grant DE031485的支持。

研究流程

1. 问题与挑战

CBCT图像分割的自动化面临的主要挑战是如何减少对大量手动标记数据的依赖。现有的分割方法通常需要大量的标记数据，而手动标记不仅耗时，还可能导致观察者之间的不一致性。为了解决这一问题，研究者提出了OAK-SSL模型，该模型通过结合口腔解剖知识，提升了对小尺寸病变的分割精度，尤其是在标记数据有限的情况下。

2. OAK-SSL模型的设计

OAK-SSL模型的独特之处在于将定性的口腔解剖知识转化为定量的表示，并将其融入深度学习框架中。具体来说，模型包括以下三个关键要素： - 知识转化为定量表示：将“根尖周病变（periapical lesions）必须靠近牙根”的定性知识转化为距离图（distance map），量化每个体素到最近牙根的距离。 - 知识引导的双任务学习架构：模型同时进行分割任务和距离预测任务，距离预测任务帮助模型集中注意力于解剖学上合理的病变位置。 - 知识引导的半监督损失函数：对于未标记图像，模型通过结合置信度损失和稳定性损失来利用解剖知识，提升模型对病变分割的准确性。

3. 数据集与预处理

研究使用了来自宾夕法尼亚大学牙科学院提供的145个3D CBCT图像数据集。图像的分辨率为341×341×341体素，所有图像至少包含一个带有病变的牙根。研究将样本分为“小病变”组和“常规病变”组，以验证模型在分割小病变时的表现。训练集包含20个标记样本和80个未标记样本，测试集包含30个标记样本。

4. 实验与结果

研究对比了OAK-SSL与多种现有方法（包括监督学习和半监督学习方法），通过Dice分数（Dice score）和病变检测准确率（detection accuracy）等指标进行评估。OAK-SSL在所有标签的分割任务中均表现优异，尤其是在小病变的分割上显著优于其他方法。具体而言： - Dice分数：OAK-SSL在病变分割上的Dice分数为0.647，显著高于其他方法（如监督学习的0.215）。 - 病变检测准确率：OAK-SSL的精确率（precision）和召回率（recall）分别为0.791和0.933，表明其在减少误报（false positive）和漏报（false negative）方面表现出色。

5. 消融实验

为了验证OAK-SSL中各个模块的有效性，研究进行了消融实验（ablation study）。结果表明： - 未标记数据的使用：在去掉未标记数据后，模型的病变分割Dice分数从0.647降至0.301，证明了未标记数据的重要性。 - 知识引导的权重：在去掉距离预测任务中的知识引导权重后，模型的病变分割Dice分数从0.647降至0.805，表明知识引导权重对提升模型性能的关键作用。

结论与价值

OAK-SSL模型通过结合口腔解剖知识，显著提升了3D CBCT图像分割的准确性，尤其是在小病变的分割上表现突出。该模型不仅减少了对大量手动标记数据的依赖，还通过自动化分割提高了分割过程的效率和可靠性。未来研究可以进一步扩展模型的解剖知识应用，例如结合病变的形状和大小信息，以及区分不同类型的根尖周病变，以提升其诊断和治疗规划的精准性。

研究亮点

• 创新性：首次将口腔解剖知识转化为定量表示，并成功融入深度学习模型。
• 实用性：显著减少了对大量手动标记数据的依赖，提升了分割效率和准确性。
• 临床价值：能够有效检测和分割早期小病变，为临床诊断和治疗提供了重要支持。

其他有价值的信息

OAK-SSL模型还通过梯度加权类激活映射（Grad-CAM, Gradient-weighted Class Activation Mapping）可视化技术，展示了模型在病变分割中的决策过程。结果表明，OAK-SSL能够更准确地聚焦于实际病变区域，避免了其他方法常见的误报问题。