Statistical Shape Model–based Refinement of Dental Surface Geometries for Digital Manufacturing Workflows

Resumen Técnico: Refinamiento de geometrías de superficies dentales basado en modelos estadísticos de forma para flujos de trabajo de fabricación digital

Planteamiento del problema
Los flujos de trabajo de fabricación digital en odontología dependen de modelos dentales 3D precisos y anatómicamente consistentes, derivados de modalidades de adquisición heterogéneas, como la tomografía computarizada de haz cónico (CBCT) y los escáneres intraorales. Sin embargo, las segmentaciones dentales preliminares suelen contener regiones incompletas, ambiguas o geométricamente inconsistentes, particularmente en los contactos interdentales y las superposiciones oclusales. Estos defectos surgen de artefactos de imagen (p. ej., endurecimiento del haz, efectos de volumen parcial), oclusiones de escaneo y limitaciones en los algoritmos de segmentación automatizados. Cuando estas imprecisiones se propagan a los procesos posteriores de CAD/CAM, comprometen el diseño de dispositivos específicos para el paciente (p. ej., guías quirúrgicas), afectan las relaciones oclusales y reducen la fiabilidad de la fabricación. Aunque los métodos de segmentación basados en aprendizaje profundo han mejorado la precisión, a menudo tienen dificultades con los dientes posteriores, donde los contactos interproximales crean regiones anatómicamente ambiguas, y carecen de mecanismos explícitos para imponer una plausibilidad anatómica global sobre entradas imperfectas.

Metodología
Los autores proponen un flujo de trabajo de refinamiento totalmente automatizado y consciente de la anatomía basado en un Modelo Estadístico de Forma mejorado (eSSM, por sus siglas en inglés). Este marco opera como una etapa de post-procesamiento para reconstrucciones dentales preliminares, independientemente de su origen (CBCT o escaneo intraoral).

1. Modelo Estadístico de Forma mejorado (eSSM):

   • El núcleo del método es un Modelo Estadístico de Forma (SSM) clásico entrenado en una población de segmentaciones dentales completas (específicamente, primeros molares superiores de adultos derivados de CBCT).
   • A diferencia de los SSM estándar, el eSSM está enriquecido semánticamente. Codifica información anatómica y funcional adicional directamente en la representación de la forma media mediante columnas extra:
     • Identificación de la cara lateral: Etiquetas binarias que distinguen las regiones adyacentes a los dientes vecinos (propensas a la ambigüedad de contacto) de otras regiones.
     • Segmentación semántica: Etiquetas para regiones anatómicas específicas (oclusal, mesial, raíces).
     • Clase dental: Codificación para seleccionar el modelo apropiado para tipos de dientes específicos.
   • El modelo captura la variabilidad a nivel poblacional mediante el Análisis de Componentes Principales (PCA), restringiendo los parámetros de forma para asegurar la plausibilidad anatómica (típicamente dentro de ±3 desviaciones estándar).

2. Evaluación de la fiabilidad e identificación de regiones:

   • El flujo de trabajo identifica regiones "fiables" frente a regiones "no fiables" en el modelo objetivo de entrada ($s_0$).
   • Las regiones no fiables se marcan basándose en dos criterios:
     • Prioris semánticos: Los puntos correspondientes a las caras laterales (adyacentes a los vecinos) se marcan como potencialmente no fiables.
     • Consistencia geométrica: Se calcula la desviación angular entre las normales de la superficie del modelo de entrada y las normales predichas por el modelo estadístico. Los puntos que exceden un umbral ($\theta_{th} = 20^\circ$) se clasifican como no fiables.
   • Las regiones fiables se preservan para mantener la fidelidad a los datos observados.

3. Completado de forma iterativo (Estimación MAP):

   • La reconstrucción se formula como un problema de estimación de Máxima A Posteriori (MAP).
   • El algoritmo ajusta iterativamente el eSSM al subconjunto de puntos fiables ($\mathcal{R}$) e infiere la geometría de las regiones no fiables o faltantes a través de la deformación estadística global.
   • El proceso minimiza el error entre los puntos fiables observados y la predicción del modelo, regularizado por el prior estadístico.
   • En cada iteración, el conjunto de fiabilidad se actualiza basándose en la desviación entre la forma reconstruida y la entrada, lo que permite al algoritmo refinar progresivamente el límite entre la geometría observada e inferida hasta la convergencia.

4. Condicionamiento de forma parcial:

   • Para los escaneos intraorales (que carecen de datos subgingivales), el flujo de trabajo realiza un alineamiento grueso y utiliza un enfoque de k-vecinos más cercanos para seleccionar los puntos de la corona observados. Estos puntos condicionan el ajuste inicial, permitiendo que el eSSM infiera la morfología dental completa (incluyendo las raíces) basándose en los priors poblacionales mientras respeta la geometría de la corona observada.

Contribuciones clave

• Refinamiento consciente de la anatomía: La introducción de un flujo de trabajo que distingue explícitamente entre regiones de superficie fiables y ambiguas, preservando datos observados de alta fidelidad mientras completa estadísticamente las áreas inciertas.
• Enriquecimiento semántico de los SSM: El desarrollo de un eSSM que integra etiquetas semánticas a nivel de vértice (caras laterales, regiones anatómicas) para guiar el proceso de refinamiento y permitir la partición automática del modelo final para aplicaciones posteriores.
• Independencia de la modalidad: Un marco que acepta reconstrucciones preliminares de cualquier modalidad de adquisición (CBCT o escaneo intraoral) y estrategia de segmentación, siempre que esté disponible una representación de superficie discreta o nube de puntos.
• Consistencia global: Un cambio de la interpolación geométrica local (común en los métodos basados en CAD) hacia un problema de estimación de forma global que impone coherencia anatómica en toda la estructura dental.

Resultados
El método fue evaluado en un conjunto de prueba de 10 primeros molares superiores de adultos (5 de CBCT, 5 de escaneos intraorales), ninguno de los cuales formaba parte del conjunto de entrenamiento (16 muestras).

• Rendimiento cualitativo: El flujo de trabajo produjo con éxito modelos dentales completos, suaves y anatómicamente plausibles. La inspección visual confirmó que las regiones fiables se preservaron con una desviación mínima, mientras que las regiones ambiguas (contactos interdentales, áreas ocluidas) se reconstruyeron suavemente sin artefactos locales.
• Métricas cuantitativas: El análisis de desviación punto a punto mostró que las regiones fiables exhibieron las desviaciones bajas esperadas, mientras que las desviaciones mayores se localizaron en las regiones ambiguas reconstruidas. Las desviaciones máximas fueron aproximadamente de +0.67/-0.62 mm para los objetivos derivados de CBCT y +0.53/-0.83 mm para los objetivos derivados de escaneos intraorales.
• Calidad del modelo: El eSSM construido demostró una capacidad de generalización estable ($G \approx 0.56$ mm), especificidad y compacidad, lo que indica que el modelo captura eficazmente la variabilidad de la población de entrenamiento a pesar del tamaño limitado del conjunto de datos.

Significancia y afirmaciones
El artículo posiciona este trabajo como una prueba de concepto para una estrategia de refinamiento dentro de los flujos de trabajo de fabricación dental digital. Los autores afirman que el valor principal del método no es la recuperación de una verdad de campo exacta y no observable, sino la generación de geometrías anatómicamente consistentes y estructuralmente coherentes adecuadas para tareas de CAD/CAM posteriores.

• Utilidad de fabricación: Los modelos refinados son directamente adecuados para diseñar guías quirúrgicas y dispositivos restauradores, reduciendo la necesidad de intervención manual y mejorando la robustez de los flujos de trabajo digitales.
• Gestión de la incertidumbre: El método mitiga eficazmente el impacto de los artefactos de adquisición y las imprecisiones de segmentación mediante el aprovechamiento de los priors basados en la población para llenar los huecos donde los datos faltan o son ambiguos.
• Limitaciones y alcance: Los autores señalan modestamente que la validación actual está limitada a una sola clase de diente (primer molar superior) y a un tamaño de conjunto de datos específico. Reconocen que una validación cuantitativa directa contra la verdad de campo es imposible en escenarios clínicos debido a la no observabilidad de la morfología real en las regiones de contacto. Se identifica la necesidad de trabajos futuros para extender el marco a otras clases de dientes, automatizar la inicialización y realizar análisis de sensibilidad sistemáticos sobre los patrones de datos faltantes.