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

Sintesi Tecnica: Raffinamento delle geometrie delle superfici dentali basato su Modelli Statistici di Forma per flussi di lavoro di produzione digitale

Problematica
I flussi di lavoro di produzione digitale in odontoiatria si affidano a modelli dentali 3D accurati e anatomicamente coerenti, derivati da modalità di acquisizione eterogenee, come la tomografia computerizzata a fascio conico (CBCT) e gli scanner intraorali. Tuttavia, le segmentazioni dentali preliminari possono contenere regioni incomplete, ambigue o geometricamente incoerenti, in particolare nelle zone di contatto interdentale e nelle sovrapposizioni occlusali. Questi difetti derivano da artefatti di imaging (ad es. beam hardening, effetti di volume parziale), occlusioni di scansione e limitazioni negli algoritmi di segmentazione automatica. Quando queste imprecisioni vengono propagate nei processi CAD/CAM successivi, compromettono la progettazione di dispositivi personalizzati per il paziente (ad es. guide chirurgiche), influenzano le relazioni occlusali e riducono l'affidabilità della produzione. Sebbene i metodi di segmentazione basati sul deep learning abbiano migliorato l'accuratezza, essi spesso faticano con i denti posteriori, dove i contatti interprossimali creano regioni anatomicamente ambigue, e mancano di meccanismi espliciti per imporre una plausibilità anatomica globale su input imperfetti.

Metodologia
Gli autori propongono una pipeline di raffinamento completamente automatizzata e consapevole dell'anatomia basata su un Modello Statistico di Forma potenziato (eSSM - Enhanced Statistical Shape Model). Questo framework opera come uno stadio di post-processing per le ricostruzioni dentali preliminari, indipendentemente dalla loro origine (CBCT o scansione intraorale).

1. Modello Statistico di Forma potenziato (eSSM):

   • Il nucleo del metodo è un classico Modello Statistico di Forma (SSM) addestrato su una popolazione di segmentazioni dentali complete (nello specifico, primi molari superiori di adulti derivati da CBCT).
   • A differenza degli SSM standard, l'eSSM è semanticamente arricchito. Codifica informazioni anatomiche e funzistiche aggiuntive direttamente nella rappresentazione della forma media tramite colonne extra:
     • Identificazione della faccia laterale: etichette binarie che distinguono le regioni adiacenti ai denti vicini (propense all'ambiguità di contatto) dalle altre regioni.
     • Segmentazione semantica: etichette per specifiche regioni anatomiche (occlusale, mesiale, radici).
     • Classe dentaria: codifica per selezionare il modello appropriato per specifici tipi di denti.
   • Il modello cattura la variabilità della popolazione utilizzando l'Analisi delle Componenti Principali (PCA), vincolando i parametri di forma per garantire la plausibilità anatomica (tipicamente entro ±3 deviazioni standard).

2. Valutazione dell'Affidabilità e Identificazione delle Regioni:

   • La pipeline identifica le regioni "affidabili" rispetto a quelle "non affidabili" sul modello target di input ($s_0$).
   • Le regioni non affidabili sono segnalate in base a due criteri:
     • Prior semantici: i punti corrispondenti alle facce laterali (adiacenti ai vicini) sono contrassegnati come potenzialmente non affidabili.
     • Coerenza geometrica: viene calcolata la deviazione angolare tra le normali della superficie del modello di input e le normali predette dal modello statistico. I punti che superano una soglia ($\theta_{th} = 20^\circ$) sono classificati come non affidabili.
   • Le regioni affidabili sono preservate per mantenere la fedeltà ai dati osservati.

3. Completamento della Forma Iterativo (Stima MAP):

   • La ricostruzione è formulata come un problema di stima della Massima A Posteriori (MAP).
   • L'algoritmo adatta iterativamente l'eSSM al sottoinsieme di punti affidabili ($\mathcal{R}$), inferendo la geometria delle regioni non affidabili/mancanti attraverso una deformazione statistica globale.
   • Il processo minimizza l'errore tra i punti affidabili osservati e la predizione del modello, regolarizzato dal prior statistico.
   • In ogni iterazione, l'insieme di affidabilità viene aggiornato in base alla deviazione tra la forma ricostruita e l'input, permettendo all'algoritmo di raffinare progressivamente il confine tra la geometria osservata e quella inferita fino alla convergenza.

4. Condizionamento della Forma Parziale:

   • Per le scansioni intraorali (che mancano di dati sottogengivali), la pipeline esegue un allineamento grossolano e utilizza un approccio k-nearest neighbors per selezionare i punti della corona osservati. Questi punti condizionano il fit iniziale, permettendo all'eSSM di inferire la morfologia dentale completa (incluse le radici) basandosi sui prior di popolazione pur rispettando la geometria della corona osservata.

Contributi Chiave

• Raffinamento Consapevole dell'Anatomia: L'introduzione di una pipeline che distingue esplicitamente tra regioni superficiali affidabili e ambigue, preservando i dati osservati ad alta fedeltà e completando statisticamente le aree incerte.
• Arricchimento Semantico degli SSM: Lo sviluppo di un eSSM che integra etichette semantiche a livello di vertice (facce laterali, regioni anatomiche) per guidare il processo di raffinamento e consentire la partizione automatica del modello finale per applicazioni a valle.
• Indipendenza dalla Modalità: Un framework che accetta ricostruzioni preliminari da qualsiasi modalità di acquisizione (CBCT o scansione intraorale) e strategia di segmentazione, purché sia disponibile una rappresentazione discreta della superficie o di una nuvola di punti.
• Coerenza Globale: Un passaggio dall'interpolazione geometrica locale (comune nei metodi basati su CAD) a un problema di stima della forma globale che impone la coerenza anatomica su l'intera struttura dentale.

Risultati
Il metodo è stato valutato su un set di test di 10 primi molari superiori di adulti (5 da CBCT, 5 da scansioni intraorali), nessuno dei quali faceva parte del set di addestramento (16 campioni).

• Prestazioni Qualitative: La pipeline ha prodotto con successo modelli dentali completi, lisci e anatomicamente plausibili. L'ispezione visiva ha confermato che le regioni affidabili sono state preservate con deviazioni minime, mentre le regioni ambigue (contatti interdentali, aree occluse) sono state ricostruite in modo fluido senza artefatti locali.
• Metriche Quantitative: L'analisi della deviazione punto per punto ha mostrato che le regioni affidabili presentavano le deviazioni basse attese, mentre le deviazioni maggiori erano localizzate nelle regioni ambigue ricostruite. Le deviazioni massime sono state di circa +0,67/-0,62 mm per i target derivati da CBCT e +0,53/-0,83 mm per i target derivati da scansione intraorale.
• Qualità del Modello: L'eSSM costruito ha dimostrato una stabilità nella Capacità di Generalizzazione ($G \approx 0,56$ mm), Specificità e Compattezza, indicando che il modello cattura efficacemente la variabilità della popolazione di addestramento nonostante le dimensioni limitate del dataset.

Significato e Rivendicazioni
Il documento presenta questo lavoro come una prova di concetto per una strategia di raffinamento all'interno dei flussi di lavoro di produzione digitale dentale. Gli autori sostengono che il valore primario del metodo non risiede nel recupero di una verità assoluta (ground truth) non osservabile, ma nella generazione di geometrie anatomicamente coerenti e strutturalmente solide adatte ai compiti CAD/CAM successivi.

• Utilità Manifatturiera: I modelli raffinati sono direttamente idonei alla progettazione di guide chirurgiche e dispositivi protesici, riducendo la necessità di intervento manuale e migliorando la robustezza dei flussi di lavoro digitali.
• Gestione dell'Incertezza: Il metodo mitiga efficacemente l'impatto degli artefatti di acquisizione e delle imprecisioni di segmentazione sfruttando i prior basati sulla popolazione per colmare le lacune dove i dati sono mancanti o ambigui.
• Limitazioni e Ambito: Gli autori notano con modestia che la validazione attuale è limitata a una singola classe di denti (primo molare superiore) e a un dataset di dimensioni specifiche. Riconoscono che una validazione quantitativa diretta rispetto alla ground truth è impossibile nelle situazioni cliniche a causa dell'inosservabilità della morfologia reale nelle regioni di contatto. È identificata la necessità di lavori futuri per estendere il framework ad altre classi dentarie, automatizzare l'inizializzazione e svolgere analisi di sensibilità sistematiche sui pattern di dati mancanti.