技術要約：堅牢な歯科形状生成のための深層スペクトルモデル（ToothForge）

1. 問題提起

歯科クラウンの形態を正確にモデリングすることは、診断、矯正計画、およびコンピュータ支援による修復設計において不可れる。しかし、この領域における堅牢な生成モデルの開発には、主に2つの課題が存在する：

1. データの希少性と次元数： 医療データセット、特にデジタル歯科分野においては、プライバシー制約やアノテーションのコストにより、データが極めて少ないことが多い。一方で、個々のサンプル（3Dメッシュ）は数十万もの頂点を含んでいる。これは、データのサイズと表現の次元数の間に深刻な不均衡を生じさせ、高解像度の空間モデルにおける過学習のリスクを引き起こす。
2. 接続性の不一致： 空間座標（点群やメッシュなど）上で動作する従来のディープラーニング手法は、データセット全体で一貫したメッシュの接続性や点ごとの対応関係を必要とすることが多い。臨床現場では、異なるクリニックやスキャナーから得られた形状は、ヘテロジニアス（異種）な三角形分割や頂点数を持っているため、標準的なアライメントが困難である。
3. 既存手法の限界：
   • 統計的形状モデル（SSM/PCA）： コンパクトで解釈可能であるが、線形な仮定に依存しているため、複雑で非線形な解剖学的変化（例：非凸な咬合面）を捉えることができない。
   • 空間的深層生成モデル（VAE/Diffusion）： 非線形性をモデル化できるが、高解像度データに対するスケーラビリティに苦しみ、高価な近傍探索を必要とする。また、明示的な接続性を欠いた順序のない点集合を生成しやすく、解剖学的構造を歪める可能性のある後処理を必要とする。
   • スペクトル手法： 従来のスペクトル手法（Lemeunier et al., 2022など）は、すべての訓練サンプルに対して同一のメッシュ接続性を要求するため、ヘテロジニアスな臨床データセットには適していない。

2. 手法：ToothForge

本論文では、一貫したメッシュ接続性を必要とせずに、コンパクトで固有な表現から歯科クラウンの幾何学形状をモデリングするために設計された、深層スペクトル生成フレームワークであるToothForgeを提案する。

コアコンポーネント

• スペクトル表現： ToothForgeは、生の頂点座標上で動作する代わりに、ラプラス・ベルトラミ演算子の固有空間に3Dメッシュを投影する。メッシュは、低周波がグローバルな形態を捉え、高周波が微細な詳細を符号化する、切り捨てられたスペクトル係数の集合（$C_k = \Phi_k^\top V$）によって表現される。これにより、幾何学の固有、順序付けられたコンパクトな記述が得られる。
• スペクトル同期（Spectral Synchronization）： ラプラス・ベルトラミ固有基底の不安定性（形状間で固有関数が符号を反転したり順序を入れ替えたりする現象）に対処するため、本フレームワークはスペクトル同期を採用している。すべての形状は、変換行列（$R_i$）を介して共通の参照基底（$\Phi_{k,ref}$）に整列される。これにより、形状を幾何学的事前分布へと変形させることなく、ヘテロジニアスな接続性を持つ形状間でも一貫したスペクトル埋め込みを確保し、分解バイアスを効果的に除去する。
• 生成アーキテクチャ： 整列されたスペクトル係数は、$\beta$-Variational Autoencoder ($\beta$-VAE) を用いてモデリングされる。
  • エンコーダ/デコーダ： 5段階の1D畳み込みアーキテクチャが、順序付けられたスペクトル係数を処理する。
  • 訓練目的関数： 損失関数は、スペクトル係数の平均二乗誤差（MSE）と、潜在空間を正則化するためのKLダイバージェンス項を組み合わせる。決定的なのは、最適化が完全にスペクトル領域内で行われることであり、空間的な正則化は不要である。
• 生成プロセス： 新しい形状は、ガウス事前分布から潜在ベクトルをサンプリングし、それをスペクトル係数へとデコードした後、共通の参照固有基底とテンプレートメッシュの接続性を用いて空間領域へと投影することで合成される。これにより、生成されるすべてのサンプル間で点対点の対応関係が保証される。

ベースライン

本フレームワークは、以下のモデルと比較検証される：

1. PCAベースのSSM： 高密度な対応関係を必要とする線形ベースライン。
2. PointVAE： PointNet++アーキテクチャを用い、順序のない点群上で動作する空間的深層生成モデル。
3. PointDiffusion： 点ベースの拡散確率モデル。

3. 主な貢献

著者らは以下の貢献を提示している：

• 接続性に依存しないフレームワーク： ToothForgeは、同期されたスペクトル埋め込みを活用することで、可変的な三角形分割を持つデータセット上での深層生成モデリングを可能にし、従来のスペクトル手法の接続性の制約を克服した。
• スペクトルの十分性： 本研究は、スペクトル領域のみで行われる潜在正則化が、効果的な学習のために十分であることを示す証拠を提示している。空間的な正則化項（例：頂点上のChamfer距離）を追加しても顕著な利益は得られず、固有のスペクトル表現が解剖学的変動のモデリングに十分であることを裏付けている。
• 包括的な堅牢性分析： 本フレームワークは、参照テンプレートの選択、スペクトルモード数（$k$）、および異なる歯のクラス（切歯、小臼歯、大臼歯）に対する堅牢性について評価されている。
• 厳格なベンチマーク： PCA、PointVAE、およびPointDiffusionとの直接比較が行われ、アブレーション研究およびダウンストリームタスクの評価によって支持されている。

4. 結果

実験は、430個の歯科クラウン（切歯149、小臼歯161、大臼母120）からなるプライベートデータセットを用いて行われた。

• 再構成品質： ToothForgeは、空間的手法と同等またはそれを上回る再構成誤差を達成している。絶対再構成誤差は、すべての歯のクラスおよびスペクトル切り捨てレベル（$k$）において低く保たれている。相対誤差は、高周波成分のノイズにより$k$が高くなるとわずかに増加するが、モデルはグラウンドトゥルースへの高い忠実度を維持している。
• 生成性能：
  • MMD（Minimum Matching Distance）： ToothForgeは最も低いMMDスコア（例：大臼歯で0.0997）を達成しており、生成されたサンプルが訓練分布に高度に忠実であることを示している。
  • カバレッジ： モデルは、PointVAEやPointDiffusionに匹敵する強いカバレッジ（大臼歯で43.78%）を示している。
  • 定性的分析： 線形な形状（滑らかすぎる形状であり、舌側/頬側の溝などの微細な解剖学的詳細を欠く）を生成するPCAとは異なり、ToothForgeはより広範な形態学的バリエーションを捉える。点ベースの手法とは異なり、ノイズや歪みを導入しやすい後処理による表面再構成を必要とせず、コヒーレントで水密（watertight）な表面を直接生成する。
• 効率性： ToothForgeは、PointDiffusion（秒単位）と比較してサンプリングが大幅に高速（ミリ秒単位）であり、拡散モデルよりも訓練に必要な計算時間が少ない。
• アブレーション研究：
  • スペクトル同期の除去（"No spec. sync."）は、非現実的な形状と大幅な誤差増大を招いた。
  • 潜在正則化の除去（$\beta=0$）は、モデルが平均的な形状へと崩壊し、多様性が失われる原因となった。
  • 空間的な正則化項の追加は性能を向上させず、スペクトル学習の十分性を確認した。
• ダウンストリームタスク（データ拡張）： 低データ量の歯の分類タスク（訓練サンプル100個）において、ToothForgeによって生成されたサンプルは分類器の精度を大幅に向上させた（拡張なしの90.36%に対し、1000個のサンプルを用いた場合は98.79%）。ToothForgeによる拡張と標準的なメッシュ変換を組み合わせることで最良の結果が得られ、生成された形状が非自明で補完的な多様性を提供していることが示唆された。

5. 意義と主張

本論文は、データセットが小さく、一貫した接続性が保証されない医療用形状生成において、ToothForgeが実用的な解決策を提供することを主張している。

• 臨床的適用可能性： 学習空間の次元数をメッシュ解像度から切り離し、ヘテロジニアスな接続性を扱うことで、本フレームワークは、様々なクリニックからの形状が同一のトポロジーを共有しているとは限らない現実の臨床シナリオに特に適している。
• 特性のバランス： ToothForgeは、スペクトル手法のコンパクトさと解釈可能性と、非線形な深層学習の生成能力をうまく両立させている。高次元の空間モデルに伴う計算負荷と不安定性を回避しつつ、線形SSMが見落としてしまう非線形な解剖学的変動を捉えている。
• 将来の方向性： 著者らは、このフレームワークが複数の歯のクラスを共同でモデリングする統一された潜在空間、条件付き生成（例：ターゲットとなるクラウンのサイズによる誘導）、および制御可能な形状編集ワークフローへの道を開くと示唆している。彼らは、主な価値は単に理想的な条件下でPCAよりも優れた再構成を行うことではなく、不一致な離散化を持つ臨床データセットに対して、堅牢な生成表現を提供することにあると明言している。

著者らは、同期されたスペクトルモデリングが、デジタル歯科における生物医学的イメージングのための、堅牢で効率的、かつ幾何学的に解釈可能なアプローチであると結論付けている。