技術要約：精密な歯科用メッシュセグメンテーションのための調和場・点・線フレームワーク

問題提起

三次元歯牙セグメンテーションは、デジタル矯正におけるコンピュータ支援設計（CAD）の前提条件であるが、複雑な解剖学的変動や現実世界のデータのアノマリー（異常）により、高い精度と効率性を達成することは依然として困難である。著者らは、主に2つの課題を特定している：

1. 被験者間の変動性： 患者間の大幅な違いにより、歯ごとに特徴付けを行うための普遍的なテンプレートが欠如していること。
2. データの異常： 現実世界のモデルには、ノイズ、欠損歯、過度な隙間、歯肉縁のバブル、叢生（歯の重なり）、位置異常、および再構成アーティファクトが含まれることが多い。

既存の手法には限界がある：非学習型の幾何学的手法（曲率、測地線、2D投影）は、ノイズ、遮蔽、叢生に苦戦することが多い。一方で、学習ベースの手法（3D CNN、Transformer）は、大量の専門家によるアノテーション済みデータを必要とし、ドメインシフトに苦しみ、解釈可能性に欠ける（「ブラックボックス」的な性質）ため、臨床的な検証や信頼獲得を阻害している。

手法

著者らは、調和場、点ベースの評価指標、および線ベースのグラフ探索を統合した、原理駆動型で学習を必要としない3段階のフレームワークを提案している。プロセスは以下の通りである：

1. 局所的歯科領域の抽出（適応型楕円体クロッピング）

計算負荷と隣接する歯からの干渉を軽減するために、本手法はまず各歯の局所領域を抽出する。

• メカニズム： 手動で選択された特徴点（歯の重心）に対して、適応型楕円体が定義される。
• 方向付け： 楕円体の軸は以下によって決定される：
  • 最も近い隣接特徴点へのベクトル。
  • 完全なメッシュの主成分分析（PCA）から得られる最短主軸（最初の軸に対して垂直になるよう調整される）。
  • 最初の2つの軸の外積。
• サイズ設定： 半径は特徴点間の距離に基づいてスケーリングされ、隣接する組織の混入を最小限に抑えつつ、対象となる歯を完全に包摂するように設定される。

2. 調和場の構築とスコアリング（位置強度）

歯肉境界を特定するために、局所サブメッシュ上に凹み（concavity）を考慮した調和場が生成される。

• 場の生成： ステップ関数によって修正されたコタンジェント重みを用いたラプラス離散化を用いて、ディリクレ問題（$\Delta \phi = 0$）を解く。
  • 境界条件： サブメッシュの境界は0に、歯内のシードリング（頂点の5%）は1に設定される。
  • 凹みへの配慮： 重みは、局所的な詳細を保持しながら、凹部（歯肉線）における変化を増大させるように調整される。
• 位置強度（LS）指標： セグメンテーション境界への近接性を定量化するために、新しい頂点レベルのスコアリング指標が導入されている。これは、以下の3つの正規化された成分を融合させたものである：
  1. 集約度（Aggregation, $A$）： 頂点の隣接点が、いくつの異なる調和場のレベルグループにまたがっているかを測定する。
  2. 中心性（Centrality, $C$）： 頂点のスカラー値が中間的な場の範囲（約0.4）にどれだけ近いかを測定する。
  3. 勾配強度（Gradient Strength, $G$）： 急激な変化を捉えるための、場の勾配（$\|\nabla \phi\|$）の大きさ。
  • 公式： $LS(v) = \alpha \hat{A}(v) + \beta \hat{C}(v) + \gamma \hat{G}(v)$。LS値が高いほど、その頂点がセグメンテーション境界上にある可能性が高いことを示す。

3. セグメンテーション境界の抽出（点・線フレームワーク）

グラフ探索戦略を用いて閉じた輪郭を抽出する。

• 始点・終点のスクリーニング： 調和場 $\phi \in [0.1, 0.9]$ の領域から2つの点を選択する。候補は、LS、平均曲率、および勾配方向の一貫性の複合関数を用いてスコアリングされる。特徴点からのベクトル間の角度が閾値（40°）を超える場合に、一対の点が選択される。
• 境界探索（ダイクストラ法）：
  • 候補領域上にトポロジーグラフが構築される。
  • 境界認識型重み付け： エッジのコストは $w_{ij} = \|v_i - v_j\| / (B(v_i)B(v_j))$ と定義される。ここで、$B(v)$ は境界サリエンス（曲率とLSの積）である。これにより、最短経路が高サリエンス領域へと導かれる。
  • 2段階探索： 初期のパスが見出される。その後、探索が同じルートを逆走するのを防ぐために、特徴点から初期パスの中点へと向かう「ブロッキングパス」が生成される。第2の探索によって残りの境界が見出され、完全な閉ループが形成される。
• トポロジカル・カッティング： ループは、隣接する三角形の削除と歯側のリングの侵食によって、トポロジカルなカットへと変換され、幅優先探索（BFS）によって単一の歯のメッシュが分離される。

主な貢献

1. 適応型楕円体クロッピング： セグメンテーションの精度を確保しつつ、計算の複雑さと干渉を軽減する、局所的な歯領域を抽出する手法。
2. 位置強度（LS）指標： 隣接集約、中心性、および場の勾配を融合させ、単一の特徴量による手法の限界を克服し、境界への近接性を頑健に特定する新しい頂点評価指標。
3. 境界認識型グラフ探索： 調和場とダイクストラ法による探索およびトポロジカル・カッティングを組み合わせた3段階のフレームワークであり、学習データを必要とせずに、複雑な歯科モデルに対して高い堅牢性と精度を示す。

実験結果

本手法は、Teeth3DSベンチマーク（1,800件の口腔内スキャン、23,999本の注釈付き歯）を用いて評価された。

• 指標： 平均対称表面距離（ASSD）、95パーセンタイル・ハウスドルフ距離（HD95）、および表面Dice@0.30mm。
• 性能：
  • 典型的なケース： 一般にASSDが0.1 mm未満（例：0.0509 mm）となり、表面Diceスコアは飽和に近い値（0.9997）に達した。
  • 複雑なケース：
    • 欠損歯： 隙間や未定義の領域により、性能が低下した（ASSD 0.1206 mm, HD95 0.4380 mm）。
    • 叢生／緊密な接触： 偏差は大きくなったが（ASSD 0.1160 mm, HD95 0.2661 mm）、高い表面Dice（0.9883）を維持した。
    • 敏感な境界： ノイズが多い、または複雑な歯肉接合部において誤差が増加した（ASSD 0.0867 mm）。
• 比較： 従来の手法（例：[20]）との定性的比較により、提案手法は、特にノイズや欠陥のある領域において、より連続的で谷に沿った輪郭を生成し、リーク（漏れ）や断裂が少ないことが示された。

重要性と主張

本論文は、この非データ駆動型の幾何学的アプローチが、アノテーション済みデータが乏しく、解釈可能性が極めて重要となる臨床応用において、透明性と再現性のあるソリューションを提供すると主張している。

• 堅牢性： 本フレームワークは、従来の幾何学的手法よりもノイズ、欠損歯、叢生を効果的に処理し、深層学習モデルのドメインシフトや「ブラックボックス」の制限を回避する。
• 臨床的適用性： 典型的なケースでASSDが概ね0.1 mm以下であることから、本手法は矯正CADの臨床的精度要件を満たしている。
• 効率性： 適応型クロッピングと原理駆動型のロジックにより、反復的、インタラクティブ、または大量のデータを必要とする手法に代わる効率的な手段を提供する。

著者らは、極端な病理的事例（深刻な欠損歯など）の処理には依然として課題が残るものの、提案されたフレームワークは、精密で自動化された歯科メッシュセグメンテーションに向けた重要な進展であると結論付けている。今後の課題は、特徴点の選択を自動化し、アルゴリズムを臨床CADワークフローに統合することである。