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

Technische Samenvatting: Verfijning van de geometrie van tandoppervlakken op basis van een Statistical Shape Model voor digitale productiewerkstromen

Probleemstelling
Digitale productiewerkstromen in de tandheelkunde vertrouwen op nauwkeurige, anatomisch consistente 3D-tandmodellen afgeleid van heterogene acquisitiemodaliteiten, zoals Cone-Beam Computed Tomography (CBCT) en intraorale scanners. Echter, voorlopige segmentaties van tanden bevatten vaak incomplete, ambigue of geometrisch inconsistente regio's, met name bij interdentale contacten en occlusale superposities. Deze defecten ontstaan door beeldvormingsartefacten (bijv. beam hardening, partial-volume effecten), scanning-occlusies en beperkingen in geautomatiseerde segmentatiealgoritmen. Wanneer deze onnauwkeurigheden worden doorgegeven aan downstream CAD/CAM-processen, brengen ze het ontwerp van patiëntspecifieke hulpmiddelen (bijv. chirurgische gidsen) in gevaar, beïnvloeden ze de occlusale relaties en verminderen ze de betrouwbaarheid van de productie. Hoewel deep learning-gebaseerde segmentatiemethoden de nauwkeurigheid hebben verbeterd, hebben ze vaak moeite met achterste tanden waar interproximale contacten anatomisch ambigue regio's creëren, en missen ze expliciete mechanismen om globale anatomische plausibiliteit op imperfecte inputs af te dwingen.

Methodologie
De auteurs stellen een volledig geautomatiseerde, anatomie-bewuste verfijningspipeline voor op basis van een Enhanced Statistical Shape Model (eSSM). Dit framework fungeert als een post-processing fase voor voorlopige tandreconstructies, ongeacht de oorsprong ervan (CBCT of intraorale scan).

1. Enhanced Statistical Shape Model (eSSM):

   • De kern van de methode is een klassiek Statistical Shape Model (SSM) getraind op een populatie van volledige tandsegmentaties (specifiek volwassen bovenkavel eerste molaren afgeleid van CBCT).
   • In tegenstelling tot standaard SSM's is de eSSM semantisch verrijkt. Het codeert aanvullende anatomische en functionele informatie direct in de gemiddelde vormrepresentatie via extra kolommen:
     • Laterale zijde identificatie: Binaire labels die regio's aangrenzend aan naburige tanden (gevoelig voor contactambiguïteit) onderscheiden van andere regio's.
     • Semantische segmentatie: Labels voor specifieke anatomische regio's (occlusaal, mesiaal, wortels).
     • Tandklasse: Codering om het passende model voor specifieke typen tanden te selecteren.
   • Het model legt de populatiebrede variabiliteit vast met behulp van Principal Component Analysis (PCA), waarbij de vormparameters worden beperkt om anatomische plausibiliteit te garanderen (doorgaans binnen ±3 standaarddeviaties).

2. Betrouwbaarheidsbeoordeling en Regio-identificatie:

   • De pipeline identificeert "betrouwbare" versus "onbetrouwbare" regio's op het input-doelmodel ($s_0$).
   • Onbetrouwbare regio's worden gemarkeerd op basis van twee criteria:
     • Semantische priors: Punten die overeenkomen met laterale zijden (aangrenzend aan buren) worden gemarkeerd als potentieel onbetrouwbaar.
     • Geometrische consistentie: De hoekafwijking tussen de oppervlaktenormalen van het inputmodel en de door het statistische model voorspelde normalen wordt berekend. Punten die een drempelwaarde overschrijden ($\theta_{th} = 20^\circ$) worden geclassificeerd als onbetrouwbaar.
   • Betrouwbare regio's worden behouden om de getrouwheid aan de geobserveerde data te waarborgen.

3. Iteratieve Vormvoltooiing (MAP Estimatie):

   • De reconstructie wordt geformuleerd als een Maximum A Posteriori (MAP) schattingsprobleem.
   • Het algoritme past iteratief de eSSM aan op de subset van betrouwbare punten ($\mathcal{R}$) en concludeert de geometrie van onbetrouwbare/ontbrekende regio's via globale statistische deformatie.
   • Het proces minimaliseert de fout tussen de geobserveerde betrouwbare punten en de modelvoorspelling, geregulariseerd door de statistische prior.
   • In elke iteratie wordt de betrouwbaarheidsset bijgewerkt op basis van de afwijking tussen de gereconstrueerde vorm en de input, waardoor het algoritme progressief de grens tussen geobserveerde en geïnferred geometrie kan verfijnen tot convergentie optreedt.

4. Partial-Shape Conditionering:

   • Voor intraorale scans (die geen subgingivale data bevatten), voert de pipeline een grove uitlijning uit en gebruikt een k-nearest neighbors benadering om geobserveerde kroonpunten te selecteren. Deze punten conditioneren de initiële fit, waardoor de eSSM de volledige tandmorfologie (inclus kind de wortels) kan afleiden op basis van populatie-priors, terwijl de geobserveerde kroongeometrie wordt gerespecteerd.

Belangrijkste Bijdragen

• Anatomie-bewuste Verfijning: De introductie van een pipeline die expliciet onderscheid maakt tussen betrouwbare en ambigue oppervlaktere regio's, waarbij hoogwaardige geobserveerde data wordt behouden terwijl onzekere gebieden statistisch worden voltooid.
• Semantische Verrijking van SSM's: De ontwikkeling van een eSSM die vertex-niveau semantische labels (laterale zijden, anatomische regio's) integreert om het verfijningsproces te sturen en automatische partitionering van het uiteindelijke model voor downstream toepassingen mogelijk te maken.
• Modaliteit-onafhankelijkheid: Een framework dat voorlopige reconstructies accepteert van elke acquisitiemodaliteit (CBCT of intraorale scan) en elke segmentatiestrategie, mits er een discrete oppervlakte- of puntenwolkrepresentatie beschikbaar is.
• Globale Consistentie: Een verschuiving van lokale geometrische interpolatie (gangbaar bij CAD-methoden) naar een globaal vormschattingsprobleem dat anatomische coherentie over de gehele tandstructuur afdwingt.

Resultaten
De methode werd geëvalueerd op een testset van 10 volwassen bovenkavel eerste molaren (5 uit CBCT, 5 uit intraorale scans), waarvan er geen deel uitmaakten van de trainingsset (16 monsters).

• Kwalitatieve Prestaties: De pipeline produceerde succesvol complete, gladde en anatomisch plausibele tandmodellen. Visuele inspectie bevestigde dat betrouwbare regio's met minimale afwijking werden behouden, terwijl ambigue regio's (interdentale contacten, geoccludeerde gebieden) zonder lokale artefacten werden gereconstrueerd.
• Kwantitatieve Metrieken: Puntsgewijze afwijkingenanalyse toonde aan dat betrouwbare regio's de verwachte lage afwijkingen vertoonden, terwijl grotere afwijkingen gelokaliseerd waren aan de gereconstrueerde ambigue regio's. De maximale afwijkingen waren ongeveer +0,67/-0,62 mm voor CBCT-afgeleide targets en +0,53/-0,83 mm voor intraorale scan-afgeleide targets.
• Modelkwaliteit: De geconstrueerde eSSM vertoonde een stabiele Generalisatiekracht ($G \approx 0,56$ mm), Specificiteit en Compactheid, wat aangeeft dat het model de variabiliteit van de trainingspopulatie effectief vastlegt ondanks de beperkte datasetgrootte.

Betekenis en Claims
Het artikel positioneert dit werk als een proof-of-concept voor een verfijningsstrategie binnen digitale tandheelkundige productiewerkstromen. De auteurs stellen dat de primaire waarde van de methode niet ligt in het herstellen van een exacte, onobserveerbare grondwaarheid, maar in het genereren van anatomisch consistente en structureel coherente geometrieën die geschikt zijn voor downstream CAD/CAM-taken.

• Productie-utiliteit: De verfijnde modellen zijn direct geschikt voor het ontwerpen van chirurgische gidsen en restauratieve hulpmiddelen, wat de noodzaak voor handmatige interventie vermindert en de robuustheid van digitale werkstromen verbetert.
• Omgaan met Onzekerheid: De methode mitigeert effectief de impact van acquisitie-artefacten en segmentatie-onnauwkeurigheden door gebruik te maken van populatie-gebaseerde priors om gaten te vullen waar data ontbreekt of ambigu is.
• Beperkingen en Omvang: De auteurs merken bescheiden op dat de huidige validatie beperkt is tot een enkele tandklasse (bovenkavel eerste molar) en een specifieke datasetgrootte. Zij erkennen dat een directe kwantitatieve validatie tegen de grondwaarheid onmogelijk is in klinische scenario's vanwege de onobserveerbaarheid van de ware morfologie in contactgebieden. Toekomstig werk wordt geïdentificeerd als noodzakelijk om het framework uit te breiden naar andere tandklassen, initialisatie te automatiseren en systematische gevoeligheidsanalyses op ontbrekende datapatronen uit te voeren.