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

Resumo Técnico: Refinamento de Geometrias de Superfície Dentária Baseado em Modelo Estatístico de Forma para Fluxos de Trabalho de Manufatura Digital

Definição do Problema
Os fluxos de trabalho de manufatura digital na odontologia dependem de modelos dentários 3D anatomicamente consistentes e precisos, derivados de modalidades de aquisição heterogêneas, como a Tomografia Computadorizada de Feixe Cônico (TCFC) e scanners intraorais. No entanto, as segmentações preliminares dos dentes frequentemente contêm regiões incompletas, ambíguas ou geometricamente inconsistentes, particularmente em contatos interdentais e superposições oclusais. Esses defeitos surgem de artefatos de imagem (ex: endurecimento do feixe, efeitos de volume parcial), oclusões de escaneamento e limitações em algoritmos de segmentação automatizados. Quando propagadas para processos subsequentes de CAD/CAM, essas imprecisões comprometem o design de dispositivos personalizados para o paciente (ex: guias cirúrgicos), afetam as relações oclusais e reduzem a confiabilidade da manufatura. Embora os métodos de segmentação baseados em aprendizado profundo tenham melhorado a precisão, eles frequentemente enfrentam dificuldades com dentes posteriores, onde os contatos interproximais criam regiões anatomicamente ambíguas, e carecem de mecanismos explícitos para impor plausibilidade anatômica global sobre entradas imperfeitas.

Metodologia
Os autores propõem um pipeline de refinamento totalmente automatizado e consciente da anatomia baseado em um Modelo Estatístico de Forma Aperfeiçoado (eSSM - Enhanced Statistical Shape Model). Este framework opera como uma etapa de pós-processamento para reconstruções dentárias preliminares, independentemente de sua origem (TCFC ou escaneamento intraoral).

1. Modelo Estatístico de Forma Aperfeiçoado (eSSM):

   • O núcleo do método é um Modelo Estatístico de Forma (SSM) clássico treinado em uma população de segmentações dentárias completas (especificamente, primeiros molares superiores de adultos derivados de TCFC).
   • Ao contrário dos SSMs padrão, o eSSM é semanticamente enriquecido. Ele codifica informações anatômicas e funcionais adicionais diretamente na representação da forma média por meio de colunas extras:
     • Identificação de face lateral: Rótulos binários distinguindo regiões adjacentes a dentes vizinhos (propensas à ambiguidade de contato) de outras regiões.
     • Segmentação semântica: Rótulos para regiões anatômicas específicas (oclusal, mesial, raízes).
     • Classe dentária: Codificação para selecionar o modelo apropriado para tipos específicos de dentes.
   • O modelo captura a variabilidade populacional usando Análise de Componentes Principais (PCA), restringindo os parâmetros de forma para garantir a plausibilidade anatômica (tipicamente dentro de ±3 desvios padrão).

2. Avaliação de Confiabilidade e Identificação de Regiões:

   • O pipeline identifica regiões "confiáveis" versus "não confiáveis" no modelo alvo de entrada ($s_0$).
   • Regiões não confiáveis são sinalizadas com base em dois critérios:
     • Priors semânticos: Pontos correspondentes às faces laterais (adjacentes aos vizinhos) são marcados como potencialmente não confiáveis.
     • Consistência geométrica: A desviação angular entre as normais da superfície do modelo de entrada e as normais previstas pelo modelo estatístico é calculada. Pontos que excedem um limiar ($\theta_{th} = 20^\circ$) são classificados como não confiáveis.
   • Regiões confiáveis são preservadas para manter a fidelidade aos dados observados.

3. Completamento de Forma Iterativo (Estimativa MAP):

   • A reconstrução é formulada como um problema de estimativa de Máxima Posteriori (MAP).
   • O algoritmo ajusta iterativamente o eSSM ao subconjunto de pontos confiáveis ($\mathcal{R}$) enquanto infere a geometria das regiões não confiáveis/ausentes através de deformação estatística global.
   • O processo minimiza o erro entre os pontos confiáveis observados e a previsão do modelo, sendo regularizado pelo prior estatístico.
   • Em cada iteração, o conjunto de confiabilidade é atualizado com base no desvio entre a forma reconstruída e a entrada, permitindo que o algoritmo refine progressivamente a fronteira entre a geometria observada e a inferida até a convergência.

4. Condicionamento de Forma Parcial:

   • Para escaneamentos intraorais (que carecem de dados subgengivais), o pipeline realiza um alinhamento grosseiro e utiliza uma abordagem de k-vizinhos mais próximos para selecionar os pontos da coroa observados. Esses pontos condicionam o ajuste inicial, permitindo que o eSSM infira a morfologia completa do dente (incluindo as raízes) com base em priors populacionais, enquanto respeita a geometria da coroa observada.

Principais Contribuições

• Refinamento Consciente da Anatomia: A introdução de um pipeline que distingue explicitamente entre regiões de superfície confiáveis e ambíguas, preservando dados observados de alta fidelidade enquanto completa estatisticamente as áreas incertas.
• Enriquecimento Semântico de SSMs: O desenvolvimento de um eSSM que integra rótulos semânticos de nível de vértice (faces laterais, regiões anatômicas) para guiar o processo de refinamento e permitir a partição automática do modelo final para aplicações subsequentes.
• Independência de Modalidade: Um framework que aceita reconstruções preliminares de qualquer modalidade de aquisição (TCFC ou escaneamento intraoral) e estratégia de segmentação, desde que uma representação de superfície discreta ou nuvem de pontos esteja disponível.
• Consistência Global: Uma mudança da interpolação geométrica local (comum em métodos baseados em CAD) para um problema de estimativa de forma global que impõe coerência anatômica em toda a estrutura dentária.

Resultos
O método foi avaliado em um conjunto de teste de 10 primeiros molares superiores de adultos (5 de TCFC, 5 de escaneamento intraoral), nenhum dos quais fazia parte do conjunto de treinamento (16 amostras).

• Desempenho Qualitativo: O pipeline produziu com sucesso modelos dentários completos, suaves e anatomicamente plausíveis. A inspeção visual confirmou que as regiões confiáveis foram preservadas com desvios mínimos, enquanto as regiões ambíguas (contatos interdentais, áreas ocluídas) foram reconstruídas suavemente sem artefatos locais.
• Métricas Quantitativas: A análise de desvio ponto a ponto mostrou que as regiões confiáveis exibiram os baixos desvios esperados, enquanto os maiores desvios foram localizados nas regiões ambíguas reconstruídas. Os desvios máximos foram de aproximadamente +0,67/-0,62 mm para os alvos derivados de TCFC e +0,53/-0,83 mm para os alvos de escaneamento intraoral.
• Qualidade do Modelo: O eSSM construído demonstrou estabilidade na Capacidade de Generalização ($G \approx 0,56$ mm), Especificidade e Compactação, indicando que o modelo captura efetivamente a variabilidade da população de treinamento, apesar do tamanho limitado do conjunto de dados.

Significância e Alegações
O artigo posiciona este trabalho como uma prova de conceito para uma estratégia de refinamento dentro de fluxos de trabalho de manufatura odontológica digital. Os autores alegam que o valor primário do método não é a recuperação de uma verdade fundamental (ground truth) exata e inobservável, mas sim a geração de geometrias anatomicamente consistentes e estruturalmente coerentes adequadas para tarefas subsequentes de CAD/CAM.

• Utilidade para Manufatura: Os modelos refinados são diretamente adequados para o design de guias cirúrgicos e dispositivos restauradores, reduzindo a necessidade de intervenção manual e melhorando a robustez dos fluxos de trabalho digitais.
• Lidando com a Incerteza: O método mitiga efetivamente o impacto de artefatos de aquisição e imprecisões de segmentação ao utilizar priors baseados na população para preencher lacunas onde os dados estão ausentes ou ambíguos.
• Limitações e Escopo: Os autores observam modestamente que a validação atual é limitada a uma única classe dentária (primeiro molar superior) e a um tamanho de conjunto de dados específico. Eles reconhecem que uma validação quantitativa direta contra a verdade fundamental é impossível em cenários clínicos devido à inobservabilidade da morfologia real em regiões de contato. O trabalho futuro é identificado como necessário para estender o framework a outras classes dentárias, automatizar a inicialização e realizar análises de sensibilidade sistemáticas nos padrões de dados ausentes.