💻 computer science

Harmonic Field-Point-Line Framework for Precise Dental Mesh Segmentation

本文提出了一种三阶段、凹陷感知（concavity-aware）的调和场-点-线（harmonic field–point–line）框架，通过结合自适应椭球裁剪、位置强度（Locational Strength）度量以及边界感知图搜索，实现了用于正畸CAD的高精度且高效的3D牙齿分割，并在Teeth3DS基准测试上展示了稳健的临床适用性。

原作者： Shaoxiong Wang, Renjie Li, Dongmei Cai

发布于 2026-08-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shaoxiong Wang, Renjie Li, Dongmei Cai

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代牙科领域，通往完美笑容的路径往往并非始于钻头，而是始于一张数字地图。在正畸医生规划如何移动一颗牙齿到位之前，他们必须首先从患者整个颌骨的三维扫描图像中，将那颗单一的牙齿分离出来。这些扫描通常由捕捉牙齿和牙龈表面的光学摄像头创建，生成由数以千计微小三角形组成的数字网格。挑战在于，如何让计算机在没有人工干预的情况下，理解一颗牙齿在哪里结束，下一颗又从哪里开始，或者牙齿与牙龈在哪里交界。这项任务具有欺骗性的难度，因为真实的口腔很少是完美的；它们包含拥挤的牙齿、缺失的间隙以及可能使简单几何规则失效的扫描缺陷。多年来，研究人员一直试图通过使用需要海量手工标注数据的深度学习，或依赖于在数据含有噪声时经常失效的传统几何学来解决这一问题。目标始终是寻找一种既足够精确以满足临床使用，又足够鲁棒以应对人类解剖结构复杂现实的方法。

一组研究人员现在提出了一种全新的方法，该方法完全绕过了对庞大训练数据集的需求。他们的方法不是通过学习示例，而是依靠一套清晰的物理原理来引导计算机。他们将该系统称为“调和场点线框架”（harmonic field-point-line framework），这个名称描述了一个过程：计算机在牙齿表面创建一个平滑且无形的“景观”来寻找边界。可以将这个景观想象成一座缓丘，丘顶代表牙齿中心，而丘底则代表牙龈线。研究人员首先利用一个能够适应牙齿方向的形状，在单颗牙齿周围开辟出一个小而集中的区域，以确保计算机不会被口腔的其他部分所干扰。在这个集中的区域内，他们求解一个数学问题，从而在表面上生成一个平滑且连续的数值场。这个场会自然地在牙齿与牙龈交界的天然谷地处形成低点，为计算机提供一个清晰的追踪信号。

为了使这一信号更加可靠，团队引入了一种全新的方式，对数字网格上的每一个点进行评分。他们开发了一种被称为“位置强度”（locational strength）的指标，它充当了每个点的置信度得分。该得分并非基于单一特征，而是结合了三种不同的观察结果：周围点的混合程度、该点相对于场中心的中心性，以及该处场值的变化剧烈程度。位于牙齿与牙龈边缘的点会获得高分，而位于牙齿或牙龈深处的点则得分较低。这使得系统即使在扫描不完美或牙齿排列紧密的情况下，也能辨别出真实的边界。通过融合这三种视角，该方法避免了仅依赖单一类型数据所带来的陷阱，因为这类数据很容易被噪声或异常形状所误导。

一旦计算机识别出沿该边界最具潜力的起点和终点，它就会使用经典的寻路算法来绘制线条。然而，这并非一条简单的直线；算法经过加权，会倾向于沿着高“位置强度”得分的点进行路径选择，从而有效地引导线条沿着牙龈的自然谷地行进。如果初始路径不完整，系统会智能地生成一条阻挡路径以强制进行第二次搜索，从而确保形成一个完整的闭合环路。最后，系统沿着这个环路切割数字网格，将牙齿从其余颌骨中分离出来。其结果是一个干净、独立的单颗牙齿 3D 模型，可以供正畸医生进行操作。

研究人员在包含来自不同患者的近 24,000 颗带注释牙齿的大型公开数据集上测试了这种方法。结果极其精确。在典型案例中，计算机生成的边界与人类绘制的真实边界之间的平均距离小于 0.06 毫米，这一误差范围之小，几乎难以察觉。即使在困难场景下（如牙齿缺失或严重拥挤），该方法仍保持了极高的准确性，绝大多数表面都与真实情况几乎完美匹配。虽然该系统在最复杂的情况（如严重拥挤或敏感边界）中表现出略大的偏差，但其表现仍然优于依赖深度学习或简单几何规则的现有方法。研究表明，这种基于原理的方法提供了一种透明且可靠的替代方案，可以取代“黑箱”AI 模型，提供了一种既具解释性又适用于实际临床应用的解决方案。通过将平滑的数学场与智能评分系统相结合，研究人员证明了无需大规模数据集即可实现精确的牙科分割，为数字正畸学的未来提供了一种新工具。

技术摘要：用于精确牙齿网格分割的调和场-点-线框架

问题陈述

三维牙齿分割是数字化正畸中计算机辅助设计（CAD）的前提，然而由于复杂的解剖变异和现实世界的数据异常，实现高精度和高效率仍然具有挑战性。作者确定了两个主要挑战：

个体差异性： 由于患者之间存在显著差异，缺乏用于单颗牙齿特征描述的通用模板。
数据异常： 现实世界的模型通常包含噪声、缺牙、过度间隙、龈缘气泡、拥挤、位置不正以及重建伪影。

现有方法面临局限性：非学习型几何方法（曲率、测地线、2D投影）往往难以应对噪声、遮挡和拥挤问题；而基于学习的方法（3D CNN、Transformer）需要大量的专家标注数据，容易受到领域偏移的影响，且缺乏可解释性（“黑盒”性质），这阻碍了临床验证与信任。

方法论

作者提出了一种基于原理驱动、无需训练的三阶段框架，该框架整合了调和场、基于点的评估指标和基于线的图搜索。处理流程如下：

1. 局部牙齿区域提取（自适应椭球裁剪）

为了减轻计算负担并减少相邻牙齿的干扰，该方法首先为每颗牙齿提取一个局部区域。

机制： 为每个手动选择的特征点（牙齿质心）定义一个自适应椭球体。
定向： 椭球体的轴由以下方式确定：
- 指向最近邻特征点的向量。
- 通过对完整网格进行主成分分析（PCA）得到的最短主轴（调整为与第一轴垂直）。
- 前两个轴的叉积。
尺寸： 半径根据特征点之间的距离进行缩放，确保椭球体在完全封装目标牙齿的同时，最大限度地减少相邻组织的包含。

2. 调和场构建与评分（位置强度）

在局部子网格上生成一个凹陷感知（concavity-aware）的调和场，以识别龈缘边界。

场生成： 使用经过阶跃函数修正的余切权重（cotangent weights）的拉普拉斯离散化来解决狄利克雷问题（ $\Delta \phi = 0$ $Δ ϕ = 0$ ）。
- 边界条件： 子网格边界设为 0；牙齿内部种子环（5% 的顶点）设为 1。
- 凹陷感知： 权重经过调制，以增加凹陷区域（龈线）的变化，同时保留局部细节。
位置强度（LS）指标： 引入了一种新型顶点级评分指标，用于量化顶点与分割边界的接近程度。它融合了三个归一化分量：
1. 聚合度 ( $A$ )： 衡量一个顶点的邻域跨越了多少个不同的调和场能级组。
2. 中心度 ( $C$ )： 衡量顶点的标量值距离中场范围（约 0.4）的远近。
3. 梯度强度 ( $G$ )： 场梯度的模长（ $\|\nabla \phi\|$ ），用以捕捉快速变化。
- 公式： $LS(v) = \alpha \hat{A}(v) + \beta \hat{C}(v) + \gamma \hat{G}(v)$ 。较高的 LS 值表示更有可能位于分割边界上。

3. 分割边界提取（点-线框架）

该方法通过图搜索策略提取闭合轮廓。

起点/终点筛选： 从调和场 $\phi \in [0.1, 0.9]$ 的区域中选择两个点。候选点使用 LS、平均曲率和梯度方向一致性的复合函数进行评分。如果从特征点出发的两个向量之间的夹角超过阈值（40°），则选定一对点。
边界搜索（Dijkstra）：
- 在筛选区域上构建拓扑图。
- 边界感知权重： 边的代价定义为 $w_{ij} = \|v_i - v_j\| / (B(v_i)B(v_j))$ ，其中 $B(v)$ 是边界显著性（曲率与 LS 的乘积）。这驱动最短路径趋向于高显著性区域。
- 两阶段搜索： 首先找到一条初始路径。随后生成一条从特征点到初始路径中点的“阻塞路径”，以防止搜索重复走同一条路径。第二次搜索寻找剩余边界，从而形成一个完整的闭环。
拓扑切割： 通过删除相连三角形和侵蚀牙齿侧的环来将回路转换为拓扑切割，从而允许使用广度优先搜索（BFS）分离出单颗牙齿的网格。

核心贡献

自适应椭球裁剪： 一种提取局部牙齿区域的方法，在确保分割精度的同时降低了计算复杂度并减少了干扰。
位置强度（LS）指标： 一种新型顶点评估指标，通过融合邻域聚合、中心度和场梯度，能够稳健地识别边界接近度，解决了在拥挤或多噪场景下单一特征方法的局限性。
边界感知图搜索： 一个结合了调和场与基于 Dijkstra 搜索及拓扑切割的三阶段框架，在复杂的牙齿模型上展示了极高的鲁棒性和准确性，且无需训练数据。

实验结果

该方法在 Teeth3DS 基准数据集（1,800 个口腔扫描件，23,999 颗标注牙齿）上进行了评估。

指标： 平均对称表面距离（ASSD）、95% 豪斯多夫距离（HD95）以及表面 Dice@0.30mm。
性能表现：
- 典型病例： 实现的 ASSD 值通常低于 0.1 mm（例如 0.0509 mm），且表面 Dice 分数接近饱和（0.9997）。
- 复杂病例：
  - 缺牙： 由于间隙和未定义区域，性能有所下降（ASSD 0.1206 mm，HD95 0.4380 mm）。
  - 拥挤/紧密接触： 显示出较高的偏差（ASSD 0.1160 mm，HD95 0.2661 mm），但仍保持了较高的表面 Dice 值（0.9883）。
  - 敏感边界： 在多噪或复杂的龈缘交界处误差有所增加（ASSD 0.0867 mm）。
对比： 与现有方法（如 [20]）的定性比较表明，所提方法能产生更连续、更贴合谷底的轮廓，在多噪或有缺陷的区域中漏检和断裂更少。

意义与主张

论文声称，这种非数据驱动的几何方法为临床应用提供了一个透明且可重复的解决方案，特别是在标注数据稀缺且可解释性至关重要的场景下。

鲁棒性： 该框架在处理噪声、缺牙和拥挤方面比传统的几何方法更有效，并避免了深度学习模型的领域偏移和“黑盒”限制。
临床适用性： 在典型病例中 ASSD 通常低于 0.1 mm，符合正畸 CAD 的临床精度要求。
效率： 自适应裁剪和基于原理的逻辑提供了一种高效的选择，作为迭代式、交互式或依赖大量数据的替代方案。

作者总结道，尽管在处理极端病理病例（如严重缺牙）方面仍面临挑战，但所提出的框架在实现精确、自动化的牙齿网格分割方面迈出了重要一步。未来的工作旨在实现特征点选择的自动化，并将该算法集成到临床 CAD 工作流中。