⚡ electrical engineering

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

本文提出了一种基于增强型统计形状模型的全自动、解剖感知流水线，用于将来自 CBCT 和口腔内扫描的不完整或模糊的牙齿几何形状细化为完整、平滑且具备制造能力的模型，同时在保留观测数据的同时确保解剖学上的合理性。

原作者： Giuliana Baiamonte, Michele Calì, Luca Di Angelo, Fulvia Concetta Rita Monaco, Antonio Marzola

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Giuliana Baiamonte, Michele Calì, Luca Di Angelo, Fulvia Concetta Rita Monaco, Antonio Marzola

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

大局观：修复“故障”数字牙齿

想象一下，你正试图为一个牙医建立一个完美的牙齿 3D 模型，以便用于制造牙冠或手术导板。你使用 CT 扫描（类似于 3D X 光）或口腔内的数字相机对牙齿进行拍摄。

然而，这些数字图像经常会出现“故障”。

问题所在： 当牙齿紧密排列在一起时，扫描仪会产生混乱。它可能会错过两颗牙齿接触的确切位置，或者图像在这些狭窄处看起来模糊或有锯齿。这就像试图拍摄一张拥挤房间的照片，其中人们肩并肩站立；摄像机无法看清中间人群的边缘。
后果： 如果你尝试根据这个“有故障”的模型来制造设备，最终产品可能无法完美契合，或者设计看起来怪异且不自然。

解决方案：“智能模具”（增强统计形状模型）

本文作者创建了一个全自动计算机程序来修复这些故障。他们称之为增强统计形状模型 (eSSM)。

可以将这个模型想象成一个**“智能模具”或“大师模板”**，它已经研究过成千上万颗完美、健康的牙齿。

知识库： 在程序能够修复任何东西之前，它先在由 16 个完美的、完整的成年上颌第一磨牙（后牙处的巨大研磨牙）3D 模型组成的知识库上进行了训练。它学习了这些牙齿应该呈现出的样子，包括它们的弧度、牙根的位置以及它们如何与邻牙接触。
“信任”系统： 当你输入一个“有故障”的牙齿模型时，程序并不仅仅是在瞎猜。它表现得像一名侦探。它观察牙齿表面的每一个微小点，并询问自己：“我信任这个部分吗？”
- 如果数据清晰（例如，牙齿顶部清晰可见），程序会说：“我信任这个。”它会保留该部分完全原样，从而保留患者的独特细节。
- 如果数据模糊（例如，牙齿接触邻牙的一侧很模糊），程序会说：“我不信任这个。”它会将该区域标记为“不可靠”。

修复是如何发生的：“泥塑家”类比

一旦程序识别出“不可靠”的区域，它就会利用其“智能模具”来进行修复。

想象一位雕塑家正在处理一块粘土，这块粘土上已经压印出了一些完美的细节，但其他部分却缺失或被挤压变形了。

雕塑家非常清楚一颗完美的牙齿应该是什么样的（即统计先验知识）。
他们轻轻地推和拉粘土。他们不会改变那些已经很完美的部分（即可靠数据）。
但对于缺失或挤压变形的部分，他们利用自己关于牙齿应该如何呈现的知识，将缺口平滑地填补起来。他们确保新加入的粘土能自然地融入现有的粘土中，从而避免出现锐利的边缘或奇怪的凸起。

在论文中，这是通过数学方式实现的。程序将“不可靠”的部分进行重塑，使其符合“智能模具”，同时将“可靠”的部分锁定在原位。

特殊的“标注”功能

使该模型被称为“增强型”（eSSM 中的 “E”）的原因在于，它不仅知道形状，还知道部位。

它能自动识别牙齿的哪个部分是牙根（牙龈下的部分），哪个部分是近中侧（面向口腔前方的侧面），以及哪个部分是合面（咀嚼面）。
它还知道哪些部分是侧面（与其它牙齿接触的侧面）。

这就像如果雕塑家制作的不仅仅是一个粘土团，而是自动将牙根涂成黄色，将咀嚼面涂成蓝色。这有助于计算机明确知道在哪里应用“修复”，以及在哪里保持数据不变。

结果：光滑、完整且可用于制造

研究人员在 10 颗不同的牙齿上测试了该模型。其中一些来自 CT 扫描，另一些来自数字口腔扫描仪。

修复前： 模型存在孔洞、锯齿状边缘，以及牙齿接触处的缺失部分。
修复后： 程序生成了光滑、完整且符合解剖结构的 3D 模型。
关键点： 程序并没有试图猜测牙齿的“真实”形状（因为我们无法看到口腔内真实的形状），相反，它创建了一个符合解剖学合理性的形状。它看起来像一颗真实的、健康的牙齿，并且能与实际扫描到的牙齿部分完美契合。

为什么这对数字制造至关重要

论文指出，这一过程是专门为数字制造工作流设计的。

在工厂环境下（或牙科实验室），你需要一个完美的数字文件来 3D 打印手术导板或牙冠。
如果文件有“故障”，机器可能会出错。
该工具充当了最后的质量控制步骤。它将一个杂乱、不完美的数字文件转化为一个干净、光滑且可靠的文件，供机器立即使用，从而减少了人工使用鼠标和键盘手动修复 3D 模型的需求。

简而言之： 本文介绍了一个表现得像知识渊博的雕塑家的计算机程序。它获取一个杂乱、不完整的牙齿 3D 扫描件，保留好的部分原封不动，并利用“完美牙齿库”来平滑地填补缺失或模糊的部分，从而创造出一个完美的、可用于制造的模型。

技术摘要：基于统计形状模型的牙齿表面几何结构精修，用于数字化制造工作流

问题陈述
牙科领域的数字化制造工作流依赖于准确且符合解剖学一致性的 3D 牙齿模型，这些模型源自异构的采集模态，例如锥形束投照计算机断层扫描（CBCT）和口内扫描仪。然而，初步的牙齿分割结果往往包含不完整、模糊或几何不一致的区域，特别是在邻接接触和咬合重叠处。这些缺陷是由成像伪影（如射线硬化、部分体积效应）、扫描遮挡以及自动化分割算法的局限性引起的。当这些误差传递到下游的 CAD/CAM 工艺时，会损害患者特定设备（如手术导板）的设计，影响咬合关系，并降低制造的可靠性。虽然基于深度学习的分割方法提高了准确性，但在后牙区域（由于邻接接触产生了解剖学上的歧义区域），它们仍难以处理，并且缺乏强制执行全局解剖学合理性的显式机制。

方法论
作者提出了一种基于**增强型统计形状模型（eSSM）**的全自动、解剖学感知精修流水线。该框架作为初步牙齿重建（无论其来源是 CBCT 还是口内扫描）的后处理阶段。

增强型统计形状模型 (eSSM)：
- 该方法的核心是一个经典的统计形状模型 (SSM)，该模型是在一组完整的牙齿分割样本（具体为源自 CBCT 的成年人类上颌第一磨牙）上训练而成的。
- 与标准 SSM 不同，eSSM 进行了语义增强。它通过额外的列将额外的解剖学和功能信息直接编码到平均形状表示中：
  - 侧面识别： 用于区分邻近牙齿区域（易产生接触歧义）与其他区域的二元标签。
  - 语义分割： 用于特定解剖区域（咬合面、近中面、牙根）的标签。
  - 牙齿类别： 用于选择特定牙种的编码。
- 该模型通过主成分分析 (PCA) 捕捉群体水平的变异性，将形状参数约束在统计合理范围内（通常为 ±3 个标准差）。
可靠性评估与区域识别：
- 流水线识别输入目标模型 ( $s_0$ ) 上的“可靠”区域与“不可靠”区域。
- 不可靠区域基于两个标准进行标记：
  - 语义先验： 对应于侧面（邻接邻牙）的点被标记为潜在不可靠区域。
  - 几何一致性： 计算输入模型的表面法线与统计模型预测法线之间的角度偏差。超过阈值 ( $\theta_{th} = 20^\circ$ ) 的点被归类为不可靠。
- 可靠区域被予以保留，以维持对观测数据的忠实度。
迭代形状补全 (MAP 估计)：
- 重建过程被表述为一个最大后验 (MAP) 估计问题。
- 算法迭代地将 eSSM 拟合到可靠点子集 ( $\mathcal{R}$ ) 上，并通过全局统计变形来推断不可靠/缺失区域的几何结构。
- 该过程最小化观测到的可靠点与模型预测之间的误差，并受统计先验正则化的约束。
- 在每次迭代中，根据重建形状与输入之间的偏差更新可靠性集合，从而允许算法逐步精细化观测几何与推断几何之间的边界，直至收敛。
部分形状调节 (Partial-Shape Conditioning)：
- 对于缺乏龈下数据的口内扫描，流水线执行粗略对齐，并使用 k-最近邻方法选择观测到的牙冠点。这些点用于调节初始拟合，使 eSSM 能够基于群体先验推断完整的牙齿形态（包括牙根），同时尊重观测到的牙冠几何结构。

核心贡献

解剖学感知精修： 引入了一个能够明确区分可靠区域与歧义表面区域的流水线，在保留高保真观测数据的同时，通过统计学手段完成不确定区域的补全。
SSM 的语义增强： 开发了集成顶点级语义标签（侧面、解剖区域）的 eSSM，以引导精修过程，并实现最终模型的自动分区，用于下游应用。
模态无关性： 该框架可以接受来自任何采集模态（CBCT 或口内扫描）及分割策略的初步重建结果，只要提供离散的表面或点云表示即可。
全局一致性： 从局部几何插值（常见于 CAD 方法）转向全局形状估计问题，从而确保整个牙齿结构的解剖学连贯性。

结果
该方法在 10 个成年类上颌第一磨牙（5 个来自 CBCT，5 个来自口内扫描）的测试集上进行了评估，这些样本均不在训练集（16 个样本）中。

定性性能： 流水线成功生成了完整、平滑且符合解剖学合理性的牙齿模型。视觉检查确认，可靠区域得到了保留且偏差极小，而歧义区域（牙间接触、遮挡区域）重建平滑，无局部伪影。
定量指标： 点对点偏差分析显示，可靠区域表现出预期的低偏差，而较大的偏差集中在重建的歧义区域。最大偏差对于 CBCT 衍生目标约为 +0.67/-0.62 mm，对于口内扫描衍生目标约为 +0.53/-0.83 mm。
模型质量： 构建的 eSSM 展示了稳定的泛化能力 ( $G \approx 0.56$ mm)、特异性和紧凑性，表明尽管数据集规模有限，该模型仍能有效捕捉训练群体的变异性。

意义与主张
论文将这项工作定位为数字化牙科制造工作流中一种精修策略的概念验证。作者声称，该方法的主要价值不在于恢复精确的、无法观测的地面真值，而在于生成符合解剖学一致性且结构连贯的几何结构，以适用于下游的 CAD/CAM 任务。

制造实用性： 精修后的模型可直接用于设计手术导板和修复体，减少了人工干预的需求，并提高了数字化工作流的鲁棒性。
处理不确定性： 该方法通过利用基于群体先验的信息，有效地缓解了采集伪影和分割不准确性的影响，填补了数据缺失或存在歧义的区域。
局限性与范围： 作者坦诚地指出，目前的验证仅限于单一牙种（上颌第一磨牙）和特定的数据集规模。他们承认，由于在临床场景中无法观测接触区域的真实形态，因此无法进行直接的针对地面真值的定量验证。未来的工作方向包括将该框架扩展到其他牙种、实现初始化自动化，以及针对缺失数据模式进行系统的敏感性分析。