让AI看懂牙齿：DentalSegmentator如何实现牙颌面影像自动分割（文献阅读）

论文基本信息

• 标题：DentalSegmentator: Robust open source deep learning-based CT and CBCT image segmentation
• DOI：10.1016/j.jdent.2024.105130 ([x-mol.com][2])
• 作者：G. Dot, A. Akhilanand Chaurasia
• 出处：Journal of Dentistry，2024年。

一、研究背景

随着数字化三维数据在牙科领域的普及（如CT、CBCT、口内扫描和面部扫描），牙科诊断、治疗规划及手术导航正逐步依赖高精度的三维模型。这些模型的生成需要对影像进行精确分割（segmentation），通常包括上颌骨、下颌骨、上下牙列及下颌管等结构。

然而，传统手动分割非常耗时（专家需2–5小时完成一例），即使半自动方法也需人工修正。深度学习的兴起为全自动分割提供了可能，但此前研究普遍存在样本量小、验证集单一、泛化性不足等问题。

二、研究目的

该研究的目标是提出并验证一个完全开源的自动化分割工具——DentalSegmentator，用于在牙颌面CT与CBCT影像中分割五个主要结构：

• 上颌骨/颅骨（maxilla/upper skull）
• 下颌骨（mandible）
• 上牙（upper teeth）
• 下牙（lower teeth）
• 下颌管（mandibular canal）

三、研究方法

1. 数据集构建

• 内部数据集：603例患者（453例CT，150例CBCT），来自法国两家颌面外科中心，用于训练与内部测试。
• 外部数据集：123例来自印度5家机构的CBCT检查，用于验证泛化性。
• 总训练/验证集470例，内部测试集133例，外部测试集123例。

2. 标注流程

• 内部数据集由专业机构Materialise执行双重人工验证的半自动标注。
• 外部数据集先使用一个已公开的CT模型自动分割，再由5名牙医修正，最后由资深专家逐层确认。

3. 深度学习模型

• 使用 nnU-Net（v2.2.1）框架，自动配置预处理、架构及训练参数。
• 模型训练约24小时，使用Titan RTX显卡。
• 模型推理时间：1–2分钟/例。

4. 性能评价指标

• Dice相似系数（DSC）
• Normalized Surface Distance（NSD）：表面距离精度（容差1mm）

---

四、主要结果

数据集	DSC均值	NSD均值	备注
内部测试集（133例）	92.2 ± 6.3 %	98.2 ± 2.2 %	多数病例含金属伪影
外部测试集（123例）	94.2 ± 7.4 %	98.4 ± 3.6 %	多种CBCT设备验证

细分类别结果显示，下颌管的分割精度最低（DSC约81–87%），而上下牙与骨骼的精度均超过95%。

五、模型开源与应用

作者将训练好的模型与代码完全公开：

• 预训练模型可通过命令行使用（nnU-Net 2.2.1）

• 3D Slicer 插件版 DentalSegmentator（图4，第5页）

  • 一键自动分割五类结构
  • 可进行人工验证与导出STL模型
  • 开源地址：https://github.com/gaudot/SlicerDentalSegmentator

普通笔记本（RTX 2000 GPU）平均推理时间约178秒。

六、讨论与意义

1. 性能对比
   本研究的DSC结果（92–94%）与现有文献持平或略高，且在外部多中心数据上仍保持良好表现，显示出强泛化能力。

2. 临床价值
   提供了一个免费、可视化、易操作的开源工具，使研究者与牙科医生无需编程即可获得高质量三维模型，助力数字化正颌外科、种植规划和教育。

3. 局限性

   • 数据为回顾性收集，CBCT设备种类有限；
   • 无法验证儿童乳牙适用性；
   • 每颗牙未单独标注；
   • 模型尚未临床认证，仅供研究使用。

七、结论

该研究基于700余例多机构CT/CBCT数据，开发并验证了DentalSegmentator——一个开源、免费、鲁棒的多结构自动分割工具。

其结果表明，该工具能显著减少人工工作量，为牙科数字化工作流程提供高质量的三维模型。

文章持续更新，可以关注微公【Radiology AI Camp】获取最新动态。人手有限，文中涉及的链接前往微公对应文章查看。关注Tina姐，一起学习进步~

我是Tina, 我们下篇博客见~

白天工作晚上写文，呕心沥血

觉得写的不错的话最后，求点赞，评论，收藏。或者一键三连