基于语义与视觉特征强化学习的油茶病害多模态分割方法RLEM-Net

本文提出首个文本引导的牙科种植体设计框架TCEAD，通过引入文本引导定位（TGL）模块和基于MeshMAE的自监督预训练，实现种植体参数（穿龈高度/直径/咬合距离）的精准预测。该方法将交并比（IoU）提升0.8%–12.85%，为个性化基台自动化设计提供突破性解决方案。

　　

研究亮点

• 提出首个文本条件嵌入基台设计框架（TCEAD），通过语义引导实现种植体参数的端到端预测

• 设计文本引导定位（TGL）模块，利用CLIP文本编码器将牙位描述转化为空间注意力，精准聚焦种植区域

• 基于MeshMAE的预训练策略增强模型对口腔扫描数据细粒度特征（如种植体深度/直径/对颌牙距离）的捕获能力

传统基台设计

基台修复空间的测量是基台预选的关键步骤。早期需手动测量穿龈高度（transgingival）、种植体直径（diameter）和龈颌距离（height）三维参数，而人工预选流程极其繁琐。

口腔扫描数据预训练

图1显示基台参数的确定高度依赖种植区域的横截面特征（如种植体深度、直径及对颌牙距离）。为此，我们采用大量口腔扫描数据预训练编码器，通过MeshMAE的掩码重建任务增强模型对局部几何特征的敏感性。

数据集

我们收集了6773组基台设计数据，随机划分为5494组训练集和1279组测试集。另包含1371组无标注口腔扫描数据用于预训练。同时引入公开数据集Teeth3Ds（含7797组口腔扫描数据）以提升模型泛化能力。

结论

TCEAD框架通过文本先验引导与自监督预训练的协同作用，显著提升基台参数预测精度。实验证明其交并比（IoU）超越主流方法0.8%–12.85%，为临床个性化基台自动化设计提供可靠工具。