基于深度学习实现CBCT影像下颌管自动分割的创新框架与公开数据集研究

《BMC Oral Health》：Deep learning for automated mandibular canal segmentation in CBCT scans

本研究针对CBCT影像中下颌管手动分割存在劳动强度大、观察者间变异性强的问题，开发了基于3D U-Net的自动分割框架ManCan_ResU-Net。该研究构建了目前最大的公开下颌管细分注释数据集MCSTU（含236例CBCT），模型在独立测试集上达到DSC 0.80、HD95 2.59mm的优异性能，并通过后处理显著降低Hausdorff距离。研究成果为口腔手术规划提供了可靠工具，所有代码、模型及数据均已开源。

　　

在口腔颌面外科手术中，下颌管（又称下牙槽神经管）的精准定位犹如神经外科手术中的"禁区导航"，其重要性不言而喻。这条位于下颌骨内的管道承载着下牙槽神经和血管，是种植牙、正颌手术、创伤处理等常规操作的"高危区域"。一旦术中损伤该结构，可能导致患者面部感觉异常、麻木或出血等严重并发症，严重影响生活质量。

目前临床依赖锥形束CT（CBCT）进行三维成像评估，但医生手动标注下颌管的过程不仅耗时耗力，更存在显著的主观差异性。尽管深度学习技术已在医学影像分析领域展现出强大潜力，但下颌管自动分割仍面临三大挑战：公开数据集稀缺（仅ToothFairy数据集153例样本）、算法性能有限（既往研究DSC多低于0.79）、以及代码模型未公开导致的重复开发困境。

针对这些痛点，黄静娜等人在《BMC Oral Health》发表的研究构建了迄今最大的公开下颌管细分注释数据集MCSTU，并开发了创新分割框架。该研究通过实证解决了"数据荒"与"算法瓶颈"双重难题，为口腔手术智能化规划提供了新范式。

研究团队采用三大关键技术方法：首先基于单中心236例CBCT扫描构建开发数据集（218例）与独立测试集（18例），所有数据均经资深医生采用ITK-SNAP软件进行切片级精细标注；其次设计定制化3D U-Net模型ManCan_ResU-Net，采用软Dice相似系数（DSC）损失函数与连接组件分析后处理；最后通过八项指标（ACC/SEN/SPE/DSC/HD/HD95/ASD/ASSD）系统评估性能，所有实验均遵循五重复交叉验证原则。

模型架构优化

如图1所示，ManCan_ResU-Net采用编码器-解码器结构，在经典U-Net基础上引入残差连接模块。与采用ImageNet预训练编码器的U_net_efficientnet-b0、U_net_resnet34相比，该定制模型从零开始训练仍取得最低验证损失（0.163）。研究还发现，训练时同时使用含下颌管的正样本与5%随机负样本，比仅用正样本获得更优性能（测试集DSC提升0.004）。

后处理效能验证

连接组件分析后处理（cc3d.dust阈值2500）展现出显著优势。在保留测试集上，该操作使豪斯多夫距离（HD）从18.4mm降至10.1mm，平均表面距离（ASD）从0.71mm优化至0.69mm。值得注意的是，这种改进无需增加模型复杂度，仅通过去除小尺度噪声预测即实现边界精度提升。

多维度性能评估

在独立测试集上，模型获得灵敏度（SEN）0.93与DSC 0.80的均衡表现。尽管特异性（SPE）和体素精度（ACC）均达1.00，但HD指标（21.3mm）明显高于保留测试集，提示数据分布差异对边界精度存在影响。通过最差、最佳、典型案例的可视化对比（图3-5）发现，即使DSC最低的预测结果仍保持连续解剖形态，满足临床安全性要求。

讨论与展望

该研究开创性地构建了包含独立测试集的公开数据集，打破了既往研究数据封闭的壁垒。ManCan_ResU-Net在保持模型简洁性（单阶段推理）的同时，通过后处理实现了与复杂两阶段算法相当的精度（DSC 0.85）。值得注意的是，独立测试集性能衰减现象揭示了单中心数据的局限性，作者计划通过多中心数据收集与域自适应风格迁移技术进一步提升泛化能力。

研究也存在若干局限：所有数据源自同一CBCT设备（Carestream Dental Co.），未包含第三磨牙阻生等复杂病例验证。但通过全面开源数据、代码与模型（Kaggle及Google Drive平台），该工作不仅为后续研究树立了可复现标杆，更将推动临床转化进程。当模型经历更多样化验证后，有望成为口腔手术规划的"AI导航仪"，显著降低神经损伤风险，实现从实验室精度到临床效用的跨越。

这项研究的意义远超技术本身——它通过构建开放科学生态，将下颌管分割领域从"闭门造车"推向"协同创新"。正如作者所言，只有当AI算法经历足够多样的临床场景验证后，才能真正成为医生值得信赖的数字化助手。随着多中心研究的推进，这套框架有望在未来成为口腔颌面外科的标准化预手术规划工具。