编辑推荐：
在口腔医疗数字化进程中，为解决牙齿分割难题，研究人员开展了基于适配分割一切模型（SAM）的牙齿分割研究。实验表明，Tooth - ASAM 在多模态牙齿图像分割上性能卓越。这一成果对口腔正畸、种植和修复意义重大。
随着人们生活水平的提高，口腔健康越来越受到重视。但全球口腔疾病患病率却在不断攀升，据 2022 年全球口腔健康状况报告，近 35 亿人饱受口腔疾病困扰。在这样的大背景下，口腔医院的数字化转型势在必行，而精确的牙齿分割在正畸、口腔种植手术和修复学的数字化诊断、设计、治疗以及定制器具制造中起着关键作用。
然而，实现精确的牙齿边界和牙根分割困难重重。牙齿缺失、牙根复杂的形态、牙齿图像中低对比度和不均匀的强度分布等，都为牙齿分割带来了挑战。传统的卷积神经网络（CNNs）虽然在计算机视觉任务中取得了显著成就，但因其感受野小，难以捕捉全局信息。Transformer 模型虽能解决这一问题，但现有方法大多集中于单模态图像，无法充分利用多模态成像数据中的丰富信息。
为了解决这些问题，浙江树人大学信息科学与技术学院以及浙江 - 荷兰口腔疾病数字诊疗联合实验室的研究人员开展了相关研究。他们提出了一种名为 Tooth - ASAM 的新型牙齿分割方法，该方法利用了分割一切模型（SAM）的强大能力，并对其进行了适配优化。研究结果表明，Tooth - ASAM 在多个数据集上都取得了优异的成绩，在 Dice 系数、IoU、HD95 和 ASSD 等关键指标上表现出色，优于其他对比方法。这一研究成果发表在《Scientific Reports》上，对口腔医学领域的临床应用具有重要意义，有望推动口腔医疗数字化的发展。
在研究方法上，研究人员主要采用了以下关键技术：
- 基于 SAM 的适配调整：利用 SAM 的图像编码器、提示编码器和掩码解码器结构，对其进行适配。在图像编码器中添加三个适配器模块，以学习牙齿图像的详细信息；提示编码器采用与原模型相同的结构，随机生成提示点；掩码解码器在关键位置添加适配器模块，增强性能。
- 训练策略：采用适配器微调策略，并结合 Dice 损失和 BCE 损失的复合损失函数进行训练，提升模型性能。
- 多数据集评估：使用了 NC 发布数据集、Tooth 数据集、MICCAI - Tooth 数据集和 Vident - lab 数据集，涵盖了不同模态的牙齿图像，全面评估模型性能。
研究结果如下：
- 定量结果：将 Tooth - ASAM 与 CTA_UNet、SAM、MedSAM2D、WeSAM 和 MSA 等五种方法进行对比。在多个数据集上，Tooth - ASAM 在 Dice 系数、IoU、HD95 和 ASSD 等指标上均取得最佳成绩，MSA 次之。经 Friedman 检验，虽然 p 值表明各模型在这些数据集上性能差异无统计学意义，但 Tooth - ASAM 在数值上优势明显。
- 定性结果：通过可视化对比，在复杂牙齿形态的 CBCT 图像中，Tooth - ASAM 能生成更准确的边界；在自然牙齿图像和 X 射线图像中，它也能获得比其他方法更精细的分割边界，在低对比度情况下也能准确分割。
- 消融研究：对比 MSA 的图像编码器和掩码解码器，Tooth - ASAM 的对应组件在关键指标上表现更优，证明了其改进策略的有效性。同时，研究也指出了模型存在牙齿粘连、漏检、多检和小尺寸牙齿分割困难等问题，为后续改进提供了方向。
研究结论和讨论部分指出，Tooth - ASAM 在多模态牙齿图像分割领域表现出色，其基于 SAM 的方法利用了模型的泛化能力和零样本能力，适应性强。然而，该方法也存在一些局限性，如受设备分辨率、拍摄角度、牙齿复杂结构和病理因素影响，在处理特定问题时表现不佳，且数据稀缺和标注复杂。未来研究可探索半监督或无监督学习算法，结合生成对抗网络（GANs）进行数据增强，优化模型架构，提高计算效率，同时注重数据集的多样性，以进一步提升模型性能，使其在临床口腔医学中发挥更大的作用，为患者提供更精准的诊断和治疗方案。
