CBCT图像中下颌管自动分割的深度学习策略比较：2D、2.5D与3D网络在公共与外部数据集上的性能评估

本研究针对CBCT图像中下颌管(MC)手动分割效率低、易受主观影响的问题，系统比较了2D、2.5D和3D CNN及3D Swin UNETR在相同GPU内存下的分割性能。3D-UNet通过IC技术和多平面Dice损失(MDL)显著提升边界细节与结构连续性（JI 0.569±0.107，DSC 0.719±0.092），为口腔颌面手术规划提供可靠自动化工具。

　　

在口腔临床实践中，下颌管(Mandibular Canal, MC)的精准定位是避免种植牙和第三磨牙拔除术中损伤下牙槽神经的关键。然而，当前依赖医生手动分析CBCT图像的方式存在效率低下、结果易受主观影响的问题，且低对比度图像中MC的模糊骨皮质边界进一步增加了识别难度。针对这一临床痛点，首尔国立大学(Seoul National University)的研究团队在《BMC Oral Health》发表了一项开创性研究，首次系统比较了2D、2.5D和3D深度学习模型在MC自动分割中的性能差异。

研究团队采用公共数据集ToothFairy2023（153例CBCT）和首尔国立大学牙科医院的30例外部数据，在统一GPU内存限制下训练了包括2D-ResUNet、2D-AttUNet、2.5D集成网络、3D-UNet及3D-Swin UNETR在内的多种模型。关键技术包括：1）图像裁剪(IC)技术通过矢状面分割倍增训练数据；2）多平面Dice损失(MDL)强化三维结构连续性；3）采用Jaccard指数(JI)、DSC等指标量化性能。所有模型均通过PyTorch在NVIDIA RTX A6000上实现。

主要研究结果

1. 三维网络展现显著优势
在公共测试集上，3D-UNet以JI 0.569±0.107和DSC 0.719±0.092显著优于2D/2.5D网络（p<0.05），其三维卷积操作能有效捕捉MC的空间连续性。如图3所示，3D-UNet预测结果（黄色区域）的假阳性（红色）和假阴性（绿色）最少。

2. 2.5D网络的折中性能
2.5D-AttUNet通过轴向、矢状和冠状面预测集成，PR值达0.715±0.120，优于纯2D网络。但其缺乏三维上下文信息，导致MC模糊区域出现断裂（图4蓝箭头）。

3. 技术创新提升细节
IC技术使所有网络RC提升约0.1，MDL损失使3D-UNet的MC连通性DSC提高12%。图7显示3D-UNet从颏孔至下颌孔的DSC曲线最平稳，证实其结构保持能力。

4. 外部验证显稳健性
在独立外部数据集上，3D-UNet保持JI 0.564±0.092和DSC 0.716±0.081的稳定表现，证实其泛化能力。

研究启示

该研究首次证实：在相同计算资源下，3D-UNet通过三维卷积学习MC全容积特征，其性能显著优于2D/2.5D方法。IC技术和MDL损失的引入，解决了小样本训练和三维结构断裂的难题。尽管3D-Swin UNETR因局部特征学习不足稍逊于CNN，但研究为MC自动化分割建立了新基准，有望将临床规划时间从小时级缩短至分钟级。未来需扩大样本验证不同CBCT设备的适应性，并探索轻量化3D网络部署方案。