基于深度学习的口内三维扫描点云自动修复技术研究

针对口内扫描(IOS)中因复杂口腔环境导致的三维点云数据缺失问题，浙江大学医学院附属口腔医院团队开发了基于Point Fractal Network(PF-Net)的深度学习模型。研究通过4162颗牙齿样本验证，该模型在5%-20%数据缺失率下平均Chamfer distance(CD)值<0.01，单次修复仅需0.5秒，显著提升数字正畸工作流的精度与效率。

　　

在数字化口腔诊疗时代，口内扫描(IOS)技术虽已逐步取代传统印模，但扫描过程中因唾液干扰、软组织移动等因素造成的点云数据缺失，始终是困扰临床的"阿喀琉斯之踵"。据统计，超过80%的扫描需重复操作补全数据，不仅延长20分钟/次的椅旁时间，更可能因人工修补引入误差。浙江大学医学院附属口腔医院的研究团队在《International Dental Journal》发表的研究，为这一难题提供了智能解决方案。

研究采用基于PF-Net的深度学习架构，通过314例iTero Element扫描数据构建含4162颗牙齿的数据集。关键技术包括：1)使用MeshSegNet实现牙齿自动分割；2)采用多分辨率编码器(MRE)提取特征；3)结合点金字塔解码器(PPD)生成缺失区域；4)引入对抗训练策略优化生成质量。测试时模拟5%-20%四种数据缺失率，以Chamfer distance(CD)和Hausdorff distance(HD)作为评估指标。

结果部分显示：

1. 模型训练：在15%缺失率下表现最优，CD值最低达0.0041±0.0006，Loss_G和Loss_D曲线稳定收敛。
2. 精度验证：除5%缺失率(CD=0.011)外，其余缺失率CD均<0.01，20%缺失时仍保持0.0043±0.0009。HD全程<0.2，10%缺失率最优(0.1692±0.0296)。
3. 效率测试：单颗牙齿修复耗时0.5秒，满足临床实时需求。视觉评估显示生成点云在牙冠边缘等关键解剖结构保持高度一致性。

讨论指出，该研究首次将生成对抗网络(GAN)应用于IOS数据修复，突破传统体素化方法的分辨率限制。相较于现有技术，其优势体现在：1)保留原始几何拓扑，避免全局形状扭曲；2)通过条件多层感知机(CMLP)实现局部细节重建；3)迭代最远点采样(IFPS)算法提升特征点选择效率。临床价值在于可将全牙列扫描时间缩短30%，同时使修复体边缘适合性误差控制在50μm以内。

局限性在于对重度龋坏等复杂病例适应性不足，未来拟通过迁移学习增强模型泛化能力。这项研究为数字牙科AI应用树立新标杆，其技术框架亦可拓展至面部扫描等医疗三维重建领域，为智能诊疗提供新范式。