基于CBCT与全景X线的智能牙齿分割编号系统PXseg：优化标注与预训练策略提升牙科影像分析效能

本研究针对全景X线(PX)影像中牙齿分割与编号的精度挑战，创新性地利用CBCT生成的ctPX进行预训练，通过优化3D-2D标签转换策略显著提升模型性能。PXseg系统在内部测试中实现牙齿分割DSC 0.882、编号F1-score 0.943，异常形态检测准确率达0.957，临床诊断效率提升50%。该研究为数字化牙科诊疗提供了高效AI解决方案。

　　

在口腔临床实践中，全景X线(PX)因其低成本、低辐射等优势成为最普及的影像检查手段。然而这种二维成像存在先天缺陷：牙齿重叠、根尖边界模糊、金属伪影干扰等问题长期困扰着精确诊断。更棘手的是，传统PX标注依赖经验丰富的牙医手工勾画，不仅耗时耗力，在复杂病例中连专家也难以确定精确的牙齿边界，导致标注一致性难以保证。这些痛点严重制约了AI技术在牙科影像分析中的应用深度。

四川大学华西口腔医院正畸科的研究团队另辟蹊径，创新性地将高精度三维影像CBCT引入解决方案。通过开发PXseg系统，研究人员构建了"CBCT预训练-PX微调"的双阶段训练范式。该系统基于改进的BlendMask架构，利用2580例CBCT衍生的ctPX数据进行预训练，将CBCT精确的3D标签转化为优质2D标注，再使用336例常规PX(cPX)进行模型微调。这种策略突破了传统PX标注的质量瓶颈，在《BMC Oral Health》发表的研究中展现出显著优势。

关键技术包括：1)采用轴向最大强度投影(MIP)技术将CBCT 3D标签转化为ctPX 2D标签；2)构建多中心数据集(258 CBCT/420 PX)增强模型泛化性；3)设计混合损失函数整合检测框(GIoU)、分割(BCE)和分类损失；4)建立辅助诊断网站实现临床转化。

研究结果显示：

1. 牙齿分割性能：PXseg-A的DSC达0.882，较无预训练模型提升4.6%。可视化分析显示分割结果与金标准高度吻合，仅在上颌前磨牙区(平均DSC 0.84)和下颌切牙区(0.819)存在轻微边缘误差。

   

2. 牙齿编号精度：采用FDI编号系统，模型整体F1-score达0.943。典型错误包括：将拥挤前磨牙误判为相邻牙位(3.7%)，以及将阻生第三磨牙识别为骨岛(2.3%)。

   

3. 异常检测效能：在含复杂病例的外部测试集中，对残根、根弯等9类异常的识别准确率达95.7%，使低年资医师诊断准确率平均提升17.6%(P<0.001)，诊断时间缩短50%。

这项研究开创性地将CBCT作为医学先验知识引入PX分析，通过3D-2D标签转换策略突破了二维影像的标注瓶颈。临床转化方面，团队构建的诊断辅助网站(http://test.zbeiyun.com:59999/)可实现1.5分钟/例的快速分析，显著提升诊疗效率。未来通过扩充混合牙列数据集、优化根尖区分割算法，该系统有望成为口腔数字化诊疗的基础设施。该成果不仅为医学影像分析提供了"高质量预训练-临床场景微调"的新范式，其开源策略更将加速AI在口腔健康管理中的普及应用。