基于多尺度图卷积神经网络与跨域融合的口内三维牙齿精准分割新方法

为解决口腔三维扫描中牙龈交界处边界模糊和复杂牙况的精准分割难题，研究人员创新性地提出了一种基于双分支架构的多尺度图卷积神经网络（GCN）与跨域融合模块（CFM）的深度学习方法。该方法通过坐标分支与法向量分支的协同特征提取，结合空间/通道注意力机制，在公开3D IOS数据集上实现了OA、mIoU和mAcc分别提升2.38%、2.66%和2.44%的突破，为数字化牙科诊疗系统提供了更精准可靠的解决方案。

　　

在数字化牙科诊疗领域，精准的牙齿分割与标注始终是核心挑战。尽管三维口内扫描(3D Intra-Oral Scanning)技术突飞猛进，但牙龈交界处的模糊边界和复杂牙列形态仍困扰着临床实践。这项研究另辟蹊径，将多尺度图卷积神经网络(Multi-scale Graph Convolutional Neural Networks)与跨域集成技术相结合，构建了革命性的双分支深度学习框架。

创新性地，该系统通过独立运作的坐标分支与法向量分支分别捕捉牙齿几何特征：坐标分支采用多尺度图卷积层层递进，精准锁定牙体细微结构；法向量分支则专注于表面曲率特征。最具突破性的是跨域融合模块(Cross-domain Fusion Module, CFM)，通过空间注意力图与通道注意力机制的协同作用，实现了两类特征的智能加权融合，使牙颈线等关键区域的识别精度显著提升。

在公开3D IOS数据集上的测试结果令人振奋：整体准确率(OA)提升2.38%，平均交并比(mIoU)和平均准确率(mAcc)分别跃升2.66%与2.44%，全面超越现有技术。该成果不仅为隐形矫治、种植修复等临床应用提供了更可靠的技术支撑，其创新的多尺度特征提取与跨域融合策略，更为三维医学图像分割领域开辟了新思路。