基于双域变换处理的高效全景牙科X射线图像分割模型

本文创新性地提出频率引导多尺度U-Net（FGMS-UNet），通过多分支双交叉频率敏感掩模模块（MDFMM）和频率敏感交叉融合策略，有效解决牙科X射线图像中边界模糊、金属伪影干扰等难题。结合多功能数据预处理模块，在Tufts Dental Database上实现超越现有方法的精准牙齿分割，为口腔CAD系统提供新范式。

　　

Highlight

• 提出频率引导多尺度U-Net（FGMS-UNet），以多分支双交叉频率敏感掩模模块（MDFMM）为核心，实现模糊边缘牙齿的精准分割

• 设计高灵活度数据预处理插件模块，集成数据过滤、图像去噪与数据增强功能

• 在Tufts Dental Database和私有数据集上验证模型优越性，并通过分布式实验模拟真实临床场景

Related work

近年来，卷积神经网络（CNN）在医学图像处理领域表现卓越。基于CNN的全卷积网络（FCNN）通过堆叠卷积层学习抽象表征，显著推动医学图像分割发展。

Overview

如图2(a)所示，FGMS-UNet包含四大组件：数据预处理模块、编码器模块、多尺度嵌套解码模块和解码器模块。图2(b)展示的多尺度嵌套子单元整合了自注意力单元、小波变换单元和频率融合单元，通过U型网络捕获图像特异性低频与高频信息。

Datasets and data pre-processing

Tufts Dental Database¹：该多模态全景X射线数据集包含1000张专业标注图像，详细记录正常与异常牙齿特征，为算法验证提供基准。

Performance comparison studies

在TDD数据集和私有数据集上，FGMS-UNet与UNet、TSASNet、Trans UNet等方法对比显示显著优势。实验采用原作者提供的实现技术确保公平性。

Conclusion

本研究表明，FGMS-UNet能自动从全景牙科X射线图像中精确分割完整牙齿结构，其创新的多尺度嵌套架构和频率敏感设计为临床诊断提供重要支持。