基于频率引导多尺度U-Net的牙齿全景X射线图像精准分割方法研究

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，有效解决牙齿全景X射线图像中边界模糊、金属伪影干扰等难题。该模型集成数据预处理插件模块，在Tufts Dental Database1上验证其超越现有方法的性能，为口腔CAD系统提供新解决方案。

　　

Highlight

• 我们提出频率引导多尺度U-Net（FGMS-UNet），其核心是多分支双交叉频率敏感掩模模块（MDFMM），通过并行双自注意力层（Db self-attention）整合内容增强自注意力单元（CA self-attention）与异常高频脱敏自注意力单元（AHfDs self-attention），实现目标特征的高效利用。

• 设计高灵活性的数据预处理插件模块，集成数据过滤、图像去噪和数据增强功能，从源头降低金属伪影干扰。

• 在公开Tufts Dental Database和私有数据集上验证，FGMS-UNet显著超越现有方法，并通过分布式实验模拟真实临床场景，展现卓越的临床应用潜力。

Related work

近年来卷积神经网络（CNN）在医学图像处理中表现突出，但现有研究多忽视频率信息对边缘模糊物体的分割价值。我们受"CNN+数字信号处理"理念启发，将频域变换技术引入分割模型，通过小波变换单元捕捉图像特异性低频（整体强度）与高频（边缘轮廓）信息。

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设计包含自注意力单元、小波变换单元和频率融合单元，通过U型网络从频域角度捕获牙齿结构特征。

Datasets and data pre-processing

Tufts Dental Database¹：包含1000张专业标注的全景牙科X射线图像，涵盖正常与异常牙齿数据。我们设计的多功能预处理模块可执行自适应直方图均衡化（CLAHE）和非局部均值去噪，有效提升数据质量。

Performance comparison studies

在TDD数据集上与UNet、Trans UNet等方法对比显示，FGMS-UNet的Dice系数提升12.7%，特别在含金属修复体的病例中表现出更强鲁棒性。消融实验证实MDFMM模块使边界分割准确率提高23.4%。

Conclusion

FGMS-UNet通过频域特征重构和内容-边缘协同优化机制，为临床牙齿结构分割提供高精度解决方案。分布式实验验证其在不同牙科病理条件下的稳定性能，突破传统方法对复杂边界的处理瓶颈。