基于特征引导多层编解码网络的3D口腔扫描数据分割方法：提升正畸诊断与治疗规划的精准性

本研究针对正畸诊断中畸形牙分割的鲁棒性差和邻牙特征混淆问题，提出了一种基于层次特征引导的U型3D牙模分割方法。通过结合局部均值与全局标准差的新型归一化方法、推拉策略优化点云密度，以及倒置瓶颈全局特征提取流，在自建畸形牙数据集上实现了96.6%的总体准确率(OA)和90.8%的平均交并比(mIoU)，较现有方法提升显著。该研究为智能虚拟正畸系统开发提供了高效精准的技术支撑。

　　

在数字化正畸领域，精准分割牙齿模型是制定个性化治疗方案的基础。然而，现有深度学习算法在处理畸形牙数据时面临三大挑战：复杂几何特征提取困难、稀疏区域细节丢失、以及邻牙类别特征混淆。这些问题直接影响正畸方案制定的准确性，甚至可能引发牙龈退缩等风险评估误差。Tian Ma等人在《Scientific Reports》发表的研究，通过创新性网络架构设计，为这些临床难题提供了突破性解决方案。

研究团队采用三大核心技术：1）构建特征引导深度编码器架构，引入局部均值与全局标准差结合的归一化方法；2）采用推拉策略动态调整点云密度参数α₁和β₁；3）设计倒置瓶颈全局特征提取流，通过特征动态缩放（从64维扩展到512维再压缩回64维）增强语义识别能力。实验数据包含自建的1,103例半颌畸形牙模型（覆盖9类畸形）及Teeth3DS、3D-IOSSeg公开数据集。

特征引导深度编码器

通过最远点采样(FPS)和K近邻(KNN)算法构建局部特征后，创新性地采用公式(5)的归一化方法：grouped_points′=(grouped_points-μ₁)/(σ₁+ε)，其中μ₁取局部均值、σ₁取全局标准差。配合公式(10)的推拉策略，当标准偏差变化率Δ>1时增大点间距，Δ<1时缩小点间距，显著提升了不同密度区域的适应性。

倒置瓶颈全局特征提取

如图5所示，通过MLP块实现特征维度动态变换（64→128→512→64），结合最大池化捕获全局特征。该设计使模型参数量仅1.54M，但全局特征识别能力超越PointNet等基准方法，邻牙误分割率降低5.7%。

实验结果

在自建数据集上达到96.6% OA和90.8% mIoU，较PointNet提升3.4%和8.2%。如图7所示，对"达芬奇黑三角"（牙龈退缩形成的齿间三角区）等复杂畸形，该方法能准确识别边界，而MeshSegNet等对照方法在缺损区域产生大量错误分片。在公开数据集Teeth3DS和3D-IOSSeg上分别取得96.4%/94.5% OA和94.5%/86.8% mIoU，验证了泛化能力。

研究结论表明，该方法通过层次化特征引导机制，有效解决了畸形牙分割中的三个关键问题：1）归一化与推拉策略克服了点云不规则分布的影响；2）倒置瓶颈结构增强了全局特征表达能力；3）轻量化设计（仅1.54M参数）使单牙模型推理时间控制在0.3秒。尽管在长尾数据（如种植体螺丝残根）识别方面仍有改进空间，但该技术已为虚拟正畸系统提供了更可靠的自动化分割方案，其与扩展现实(XR)技术的结合将成为未来研究重点。