《Forensic Imaging》:Objective comparison of 3D dental scans in forensic odontology identification
编辑推荐:
在法医牙科灾难受害者身份识别(disaster victim identification, DVI)中,评估死后(post mortem, PM)牙列与数据库中生前(ante mortem, AM)牙科记录之间的相似性至关重要。为使AM记录能按匹配可能性排序
在法医牙科灾难受害者身份识别(disaster victim identification, DVI)中,评估死后(post mortem, PM)牙列与数据库中生前(ante mortem, AM)牙科记录之间的相似性至关重要。为使AM记录能按匹配可能性排序,相似性评估须产生直观、定量的评分。本研究提出一种能有效区分口内三维光学扫描(intraoral 3D photo scan, IOS)所获三维牙列表面的评分方案,并在独立数据集上验证。该评分方案利用两个层级的表面相似性——从表面表示的局部(local)相似性到基于相对关键点(keypoint)排布的区域(regional)相似性。该评分方案在验证数据上展现出卓越的判别力,受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)达0.990(95% CI 0.988–0.992)。在可获取AM三维数据的DVI工作流程中应用此类评分系统,可提供初步匹配可能性,使法医专业人员能依据牙列相似性的客观度量优先处理案例并更高效地分配资源。
论文解读——《Objective comparison of 3D dental scans in forensic odontology identification》(发表于 Forensic Imaging )**
一、研究背景与立题依据
灾难受害者身份识别(disaster victim identification, DVI)中,INTERPOL认定DNA、指纹及牙科比对为三大主要识别手段。临床牙科记录可构建灾难专用牙科数据库,使牙科比对成为高效识别方法。随着口内三维表面扫描仪(intraoral scanner, IOS)在牙科临床普及,大量生前(ante mortem, AM)记录含数字三维牙列表面模型,尤其对修复体较少的遗体,其价值超越传统二维(2D)数据。然而目前尚无共识指导如何利用这些三维牙列表面模型进行身份识别,亦缺乏自动化流程。现有全自动三维牙科AM–PM比对定量评分方法较少;传统的全局表面叠加(superimposition)法无法包容牙列随时间的个体差异(如近中移行mesial drift、灾害致部分缺牙),易将正确匹配因个体内变异而排除。单纯基于牙弓曲线或全牙列整体表面的匹配也受IOS长距离精度下降影响。因此,有必要开发兼顾局部表面曲率特征与区域关键点相对位置的评分体系,以容忍个体内变化并放大个体间差异,实现AM数据库的自动排序与初筛。
二、主要关键技术方法与样本队列
研究人员使用两个独立数据集分别用于评分方案开发与验证,以避免偏倚:①正畸诊所匿名青少年数据集(SMD,Scanned Mouth Dataset):1999名7–18岁个体的IOS(3Shape TRIOS 3 wireless),筛选97人各扫描≥2次且间隔>6个月,共404幅IOS,经正中矢状面与额状面各剖分为半颌,每幅IOS生成全颌、左右半、前后半共5版本,总计2020个牙列网格(mesh),预期含生长、替牙、正畸移动等真实时间差异;②健康成人志愿者数据集(HVD,Healthy Volunteer Dataset):51名23–61岁成人(中位39岁)接受两次IOS扫描(Primescan AC,Sirona),中位间隔6个月(132–218天),同样剖分后共1020个mesh,其中同一人不同时间点配对为真匹配(match)共4284对,所有不同人间配对为假匹配(mismatch),总计515100对。两数据集IOS均经grid?cutting去除软组织。比对流程沿用先前Kofod Petersen等人提出的四步关键点管线:网格预处理(grid?cutting)→基于曲率差(Difference of Curvature, DoC)的关键点检测→基于方向符号直方图(Signed Histogram of OrienTations, SHOT)的关键点表示→关键点相似性评分(计算IOS?A各关键点至IOS?B最近与第二近欧氏距离L2之比,取最低L2比值子集的算术均值表征局部相似性;取最佳匹配8个关键点的相对空间排布做广义Procrustes分析(generalized Procrustes analysis, GPA)得差异度(disparity)表征区域相似性;最终评分为算术均值(前15关键点)与GPA差异度(前8关键点)的加权组合,经SMD优化权重为90%/10%)。为克服类别不平衡,HVD采用分层自助抽样(bootstrap)与随机欠采样评估ROC?AUC及PR?AUC。
三、研究结果
Estimating a good model using the SMD data
研究人员通过在SMD子样本中计算匹配与不匹配L2比值分布间的Wasserstein距离,确定不同评分指标的最优关键点数目(算术均值取15点,几何与调和均值取8–16点,GPA差异度取8点)。为平衡区分度与稳健性,选定曲线肩区(slope=75%×max slope)处的关键点数。进一步测试加权平均分(算术均值+GPA差异度)发现,当GPA差异度权重10%、均值权重90%时SMD批次匹配/不匹配分布重叠范围最小,故选用算术均值(前15点)与GPA差异度(前8点)按90%/10%加权作为最终评分方案,SMD仅用于参数优化不作性能宣称。
Evaluation of the pipeline in the HVD data
在独立HVD数据集上,旧版四分位距(interquartile range, IQR)评分的匹配与不匹配分布严重重叠(Wasserstein距离仅0.03),无法明确区分;而新评分方案(单独算术均值、单独GPA差异度及二者加权)均显著拉开分布。加权平均分(Wasserstein距离最大)表现最优:ROC?AUC达0.990(95% CI 0.988–0.992),PR?AUC与之相符;94.9%的真匹配得分位于不匹配分布第5百分位数之外,表明评分数值本身可反映匹配置信度——分值越低越可能为同一人。
Results applied in a forensic setting using ranks
模拟DVI中AM库按相似度排序PM扫描的场景,以排名为指标(排名为优于真匹配的错配数),加权评分下94.49%真匹配排名为0(即无错配排于其前或被其他真匹配并列最优),96.80%真匹配排名≤5;仅5例(0.49%)出现假阳性排名第一,其中4例真匹配在排名≤3内,末例虽被错配居首但其得分(0.57)未落入高置信匹配区间(最低错配得分0.57,该例真匹配最高仅0.63),说明低分值匹配具高可信度,评分方案适用于AM记录排序初筛。
A close look at the false negative comparisons
在137例(3.2%)排名>5的假阴性(false negative)中,仅10例涉及全颌比较,多为部分牙列(patial IOS)比对所致。64例因grid?cutting过度去除匹配牙面致有效匹配区域不足;剔除此类预处理因素后,仅剩1.7%匹配比较排名>5。另有73例源于极小匹配面积(仅1/4全颌)致固定数量(15个)关键点被迫混入非匹配关键点从而抬高评分——此现象在有限牙列面比较时预期发生,不影响全颌AM比对为主的DVI场景。
四、讨论与结论总结(翻译浓缩)
本研究利用不同时间点活体IOS数据改进先前三维牙面匹配定量评分管线。经优化的加权评分(前15最佳匹配关键点算术均值+前8最佳匹配关键点GPA差异度,权重90%/10%)较原IQR评分显著提高同异源配对区分度,验证集ROC?AUC达0.990。该方法仅依赖关键点周围2 mm半径内局部表面曲率表示(local similarity)及关键点相对排布(regional similarity via GPA),故对修复治疗、磨耗、个别牙缺失等个体内变化具鲁棒性。算术均值使分布限定于较窄范围,GPA差异度拉大组间均值差但分布尾部长致重叠增大,二者加权互补最优。需注意固定关键点数目要求待比对的牙列表面具足够面积,极少量匹配牙面时评分置信度降低——此局限可通过预处理质量控制和了解比对前提规避。46.7%假阴性归因grid?cutting去组织不当,建议自动化软硬组织分离加人工质控。所提评分方案简明直观,可供法医牙科学家快速初判AM–PM是否可能匹配,并对AM数据库按匹配可能性排序,提升大规模灾难个体识别效率。代码公开于
https://github.com/AnikaKofodPetersen/Scoring_scheme 。