PrepNet：一种用于三维牙科扫描模型中制备牙自动检测与编号的多任务几何深度学习框架

《Journal of Dentistry》：PrepNet: A Multi-Task Geometric Deep Learning Framework for Automatic Detection and Numbering of Prepared Tooth in 3D Dental Scan Models

　　

摘要

**目标** 本研究旨在开发并评估PrepNet——一种多任务几何深度学习框架，用于在三维牙科扫描模型（DSM）中自动检测和编号预备牙。

**方法** 本研究提出了PrepNet，一种多任务几何深度学习框架，旨在从三维DSM中同时预测目标感兴趣区域（ROI）质心、估计ROI大小并分类牙齿编号。PrepNet集成了使用DGCNN（动态图卷积神经网络）进行局部图特征提取以捕获表面变化，并通过点云Transformer进行全局上下文建模以编码长距离牙科结构。

**结果** 与基线模型相比，PrepNet在ROI质心检测中的平均径向误差最低（1.498±0.884 mm），且在2.0 mm阈值下的成功检测率最高（80.29%）。在牙齿编号方面，PrepNet的分类准确率最高，达0.836。在ROI大小估计方面，PrepNet的最大偏差最低，为2.420 mm，平均绝对误差（0.620±0.480 mm）与表现最佳的基线模型相当。

**结论** PrepNet证明了多任务几何深度学习在三维DSM中对单颗预备牙进行自动检测和编号的可行性。

**临床意义** 该方法可能通过减少牙冠设计前的手动目标牙选择和ROI定义，从而提高单冠CAD/CAM设计工作流的效率。

---

**引言**

计算机辅助设计和计算机辅助制造（CAD/CAM）已成为当代数字化牙科学的重要组成部分，尤其在牙冠、嵌体、贴面和桥体等牙科修复体的设计与制作方面[1,2,3]。通过实现数字化采集、虚拟修复体设计和计算机辅助制造，CAD/CAM工作流可提高可重复性、缩短实验室周转时间，并促进临床医生与牙科技师之间的顺畅沟通[3,4]。在牙冠修复中，这些优势尤为重要，因为精确适应预备牙及周围牙列对于功能咬合、边缘完整性和长期临床成功至关重要[4,5]。典型的牙冠设计数字工作流始于获取患者牙列的三维（3D）牙科扫描模型（DSM）[6,7]。基于该3D DSM，临床医生或技师需识别预备牙、确定用于牙科修复体设计的感兴趣区域（ROI），并选择对应的牙齿编号，然后使用CAD软件生成修复体牙冠[8]。在许多现有工作流中，这些步骤仍需人工交互，包括目视检查扫描牙列、手动定位预备牙、手动指定目标牙齿索引以及凭经验调整局部设计区域。尽管此类操作在临床实践中属常规，但它们耗时且依赖于操作者，其变异性可能影响后续设计阶段。

准确识别目标预备牙是完全自动牙冠设计的前提条件。对于自动化牙冠设计，在生成牙冠之前需从三维牙科扫描模型中识别三类信息[6,7,8]：（1）目标ROI的空间位置，以标志点或质心坐标表示；（2）ROI的空间范围，以与冠宽相关的尺寸参数近似；（3）预备牙的牙齿编号，决定牙科修复体的解剖身份。即使预备牙被正确分类，其中心的定位不准确也可能导致局部扫描区域裁剪不当。同样，不准确的ROI大小估计可能排除重要的相邻结构或包含过多的不相关几何体，从而可能降低下游自动牙冠设计算法的性能。因此，稳健而精确地自动检测预备牙位置、ROI大小和牙齿编号，是迈向全自动CAD/CAM牙冠设计的基本步骤[6,7,8]。

尽管其重要性，三维DSM中的自动目标牙检测仍具有挑战性。3D DSM包含由患者特异性牙齿形态、牙弓形状、部分缺牙、错颌、咬合磨损以及扫描伪影（如噪声、孔洞和不均匀点密度）引起的复杂几何变化[7,9,10]。在预备牙的情况下，这些挑战更加突出，因为其形态被有意通过牙体削减和边缘形成所改变[11,12]。与完整牙齿不同，预备牙可能表现出平坦的咬合面、减少的牙尖解剖结构和不太明显的形状特征，使得使用传统的基于规则的方法或手工几何方法难以识别[13,14]。此外，相邻牙齿和牙龈结构可能在算法需同时确定目标牙位置和身份时引入歧义。

传统的牙科结构分析方法通常依赖于基于图像的处理、网格处理或手工设计的几何描述符[15,16,17]。然而，当应用于高度可变的3D DSM时，这些方法的鲁棒性可能有限，尤其是当目标解剖结构被部分修改或预处理假设被违反时。近年来，几何深度学习作为一种直接从非欧几里得三维数据（包括点云、图和网格）学习的框架，已显示出强大的有效性[18,19,20]。PointNet [21]、PointNet++ [22]、动态图卷积神经网络（DGCNN）[23,24]、PAConvNet [25]以及基于点的Transformer [26,27,28]等架构通过直接从无序点集中学习层次化和关系性几何特征，在三维物体分类、分割和标志点相关任务中表现出优异性能。由于3D DSM天然表示为点云或三角化表面，几何深度学习为自动牙科目标检测提供了一种合适的可扩展策略。然而，数字牙科学中大多数先前的研究集中于牙齿分割、全牙弓牙齿标注或牙科修复体生成，而较少关注用于下游牙冠生成的预备步骤——即识别目标预备牙并定义其设计ROI[11,12,29]。该任务不仅仅是标准的牙齿分类问题；它需要联合理解局部牙齿形态、全局牙弓上下文和几何尺度。一个临床实用的系统不仅需要确定哪颗牙已被预备，还需估计局部设计窗口应居中定位何处及其大小应为多少。这些需求促使开发一个几何深度学习框架，用于3D DSM中预备牙的目标ROI质心检测、ROI大小估计和牙齿编号的同步处理。

与先前主要关注牙齿分割、修复体形状生成或义齿设计的数字牙科学方法不同（这些方法通常假设预选的目标区域）[11,12,29]，PrepNet解决了自动牙冠设计所需的预处理步骤。具体而言，所提出的框架直接从3D DSM中联合检测预备牙的ROI质心、ROI大小和牙齿编号，从而减少了对下游牙冠生成前手动选择目标预备牙的依赖。

在本研究中，我们提出了一种基于几何深度学习的方法，命名为PrepNet，用于3D DSM中预备牙的自动检测和编号，以服务于牙冠设计。所提出的框架旨在从3D DSM中预测目标ROI位置、估计相对于牙冠宽度的ROI大小，并对预备牙的牙齿编号进行分类。为验证所提出方法的有效性，我们将其与代表性的几何深度学习架构进行比较，包括PointNet、PointNet++、DGCNN和PAConvNet。我们使用标志点坐标误差评估目标定位性能、使用ROI大小误差评估局部设计区域估计性能、使用牙齿编号分类误差评估解剖识别性能。通过直接解决目标预备牙识别这一先决步骤，本研究旨在为数字牙科学中的全自动CAD/CAM牙冠设计提供一种预处理方法。

零假设为：PrepNet与代表性几何深度学习模型（PointNet、PointNet++、DGCNN和PAConvNet）在ROI质心检测、ROI大小估计和牙齿编号分类方面无显著差异。备择假设为：PrepNet在这三个任务上与基线模型相比将表现出显著的性能差异。

---

**数据集与预处理**

本回顾性研究使用了利用台式扫描仪（D2000，3Shape，哥本哈根，丹麦）为数字化牙冠修复规划与设计所采集的3D DSM数据。每个3D DSM包含对颌牙和预备牙，牙弓几何以三维表面表示（图1）。纳入标准包括具有明确可识别预备牙且扫描质量足以用于冠设计的3D DSM数据。总共3,147个3D DSM被随机划分为训练集和测试集，分别包含2,518个……

---

**结果**

定量结果汇总于表2中。总体而言，所提出的PrepNet在三个任务上均表现优越，包括ROI质心检测、ROI大小估计和牙齿编号。具体而言，PrepNet在ROI质心检测中的平均径向误差（MRE）最低（1.498±0.884 mm），且在2.0 mm阈值下的成功检测率（SDR）最高（80.29%）。在牙齿编号方面，PrepNet的准确率（ACC）、敏感度（SEN）和特异度（SPE）均达到最高，分别为0.836、0.752和0.989。在ROI大小估计方面……

---

**讨论**

CAD/CAM已成为当代数字化牙科学的重要组成部分，尤其在牙科修复体的设计与制作方面[1,2,3]。在当前的数字化CAD/CAM系统中，冠设计前的预处理步骤——包括目标牙识别、ROI定义和牙齿编号——通常依赖于手动操作员输入[6,7,8]，这限制了工作流效率并引入了操作者依赖的变异性。在本研究中，我们提出了PrepNet，一种基于几何深度学习的……

---

**结论**

本研究提出了PrepNet——一种用于3D DSM中预备牙自动检测和编号的几何深度学习框架。通过联合预测目标ROI质心、ROI大小和牙齿编号，所提出的方法作为单冠CAD/CAM设计的预处理步骤。实验结果表明，PrepNet在ROI质心检测和牙齿编号分类任务上优于基线模型，同时在ROI大小……

---

**生成式AI与AI辅助技术在写作过程中的声明**

在准备本文过程中，作者使用了OpenAI的工具ChatGPT来提升修订过程中的可读性和语言质量。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容承担全部责任。

---

**作者贡献声明**

Su Yang：概念构思、方法论、软件、数据整理、正式分析、调查、可视化和初稿撰写。Ji Yong Han：概念构思、方法论、软件、数据整理、正式分析、调查、可视化和初稿撰写。Nowon Kwon：正式分析、调查、可视化和初稿撰写。Jun Gi Lee：正式分析、调查、可视化和初稿撰写。Sang-Jeong Lee：正式……

---

**资助**

本工作得到了韩国国家研究基金会（NRF）资助的韩国政府（MSIT）的支持（RS-2026-25476001，RS-2026-25587895）。本研究得到了通过韩国健康产业发展院（KHIDI）的韩国健康技术研究与开发项目的资助，由大韩民国卫生福利部提供资金（RS-2022-KH130593）。本研究得到了庆北大学2026年度研究基金的支持。本研究得到了……的支持。

---

**CRediT作者贡献声明**

Su Yang：撰写–审阅与编辑，撰写–初稿，可视化，软件，方法论，调查，正式分析，数据整理，概念构思。Ji Yong Han：撰写–审阅与编辑，撰写–初稿，软件，方法论，调查，数据整理，概念构思。Nowon Kwon：撰写–审阅与编辑，撰写–初稿，可视化，验证，调查，概念构思。Jun Gi Lee：撰写–初稿，可视化，软件……

---

**利益冲突声明**

无利益冲突需要声明。

---

**致谢**

作者感谢Sujeong Kim、Dahee Kim、Byungeun Shon、Sumok Bae和Min-Suk Heo在数据收集、临床审查、技术支持和稿件准备中作出的宝贵贡献。

Su Yang | Ji Yong Han | Nowon Kwon | Jun Gi Lee | Sang-Jeong Lee | Sungmoon Jeong | Sangwook Kim | Jun-Min Kim