数字牙科的普及从根本上改变了临床实践，锥形束计算机断层扫描（CBCT）已成为全面牙科诊断和治疗规划的基石技术。CBCT成像提供了前所未有的细节，分辨率可达0.1毫米，能够精确可视化包括硬组织和软组织在内的复杂牙齿解剖结构（Kamburo?lu和Kursun，2010年）。这一技术进步促进了牙科护理的范式转变，推动了正畸治疗规划、牙科种植体设计以及全面的数字牙科工作流程等复杂应用的发展（Mangano等人，2016年）。2014年，全球CBCT市场的价值为4.075亿美元，预计到2023年将达到9.608亿美元，年增长率为10.0%，主要得益于北美和欧洲的采用率增加（S，2016年）。这种快速扩张凸显了临床对3D成像技术的日益依赖，以及对自动化分析工具的相应需求。
尽管取得了这些技术进步，但CBCT成像的临床效用仍受到手动分割耗时且容易出错的限制。传统的手动标注牙齿结构可能需要每个患者花费数小时，这在临床工作流程中造成了瓶颈，并引入了主观变异性和人为错误的可能性（Polizzi等人，2023年）。牙齿解剖结构的固有复杂性进一步加剧了这一挑战，全球约56%的人口存在某种程度的错颌，呈现出多样的形态变化，这对传统分析方法构成了挑战（Lombardo等人，2020年）。迫切需要自动化、准确且鲁棒的3D牙齿分割系统，我们的工作正是针对这一需求，通过消除手动标注的低效率、减少诊断变异性并实现实时临床决策支持，提供了革命性的解决方案。
这项研究的动机源于解决两个根本性问题的迫切需求：一是针对牙齿分割中类别不平衡的不足损失函数设计，二是完全缺乏有效的点云数据3D网格增强技术。现有的自动化3D牙齿分割方法存在根本性限制，我们的工作正是针对并克服了这些问题。牙齿结构的几何复杂性，其特征是复杂的表面拓扑、不同的牙齿形态和微妙的牙齿间边界，给传统图像处理方法带来了计算挑战（Ghosh等人，2020年）。最关键的是，当前的方法未能充分解决两个关键技术障碍——无法处理严重类别不平衡的不足损失函数设计，以及完全缺乏在保持解剖学有效性的同时提高模型泛化能力的有效3D网格增强技术。缺失的牙齿、严重的牙齿错位、正畸器具和病理状况常常导致分割失败或准确性下降（Wang等人，2024a）。这些限制在正畸患者中尤为明显，因为牙套和模糊的牙龈边界进一步复杂化了准确的边界划定（Hao等人，2022年）。与之前将通用分割技术适应于牙齿数据的方法不同，我们的方法是从零开始专门为解决牙齿形态和临床需求的独特挑战而设计的。
早期的牙齿分割方法主要依赖于经典的图像处理技术，包括区域生长算法（Yanagisawa和Omachi，2011年）、基于阈值的方法（Lloréns等人，2012年）以及利用表面曲率的几何特征提取方法（Yuan等人，2010年）、测地距离（Sinthanayothin和Tharanont，2008年）和谐波场分析（Liao等人，2015年）。虽然这些方法利用了领域特定的专业知识，但在处理牙齿结构的复杂形态变化方面灵活性有限，尤其是在病理或正畸复杂病例中。
我们工作的关键创新和独特贡献在于开发了第一个集成框架，该框架结合了先进的复合损失函数设计和专门的3D网格增强策略。深度学习的出现促进了多个领域的进步，应用范围从工业优化和调度（Mohanty等人，2025年）到医学成像和分割任务。在牙齿分割领域，卷积神经网络（CNN）及其3D变体（包括U-Net架构（Kim等人，2024年；Lin等人，2023年）在分割精度方面取得了改进。在网格结构上运行的图神经网络（GNN）在捕捉几何关系方面表现出色（Zheng等人，2023年），而基于点云的方法如PointNet和PointNet++实现了3D几何数据的直接处理（Garcia-Garcia等人，2016年；Qi等人，2017年）。最近的方法学进展集中在解决牙齿分割的具体挑战上。Mask-MCNet（Zanjani等人，2019年）引入了基于体积锚点的区域提案网络，用于结合分割和检测任务，尽管需要较高的内存。
DilatedToothSegNet框架（Krenmayr等人，2024年）在基于点云的牙齿分割方面取得了重大进展，引入了扩张边缘卷积来增强感受野覆盖范围并改善远距离特征捕捉。该方法在Teeth3DS数据集上的全面评估中显示出在处理不同牙齿形状、缺失牙齿和复杂对齐方面的显著改进。然而，在边界精度、类别不平衡处理和对极端解剖变化的鲁棒性方面仍存在挑战。
尽管取得了这些进展，当前文献中仍有几个关键限制尚未得到解决。传统的损失函数未能充分满足牙齿分割任务中特定的类别不平衡和边界精度要求。缺乏有效的3D网格增强技术限制了模型处理错颌和非典型牙齿配置的泛化能力。现有方法在处理牙齿间边界的准确划定方面经常遇到困难，这对于临床应用至关重要，并且在处理具有解剖学变化、缺失结构或正畸干预的病例时表现出有限的鲁棒性。3D点云数据的独特特性与传统的二维（2D）图像分析相比带来了不同的计算挑战，标准的数据增强技术无法直接应用于3D网格表示。
我们的方法引入了几项技术创新，建立了新的最佳性能标准。我们开发了一种复合损失函数架构，结合了交叉熵损失、Tversky损失和焦点Tversky损失，专门用于解决类别不平衡并提高边界精度，这是现有牙齿分割方法无法实现的。此外，我们创建了首批针对3D牙齿网格的有效数据增强技术，包括多中心局部畸变和空间控制的高斯噪声添加，解决了传统图像增强技术应用于3D网格表示时完全失效的关键问题，同时保持了网格拓扑结构和语义关系。
贡献：在最大的可用基准数据集上进行评估，我们的增强框架表现出卓越的性能，mIoU达到了84%，比当前的最新基线方法提高了10.2%。该框架展示的准确性和鲁棒性确立了其在自动化牙科诊断和治疗规划工作流程中的临床应用潜力，提供了首个同时具备技术卓越性和实际临床适用性的全面解决方案，以满足数字牙科中对高效、准确牙科分析工具日益增长的需求。本文的主要贡献如下：
●我们提出了一种基于点云的3D牙齿分割方法，结合了复合损失函数，包括交叉熵损失、Tversky损失和焦点Tversky损失，以增强特征学习、解决类别不平衡并提高分割精度。
●我们开发了创新的3D网格特定数据增强技术，包括多中心局部畸变和空间控制的高斯噪声添加，专门用于提高模型泛化能力和鲁棒性，同时保持网格拓扑结构和解剖学有效性。
●我们提供了全面的定量和定性实验验证，验证mIoU达到了0.84，与基线方法相比表现出更好的性能。
本文的结构如下：第2节回顾了3D牙齿分割的相关工作，强调了关键方法及其局限性。第3节描述了方法论，包括原始框架、我们提出的增强措施和实验设置。第4节展示了实验结果，第5节详细讨论了发现。最后，第6节总结了本文并提出了未来工作的建议。
相关工作
3D牙齿表面的分割已经从传统的区域生长（Yanagisawa和Omachi，2011年）和阈值分割（Lloréns等人，2012年）等方法发展而来，这些方法需要手动干预，并且在处理复杂牙齿结构时遇到困难。深度学习方法，如U-Net及其3D变体（Kim等人，2024年；Lin等人，2023年），提高了准确性，但在处理缺失牙齿、严重错位或正畸中牙龈边界模糊等边缘情况时仍面临挑战
