基于模糊概念空间的牙齿颜色分析：一种基于感知的开放源码Python框架方法

《Engineering Applications of Artificial Intelligence》：Fuzzy conceptual spaces for dental shade analysis: A perceptually grounded approach with an open-source python framework

　　

准确的牙齿颜色匹配由于颜色感知的主观性以及视觉和仪器方法的局限性，在修复牙科中仍然是一项具有挑战性的任务。本研究提出了一种基于感知且可扩展的人工智能框架，用于基于模糊概念空间的牙齿颜色分析，该框架在开源Python库PyFCS（Python模糊颜色空间）中实现。所提出的方法支持从牙齿比色板构建模糊颜色类别，并能够进行逐像素色度映射和分割牙齿样本的区域分析。该框架以VITA经典比色板的16种色调进行了实例化。一项初步的对照评估由十二位牙科专家使用集成在PyFCS中的界面进行。研究人员收集了基于专家的牙齿区域注释，并使用全模糊Jaccard相似度度量与系统输出进行比较，辅以二次部分重叠分析。在牙齿的中三分之一区域观察到最高一致性，全模糊Jaccard相似度为0.68±0.30，部分重叠Jaccard相似度为0.76±0.20，而在颈部和切端区域观察到较低的一致性和较高的完全不一致率。这些发现表明，模糊概念空间可以在受控条件下提供对感知模糊性和牙齿色调之间渐变过渡的可解释表示。通过支持适应不同的牙齿比色板和机构协议，该贡献为开发基于专家信息、基于感知的牙齿颜色分析工具以及未来临床导向的色调选择研究提供了灵活的基础。

**论文解读文章**

### 研究背景与现存问题
在修复牙科中，准确的牙齿颜色匹配是决定美学效果与功能恢复的关键步骤。然而，长期以来，这一任务面临显著挑战。传统上，临床医生依赖于视觉评估，使用标准化比色板（如VITA经典比色板，包含A1–A4、B1–B4、C1–C4、D2–D4共16种色调）进行牙齿颜色选择。但大量研究表明，视觉方法存在主观性强、重复性差的问题，颜色差异（ΔE）范围可达2.74–14.60，匹配率低至22.5%，且受操作者经验和环境光照条件影响显著。另一方面，仪器方法（如分光光度计、比色计、数字摄影等）在受控条件下能提供更高的精度和重复性（ΔE值通常低于临床阈值，重复性超过90%），但仍需解释数值输出，且难以灵活适应个体患者特征。更重要的是，所有现有方法都面临一个根本性问题：颜色感知的“语义鸿沟”——数字颜色编码与人类视觉感知之间的本质差异。人类对颜色的认知具有模糊性、渐变性和情境依赖性，而传统方法（如基于欧氏距离的CIELAB或CIEDE2000色差公式）假设类别边界清晰，无法捕捉相邻色调之间的重叠与过渡。近年来，人工智能方法在色度分析中取得进展，但多数侧重于分类精度，输出硬标签，同样未显式建模感知不确定性。在此背景下，研究人员提出基于模糊概念空间的牙齿颜色分析框架，旨在弥合语义鸿沟，提供一种可解释、基于感知的色调表示方法。

### 研究内容与结论
研究人员开发并扩展了开源Python库PyFCS（Python Fuzzy Color Spaces），构建了一个基于模糊概念空间的框架，专门用于牙齿颜色分析。该框架以VITA经典比色板的16种色调为实例，通过定义原型、Voronoi划分和缩放参数生成模糊颜色类别（核心、α-截集、支撑区域），从而在CIELAB颜色空间中实现软边界表示。研究进一步集成了逐像素色度映射模块（灰度模糊图和最大隶属度彩色映射）和临床区域分割模块（将牙齿划分为3×3网格，对应颈部、中部、切端三部分及左右中列）。为验证框架与专家判断的一致性，研究人员在完全受控的光照条件下（校准显示器、ISO 3664:2009标准、亮度120 cd/m2、ΔE<1.0），邀请12名具有至少5年临床经验的牙科专家，通过PyFCS内置的评估界面，对16个数字牙齿样本（对应VITA经典比色板每种色调）的颈部、中部、切端三个中心区域进行色调选择和隶属度赋值（允许每个区域最多选择3种色调并分配成员度）。系统输出与专家注释之间的相似性通过全模糊Jaccard相似度（含零重叠案例）和部分重叠Jaccard相似度（排除零重叠案例）量化。结果表明：在中部区域，系统与专家的一致性最高（全Jaccard相似度0.68±0.30，部分重叠Jaccard相似度0.76±0.20，完全不一致率仅10.4%）；颈部区域的一致性较低（全Jaccard相似度0.43±0.32，完全不一致率26.6%）；切端区域的一致性最低且变异性最大（全Jaccard相似度0.34±0.34，完全不一致率40.1%）。这些结果验证了模糊概念空间在受控条件下能够提供与专家感知相符的可解释色调表示，尤其在中部区域表现突出。该研究发表在《Engineering Applications of Artificial Intelligence》。

### 主要关键技术方法
研究人员采用的核心技术方法包括：
1. **模糊概念空间构造**：基于G?rdenfors的概念空间理论，在CIELAB颜色空间中定义每个色调的正原型（从VITA经典比色板物理色片的中央区域通过Datacolor SpectraVision高光谱成像实验获取）和负原型，通过Voronoi划分生成0.5-截集区域，再通过缩放参数λ和λ'定义核心和支持区域，最后线性插值得到平滑的隶属函数。
2. **逐像素色度映射与区域聚合**：对输入牙齿图像的每个像素计算对所有16个模糊色调的隶属度，生成灰度模糊图（灰度值代表隶属度）和基于最大隶属度的彩色映射。将牙齿图像分割为3×3网格（基于可见牙冠区域的背景掩膜），排除背景像素后，对每个区域采用两种聚合策略——最大可能聚合（取区域内像素隶属度最大值）和归一化平均聚合（平均后归一化）——生成区域模糊可能性分布。
3. **专家评估接口与模糊相似度度量**：在PyFCS图形用户界面中集成评估模块，允许专家为每个区域选择最多3种色调并分配隶属度（0–1之间）。系统输出与专家注释通过全模糊Jaccard相似度（J(A,B) = Σmin(A_i,B_i) / Σmax(A_i,B_i)）进行比较。
样本队列来源为12名牙科专家对16个数字化VITA经典色调样本的评估，样本原型值通过高光谱成像系统实测获得。

### 研究结果
**6.1 解剖区域间的一致性**
通过将PyFCS系统输出与12名专家注释对比，使用全模糊Jaccard相似度作为主要指标（含零重叠案例赋值为0）。结果显示：
- **中三分之一区域**：全Jaccard相似度均值0.68±0.30，中位数0.75，完全不一致率10.4%；部分重叠分析时均值0.76±0.20。表明系统与专家在此区域一致性最高，且零重叠案例影响较小。
- **颈部三分之一区域**：全Jaccard相似度均值0.43±0.32，中位数0.47，完全不一致率26.6%；部分重叠分析时均值0.58±0.21。一致性较低，主要受零重叠案例驱动。
- **切端三分之一区域**：全Jaccard相似度均值0.34±0.34，中位数0.31，完全不一致率40.1%；部分重叠分析时均值0.57±0.24。变异性最大，这与该区域透明度高、色饱和度低导致的感知模糊性一致。

**6.2 临床意义与解释**
研究人员指出，中三分之一区域是临床色调选择最可靠的区域，因其色度特性稳定且代表性强。颈部区域受牙龈组织和阴影影响较大，切端区域因透明性和低色饱和度引入额外模糊性。因此，系统在不同区域的表现与临床经验一致。系统的优势在于灵活性和可适配性：用户可重新定义原型以匹配不同比色板、设备特性或临床偏好，无需修改核心推理逻辑。输出为模糊可能性分布，可提供比单一色调标签更丰富的信息，特别适用于存在渐变过渡或区域异质性的牙齿。在实际应用中，最大隶属度色调可作为主要材料选择参考，次级隶属度则提示分层修复或区域调整需求。

### 结论翻译与讨论
研究人员在论文第8节总结道：“本研究提出了一种基于感知且可扩展的框架，通过模糊概念空间对牙齿色调类别进行建模和评估。通过将模糊逻辑与概念空间的几何结构相结合，所提出的方法捕捉了人类颜色感知中固有的渐变性、主观性和模糊性，这些在牙齿颜色评估中至关重要。在PyFCS库中的实现支持从牙齿比色板构建模糊颜色空间，并以VITA经典比色板的16种色调作为参考实例。本研究的主要贡献包括：(i) 构建了与牙齿比色板对齐的灵活模糊颜色空间，(ii) 开发了逐像素色度映射和区域分析工具以实现可解释的色调可视化，(iii) 使用模糊相似度度量对产生的模糊表示进行了基于专家的评估。区域评估实验（12名牙科专业人士在标准化视觉条件下进行）显示，专家注释与系统预测在牙齿中三分之一区域的一致性最高，而颈部和切端区域的一致性和完全不一致率较低。因此，这些发现应被视为受控实验条件下专家对齐的初步证据，而非临床有效性的最终证明。框架的另一个优势在于其适应性——比色参考可重新校准或替换，以匹配不同的比色板、采集设置或机构协议，无需修改核心感知和模糊推理流程。总体而言，本框架通过在一个开源计算环境中结合感知可解释性、几何一致性和实践灵活性，推动了牙齿颜色分析的发展。在目前的受控评估范围内，它为表示色调模糊性、渐变过渡和区域特异性颜色变化提供了一个有前景的基础。”讨论部分强调，受控条件下的结果支持模糊概念空间的可解释性，但真实临床环境中的照明不均、设备差异等问题尚未系统评估，未来需在非理想图像上验证，并扩展至更大数据集和体内临床图像。框架目前应被视为以可解释性为导向的工具，而非临床可部署系统。