引言
准确识别下颌管（MC）是牙科和颌面外科手术的关键前提条件，因为该管道内包含下牙槽神经，在常规手术操作中直接存在神经损伤风险（Greenstein & Tarnow, 2006）。虽然锥形束计算机断层扫描（CBCT）为术前规划提供了高分辨率的3D解剖可视化（Jacobs, Salmon, Codari, Hassan, & Bornstein, 2018），但手动勾画MC需要大量的临床经验，仍然费力耗时，且存在较高的观察者间变异（Hwang, Jung, Cho, Heo, 2019, Schwendicke, Samek, Krois, 2020）。这些局限性推动了大量自动化分割研究，旨在复制专家水平的勾画，相关综述见第2节。
尽管近年来深度学习方法在体积重叠方面取得了较高水平，但在CBCT体数据中分割MC面临着严峻的物理和几何挑战。该管道呈现复杂的3D U形弯曲，且在整体扫描中占据极少的体素比例，造成了严重的类别不平衡（Sudre, Li, Vercauteren, Ourselin, & Jorge Cardoso, 2017）。硬件内存限制使3D卷积网络只能采用局部基于体素块的训练策略。将小3D体素块直接输入整体CBCT体空间会产生相对感受野不匹配。在整个CBCT体数据尺度上，受限的体素块仅捕获截断的局部区域，阻止网络完全捕获宏观解剖轨迹。在低对比度的骨髓腔中，这种局部感受野可能导致严重的语义断裂和拓扑碎片化（Maier-Hein, Reinke, Godau, Tizabi, Buettner, Christodoulou, et al., 2024, Shit, Paetzold, Sekuboyina, et al., 2021）。严重类别不平衡、弯曲几何和受限感受野的组合也是体积医学成像中许多细长管状结构的共同特征，包括血管和气道，使其成为牙科领域之外自动化分割系统反复面临的障碍。
现有方法已针对该问题的不同方面进行了探索，包括空间裁剪、中心线感知建模和改进的三维上下文学习。最近的任务特定证据表明，图像裁剪可以改善边界细节和结构连接性，而三维网络比二维或2.5D替代方案能更好地保持体积上下文（Yang et al., 2025）。还提出了中心线引导框架，以便在下颌管分割过程中融入解剖连续性先验（Yang et al., 2026）。然而，直接在分割前通过回归全景参考线来规范化全局弯曲几何，随后在展平的三维域中进行大感受野特征细化的具体策略仍未得到充分研究。本研究设计的框架旨在在一个统一的流程中考察这些互补的几何和架构贡献。
本研究提出了一种两阶段框架，集成了几何流形重建和大感受野空间聚焦。第一阶段采用高分辨率网络（HRNet）（Wang et al., 2020）在最大密度投影（MIP）上回归连续中心线热图。该操作提取全景参考线，以空间展平原始CBCT体数据，在解剖上拉直管道的宏观轨迹，并提供强有力的几何先验。在此展平体数据上操作，对称引导的空间裁剪策略物理消除了背景冗余。这种裁剪确保了标准体素块大小能够涵盖单侧下颌，修正了相对感受野不匹配问题。
在此基础上，跨层语义集成模块（CSIB）在瓶颈处聚合层次化上下文。它利用大卷积核编码管道拉直后的宏观3D轨迹并保持拓扑连续性。在解码器末端，边界细化头（BRH）作为方向性空间滤波器运行。它抑制高频骨伪影并精修解剖边界，同时保持上游建立的拓扑信息。在公开的ToothFairy 2023数据集和独立的临床队列上的评估表明，在体积、距离和拓扑指标方面均表现优异。
本研究的主要贡献总结如下：
- •
全景参考线提取和体数据展平模块，从MIP图像中回归连续全景线热图，将管道的弯曲3D轨迹转换为分割前的标准化线性域。
- •
跨层语义集成模块（CSIB），通过大卷积核在瓶颈处聚合层次化编码器特征，保持管道的宏观轨迹并缓解最深层网络中的语义断裂。
- •
边界细化头（BRH），在解码器末端应用大核注意力以抑制骨伪影并精修解剖边界，同时不破坏上游建立的拓扑连续性。
