面向全景曲面体层片单颗牙齿分割的感兴趣区域自适应混合增强框架

《Scientific Reports》：ToothLens: ROI-guided entropy-adaptive and boundary-aware enhancement for tooth instance segmentation in panoramic radiographs

　　全景曲面体层片（OPG）中单颗牙齿的精确分割是牙科领域的一项重要任务。OPG图像采集特性带来的技术挑战，包括背景噪声、感兴趣区域间对比度差异、局部强度变化、非平稳性以及精细的解剖边界等，是当前研究的重点。现有的图像处理和深度学习分割方法主要致力于设计更高精度的分割框架，而未针对OPG成像的局限性提出适当的预增强策略。本文提出了一种新颖的感兴趣区域自适应混合增强框架，该牙齿增强方法完全基于对OPG成像挑战的分析而设计。该框架是用于OPG实例分割的预处理增强流程，采用基于ResNet-50-FPN主干网络的Mask R-CNN模型。该框架包含四个顺序模块：感兴趣区域分解、熵驱动的自适应对比度限制自适应直方图均衡化（CLAHE）、感兴趣区域约束的快速傅里叶变换以及正则化边缘细化。该框架基于阿布舍蒂纪念牙科学院（ABSMIDS）获取的OPG数据集进行训练，采用五折交叉验证和数据增强以确保模型的泛化能力。所提出的完整分割流程在无泄漏协议下（增强所用的感兴趣区域掩码始终由预测掩码生成）的可部署条件下，实现了0.8105的交并比（IoU）、0.8953的Dice系数、0.9133的精确率和0.8780的召回率。真值掩码上界分析显示更高的IoU和Dice值（p < 0.001），展示了增强潜力的上界参考。感兴趣区域掩码质量敏感性分析表明，当前可部署性能与感兴趣区域定位精度直接相关。采用峰值信噪比（PSNR）、结构相似性（SSIM）、均方误差（MSE）和平均绝对误差（MAE）对增强框架进行了详细分析，表明结构增强得到改善。对比分析显示，感兴趣区域傅里叶变换优于全局傅里叶变换，支持基于区域的增强方法。分割指标与图像保真度指标（PSNR、SSIM）之间观察到的反向关系突显了在OPG分析的深度学习与传统图像处理分割流程中，面向任务的结构化增强优于像素级保真度优化的重要性。