摘要

本文介绍了一种名为H-FCBFormer的层次全卷积分支Transformer模型，用于通过咬合纸检测咬合接触区域。咬合接触检测在牙科领域，特别是在修复牙科和正畸治疗中至关重要。传统方法如咬合纸虽然常用，但存在误报和漏报问题。H-FCBFormer模型通过结合多类Vision Transformer和全卷积网络，以及一种新的层次损失函数，显著提高了咬合接触检测的准确性，甚至在某些方面超过了牙科专家的判断。该模型通过自动生成医学真阳性语义分割掩码，有效解决了传统方法的不准确性问题，为牙科诊断和治疗提供了新的技术支持。

原理

H-FCBFormer模型的核心在于其层次全卷积分支Transformer架构和层次损失函数的设计。模型采用双分支结构，一个分支是受U-Net启发的全卷积网络，另一个分支是金字塔视觉Transformer。这两个分支的特征图通过连接后输入预测头，生成最终的语义分割掩码。层次损失函数结合了层次交叉熵损失和提出的层次Dice损失，通过在层次结构中计算每个级别的损失值，确保模型能够更好地理解和区分不同层次的特征，从而提高分割的准确性。

流程

模型的训练和推理流程如下：首先，输入图像通过两个并行的分支（Transformer分支和全卷积分支）处理，生成各自的特征图。然后，这些特征图被上采样并连接，输入到预测头中，生成最终的分割掩码。在训练阶段，模型使用层次损失函数来优化参数，确保模型能够准确地识别和分割咬合接触区域。在实际应用中，模型能够快速且准确地识别出咬合纸图像中的咬合接触区域，大大提高了诊断效率。

应用

H-FCBFormer模型在牙科领域的应用前景广阔。它不仅能够提高咬合接触检测的准确性，减少临床诊断的时间，还能够辅助牙科医生进行更精确的治疗规划。此外，该模型的层次结构和损失函数设计也为其他医学图像分割任务提供了新的思路和方法，具有潜在的多领域应用价值。