摘要

本文介绍了一种用于牙科CBCT（锥束计算机断层扫描）中3D牙齿分割的多阶段框架。该框架在“半监督牙齿分割”3D（STS-3D）挑战赛中获得第三名，显著提高了牙齿分割的准确性和效率。传统的深度学习方法需要大量标注数据，而本文提出的方法通过半监督学习和领域适应技术，减少了数据标注的需求，同时提高了模型在不同设备数据上的泛化能力。

原理

该多阶段框架的核心在于利用半监督学习（SSL）和领域适应技术来提高3D牙齿分割的准确性。在第一阶段，使用2D nnUNet模型生成像素级的伪标注，这些伪标注与已标注样本结合形成新的训练样本。第二阶段，这些新样本与未标注样本一起通过傅里叶变换增强（FTA）模块进行领域适应，然后输入到改进的UniMatch模型中进行参数学习。这一过程中，引入了自适应阈值和Alpha Dropout技术，以提高模型的分割精度和泛化能力。

流程

1. 第一阶段：使用2D nnUNet模型对少量未标注样本生成伪标注，并与已标注样本结合。
2. 第二阶段：通过FTA模块对新样本和未标注样本进行领域适应，然后输入到改进的UniMatch模型中进行训练。
3. 评估：使用Dice系数、IoU和3D Hausdorff距离等指标评估分割性能。

具体示例：在第一阶段，从训练集中随机选择10个未标注样本，使用2D nnUNet生成伪标注，然后与已标注样本合并。在第二阶段，这些新样本通过FTA模块进行增强，最终输入到改进的UniMatch模型中进行训练和评估。

应用

该框架不仅适用于牙科CBCT图像的牙齿分割，还可扩展到其他医学图像分割领域，如肿瘤检测、器官分割等。随着技术的进一步优化和算法的改进，预计将在临床诊断和治疗规划中发挥重要作用，提高医疗图像处理的自动化和智能化水平。