[論文レビュー] Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation

Bing Yu, Liu Shi+5 more|arXiv (Cornell University)|Jan 12, 2026

Advanced Neural Network Applications被引用数 0

ひとこと要約

AACNet は、3D CBCT の歯列セグメンテーションの不確実性をガイドし形状を正則化する二段階フレームワークを導入し、 Dice 指標が高く Hausdorff 距離が小さく、外部データセットへの一般化も強い。

ABSTRACT

Accurate three-dimensional (3D) tooth segmentation from Cone-Beam Computed Tomography (CBCT) is a prerequisite for digital dental workflows. However, achieving high-fidelity segmentation remains challenging due to adhesion artifacts in naturally occluded scans, which are caused by low contrast and indistinct inter-arch boundaries. To address these limitations, we propose the Anatomy Aware Cascade Network (AACNet), a coarse-to-fine framework designed to resolve boundary ambiguity while maintaining global structural consistency. Specifically, we introduce two mechanisms: the Ambiguity Gated Boundary Refiner (AGBR) and the Signed Distance Map guided Anatomical Attention (SDMAA). The AGBR employs an entropy based gating mechanism to perform targeted feature rectification in high uncertainty transition zones. Meanwhile, the SDMAA integrates implicit geometric constraints via signed distance map to enforce topological consistency, preventing the loss of spatial details associated with standard pooling. Experimental results on a dataset of 125 CBCT volumes demonstrate that AACNet achieves a Dice Similarity Coefficient of 90.17 \% and a 95\% Hausdorff Distance of 3.63 mm, significantly outperforming state-of-the-art methods. Furthermore, the model exhibits strong generalization on an external dataset with an HD95 of 2.19 mm, validating its reliability for downstream clinical applications such as surgical planning. Code for AACNet is available at https://github.com/shiliu0114/AACNet.

研究の動機と目的

• CBCT 歯列セグメンテーションにおける咬合間・歯-骨界面の境界不確実性に対処する。
• ローカリゼーションと細分類を分離する粗・細 cascaded を開発する。
• 不確実領域を選択的に精 refinement するためのエピステミック不確実性の指針を統合する。
• 解剖学的トポロジーの一貫性を担保する暗黙の幾何 priors を課す。
• 内部データセットおよび外部データセットでの頑健性を臨床利用の可能性のために検証する。

提案手法

• Stage I は軽量な粗 Localization を提供し、上顎/下顎の不確実性場を生成する (P_upper, P_lower)。
• Stage II は元画像と確率 priors を深層 Residual U-Net 経由で融合し 39 クラスのセグメンテーションを実現する。
• Ambiguity Gated Boundary Refiner (AGBR) はエントロピーに由来する不確実性場を用いて高不確実性領域で残差 Refinement パスをゲートする。
• Signed Distance Map guided Anatomical Attention (SDMAA) はリプシッツ連続な幾何 priors を特徴集約に組み込み、解剖学的トポロジーを強制する。
• Loss はボクセル-wise クロスエントロピーと Soft Dice loss を組み合わせ、デコーダー階層全体にディープ supervise を適用する。

実験結果

リサーチクエスチョン

• RQ1 CBCT 歯列セグメンテーションにおける咬合間接触の境界不確実性を効果的にモデル化・低減するにはどうすればよいか。
• RQ2 二段階の粗・細 cascade は境界精度と全体的な解剖学的整合性の両方を改善できるか。
• RQ3 Signed Distance Map による幾何 priors の統合は 3D 歯列セグメンテーションのトポロジー正確性を改善するか。
• RQ4 提案手法はドメインシフトを伴う外部 CBCT データセットにどの程度一般化するか。
• RQ5 不確実領域をターゲットにする場合と均一に refine する場合の性能向上はどの程度か。

主な発見

• AACNet は内部データセットで Dice Similarity Coefficient が 90.17%。
• 内部データセットの HD95 は 3.63 mm。
• 外部データセットでの HD95 は 2.19 mm、一般化性能が高いことを示唆。
• 本手法は最先端のベースラインと比較して境界の識別性と解剖学的適合性を改善。
• Stage I は顎位推定において Dice >95% の高品質な粗 Localization を実現し、Stage II の priors を信頼性の高いものにする。
• 本アーキテクチャは3D 歯列セグメンテーションにおける接着アーチファクトと境界不確実性を効果的に処理する。