[논문 리뷰] Anatomy Aware Cascade Network: Bridging Epistemic Uncertainty and Geometric Manifold for 3D Tooth Segmentation

Bing Yu, Liu Shi외 5명|arXiv (Cornell University)|2026. 01. 12.

Advanced Neural Network Applications인용 수 0

한 줄 요약

AACNet은 3D CBCT 치아 분할을 위한 두 단계의 불확실성 가이드 및 기하-규제 프레임워크를 도입하여 Dice가 높고 Hausdorff 거리도 촘촘하며 외부 일반화가 강력합니다.

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.

연구 동기 및 목표

• CBCT 치아 분할에서 교합 간 및 치아-뼈 경계에서의 경계 모호성 문제를 다룬다.
• 로 localization과 정밀 분할을 분리하기 위한 거친-정밀 캐스케이드를 개발한다.
• 모호한 영역을 선택적으로 정교화하기 위한 인식적 불확실성 가이드를 통합한다.
• 위상 기하학적 제약을 암시적으로 부과하여 해부학적 위상 일관성을 강화한다.
• 임상 적용 가능성을 고려하여 내부 및 외부 데이터세트에서 강건성을 검증한다.

제안 방법

• Stage I은 경계 상부/하부 인모드 필드(P_upper, P_lower)를 생성하기 위한 가볍고 거친 로컬라이제이션을 제공한다.
• Stage II는 원본 이미지와 확률 사전 정보를 심층 Residual U-Net을 통해 융합하여 39-class 분할을 수행한다.
• Ambiguity Gated Boundary Refiner (AGBR)는 엔트로피에서 도출된 모호성 필드를 사용하여 높은 불확실성 영역에서 잔여 정제 경로를 게이트한다.
• Signed Distance Map guided Anatomical Attention (SDMAA)은 피처 집계에 Lipschitz-연속 기하학적 선험을 삽입하여 해부학적 위상 구조를 강제한다.
• 손실은 보텍스 단위 교차 엔트로피와 Soft Dice 손실을 결합하고 디코더 스케일에 걸쳐 깊은 감독을 적용한다.

실험 결과

연구 질문

• RQ1 CBCT 치아 분할에서 교합 간 접촉 지점의 경계 모호성을 효과적으로 모델링하고 완화하려면 어떻게 해야 하는가?
• RQ2 거친-정밀 2단계 캐스케이드는 경계 정확도와 전반적 해부학적 일관성을 모두 향상시킬 수 있는가?
• RQ3 Signed Distance Map을 통한 기하학적 선험의 통합이 3D 치아 분할의 위상 정확도를 향상시키는가?
• RQ4 제안된 방법이 도메인 시프트가 있는 외부 CBCT 데이터세트에 얼마나 잘 일반화되는가?
• RQ5 불확실한 영역을 대상으로 하는 최적화가 균일한 정교화보다 성능 향상을 가져오는가?

주요 결과

• AACNet은 내부 데이터세트에서 Dice Similarity Coefficient가 90.17%를 달성한다.
• HD95는 내부 데이터에서 3.63 mm이다.
• 외부 데이터세트의 HD95는 2.19 mm로, 강력한 일반화를 시사한다.
• 이 방법은 최첨단 기준선과 비교하여 경계 구분 및 해부학적 일관성 측면에서 개선된 성능을 보인다.
• Stage I은 양호한 거친 로컬라이제이션을 제공하여 아치 로컬라이제이션에 대해 Dice가 >95%에 도달하고 Stage II의 priors를 안정적으로 활용할 수 있다.
• 이 아키텍처는 3D 치아 분할에서 접착 아티팩트 및 경계 모호성을 효과적으로 처리한다.