[논문 리뷰] SemiTooth: a Generalizable Semi-supervised Framework for Multi-Source Tooth Segmentation

Muyi Sun, Yifan Gao외 5명|arXiv (Cornell University)|2026. 03. 12.

Dental Radiography and Imaging인용 수 0

한 줄 요약

SemiTooth는 다교사 감독과 더 엄격한 가중 신뢰도 제약(Stricter Weighted-Confidence)을 갖춘 다-분기 반지도 학습 프레임워크를 제안하여 다출처 CBCT 데이터에서 일반화 가능한 치아 분할을 가능하게 하고, MS 3 Toothset에서 SOTA 성능을 입증합니다.

ABSTRACT

With the rapid advancement of artificial intelligence, intelligent dentistry for clinical diagnosis and treatment has become increasingly promising. As the primary clinical dentistry task, tooth structure segmentation for Cone-Beam Computed Tomography (CBCT) has made significant progress in recent years. However, challenges arise from the obtainment difficulty of full-annotated data, and the acquisition variability of multi-source data across different institutions, which have caused low-quality utilization, voxel-level inconsistency, and domain-specific disparity in CBCT slices. Thus, the rational and efficient utilization of multi-source and unlabeled data represents a pivotal problem. In this paper, we propose SemiTooth, a generalizable semi-supervised framework for multi-source tooth segmentation. Specifically, we first compile MS3Toothset, Multi-Source Semi-Supervised Tooth DataSet for clinical dental CBCT, which contains data from three sources with different-level annotations. Then, we design a multi-teacher and multi-student framework, i.e., SemiTooth, which promotes semi-supervised learning for multi-source data. SemiTooth employs distinct student networks that learn from unlabeled data with different sources, supervised by its respective teachers. Furthermore, a Stricter Weighted-Confidence Constraint is introduced for multiple teachers to improve the multi-source accuracy.Extensive experiments are conducted on MS3Toothset to verify the feasibility and superiority of the SemiTooth framework, which achieves SOTA performance on the semi-supervised and multi-source tooth segmentation scenario.

연구 동기 및 목표

• 여러 기관에 걸친 완전 주석 데이터의 부족 문제를 해결한다.
• 다중 출처 간 일반화 성능을 향상시키기 위한 다중 소스 반지도 프레임워크를 구축한다.
• 다중 소스 치아 분할 연구를 촉진하기 위해 MS 3 Toothset를 공개한다.
• 영역 수준의 Stricter Weighted-Confidence 제약을 통해 가짜 라벨 품질을 향상시킨다.

제안 방법

• 주석이 서로 다른 세 소스에서 MS 3 Toothset를 구성한다.
• 각 학생이 해당 교사로부터 학습하는 다-브랜치 반지도 프레임워크(세 명의 학생, 두 교사)를 구현한다.
• 교사들을 학생 파라미터의 지수적 이동 평균(EMA)으로 업데이트한다.
• 영역 및 복셀 수준의 신뢰도를 가리고 가중하는 Stricter Weighted-Confidence(SWC) 제약을 도입한다.
• SWC 손실을 정의하고 이를 감독 손실과 결합하여 전체 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 세미-지도 학습을 다중 소스 CBCT 데이터의 치아 분할에 강건하게 확장하려면 어떻게 해야 하는가?
• RQ2 SWC를 갖춘 다교사 다학생 스킴이 단일 소스 또는 단일 교사 기초 방법 대비 교차 소스 일반화 및 분할 정확도를 향상시키는가?
• RQ3 가짜 라벨의 영역 수준 게이팅이 노이즈를 줄이고 3D CBCT 치아 분할의 경계 품질을 향상시키는가?
• RQ4 소스 간 분포 차이가 반지도 치아 분할 성능에 어떤 영향을 미치는가?

주요 결과

• SemiTooth는 semi-supervised 다중 소스 치아 분할(MS 3 Toothset)에서 최첨단 방법을 능가하는 성능을 달성했다.
• 세 학생, 두 교사 구조가 EMA 업데이트를 통해 단일 교사 또는 비교사 기반 다학생 대비 더 나은 형태학 및 경계 품질을 보인다.
• 영역별 게이팅과 복셀 단위 가중치를 통한 Stricter Weighted-Confidence 제약은 가짜 라벨의 신뢰도를 높이고 노이즈 경계를 감소시킨다.
• 아블레이션 연구에서 SWC 및 전체 SemiTooth 구성을 추가하면 점진적 이득이 나타난다.
• t-SNE 시각화는 SemiTooth 이후 교차 소스 특징 클러스터링이 더 강해져 소스 간 일반화가 더 잘 반영됨을 시사한다.