[論文レビュー] SemiTooth: a Generalizable Semi-supervised Framework for Multi-Source Tooth Segmentation

Muyi Sun, Yifan Gao+5 more|arXiv (Cornell University)|Mar 12, 2026

Dental Radiography and Imaging被引用数 0

ひとこと要約

SemiTooth はマルチティーチャー supervise と Stricter Weighted-Confidence 制約を用いたマルチブランチ半教師ありフレームワークを提案し、マルチソース CBCT データ間で一般化可能な歯列セグメンテーションを実現。MS 3 Toothset でSOTA性能を示す。

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.

研究の動機と目的

• 複数機関にわたる完全アノテーション付きCBCT歯データの不足に対処する。
• ソース間の一般化を改善するマルチソース半教師ありフレームワークを作成する。
• マルチソース歯列セグメンテーション研究を促進するためMS 3 Toothsetを公開する。
• 領域レベルの Stricter Weighted-Confidence 制約で疑似ラベルの品質を向上させる。

提案手法

• 注釈が異なる三つのソースからMS 3 Toothsetを構築する。
• 各studentが対応するteacherから学習する3学生・2教師のマルチブランチ半教師ありフレームワークを実装する。
• 教師は学生のパラメータの指数移動平均（EMA）で更新する。
• Stricter Weighted-Confidence (SWC) 制約を導入し、疑似ラベルの領域レベルのゲーティングとボクセルレベルの重み付けで信頼度を制御する。
• SWC損失を定義し、教師なし監督を含む総合最適化に組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 半教師あり学習をマルチソースCBCTデータの歯列セグメンテーションに頑健に拡張するにはどうすればよいか。
• RQ2 SWCを備えた3つの学生・2つの教師のスキームは、単一ソースや単一教師のベースラインと比較して、ソース間の一般化とセグメンテーション精度を改善するか。
• RQ3 疑似ラベルの領域レベルゲーティングは、3D CBCT歯列セグメンテーションにおけるノイズを減らし境界品質を改善できるか。
• RQ4 ソース間の分布ギャップは半教師あり歯列セグメンテーションの性能にどのような影響を与えるか。

主な発見

• SemiTooth は半教師ありのマルチソース歯列セグメンテーション（MS 3 Toothset）で最先端の性能を達成。
• 3学生・2教師の構成とEMA更新は、単一教師や非教師付きのマルチ学生ベースラインよりも形状と境界品質が優れる。
• Stricter Weighted-Confidence 制約は領域ゲーティングとボクセル重み付けにより疑似ラベルの信頼性を向上させ、ノイズのある境界を低減する。
• アブレーション研究はSWCと完全なSemiTooth構成の追加で漸進的な利得を示す。
• t-SNE可視化はSemiTooth後にソース間の特徴クラスタリングが強化され、ソース間の一般化を反映している。