[论文解读] 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 0

一句话总结

AACNet 引入一个两阶段、基于不确定性引导与几何正则化的框架用于3D CBCT牙齿分割，达到高Dice相似系数、紧密的Hausdorff距离以及强健的外部泛化。

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.

研究动机与目标

• 在 CBCT 牙齿分割中解决咬合间界面与牙齿-骨界面的边界模糊问题。
• 开发粗到细的级联以将定位与细分分离。
• 整合认识不确定性引导以选择性地细化模糊区域。
• 施加隐式几何先验以强制解剖拓扑的一致性。
• 在内部和外部数据集上验证鲁棒性以便潜在临床应用。

提出的方法

• 阶段 I 提供轻量级的粗略定位以生成上/下弓模糊场（P_upper, P_lower）。
• 阶段 II 将原始图像与概率先验通过深度残差U-Net融合以提供39类分割。
• 歧义门控边界整形器（AGBR）使用基于熵的歧义场在高不确定区域门控残差细化路径。
• 符号距离图引导的解剖注意力（SDMAA）将 Lipschitz 连续的几何先验嵌入特征聚合中以强化解剖拓扑。
• 损失函数将体素级交叉熵与Soft Dice损失结合，并在解码器尺度上应用深监督。

实验结果

研究问题

• RQ1 如何在 CBCT 牙齿分割中有效建模并缓解咬合间的边界模糊？
• RQ2 两阶段的粗到细级联是否能同时提升边界精确度与全球解剖一致性？
• RQ3 通过符号距离图引入几何先验是否能提高3D牙齿分割的拓扑正确性？
• RQ4 所提出的方法对具有领域偏移的外部 CBCT 数据集的泛化能力如何？
• RQ5 针对不确定区域的细化与均匀细化相比，性能提升如何？

主要发现

• AACNet 在内部数据集上的 Dice 相似系数为 90.17%。
• 内部数据集的 HD95 为 3.63 mm。
• 外部数据集的 HD95 为 2.19 mm，显示出强泛化能力。
• 与最先进的基线相比，该方法在边界描绘与拓扑合理性方面有所改进。
• 阶段 I 实现了高质量的粗定位，对弓部定位 Dice >95%，为阶段 II 提供可靠先验。
• 该架构有效处理三维牙齿分割中的粘附伪影与边界模糊问题。