[论文解读] Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives

Gil Jader, Luciano Oliveira+1 more|arXiv (Cornell University)|Feb 9, 2018

Dental Radiography and Imaging参考文献 37被引用 3

一句话总结

本文综述了10种牙科X光片分割方法，引入了一个包含1,500张标注的全景（口外）X光片的新型公开数据集，并对各类方法的性能进行了基准测试。研究发现基于阈值的方法占主导地位（54%），指出了当前数据集的局限性，并倡导通过深度学习推动全景牙片中自动化牙齿分割的发展。

ABSTRACT

This review presents an in-depth study of the literature on segmentation methods applied in dental imaging. Ten segmentation methods were studied and categorized according to the type of the segmentation method (region-based, threshold-based, cluster-based, boundary-based or watershed-based), type of X-ray images used (intra-oral or extra-oral) and characteristics of the dataset used to evaluate the methods in the state-of-the-art works. We found that the literature has primarily focused on threshold-based segmentation methods (54%). 80% of the reviewed papers have used intra-oral X-ray images in their experiments, demonstrating preference to perform segmentation on images of already isolated parts of the teeth, rather than using extra-oral X-rays, which show tooth structure of the mouth and bones of the face. To fill a scientific gap in the field, a novel data set based on extra-oral X-ray images are proposed here. A statistical comparison of the results found with the 10 image segmentation methods over our proposed data set comprised of 1,500 images is also carried out, providing a more comprehensive source of performance assessment. Discussion on limitations of the methods conceived over the past year as well as future perspectives on exploiting learning-based segmentation methods to improve performance are also provided.

研究动机与目标

• 基于方法类型、影像模态和数据集特征，分析并分类牙科X光片成像中的最先进分割方法。
• 通过引入一个大规模、标注完整的1,500张全景牙片的新型公开数据集，解决当前用于口外（全景）X光片的多样化、公开可用数据集缺乏的问题。
• 在所提出的数据集上对10种分割方法进行统计基准测试，以评估性能并识别方法论上的局限性。
• 讨论自动化牙科X光片分析中的当前挑战，特别是图像伪影、解剖结构重叠和低对比度的处理问题。
• 探讨未来研究方向，特别是基于学习的分割方法（如深度学习）在提升精度和鲁棒性方面的潜力。

提出的方法

• 作者对10种分割方法进行了全面的文献综述，按类型分类：基于区域的方法、基于阈值的方法、基于聚类的方法、基于边界的方法或基于分水岭的方法。
• 他们在新收集的1,500张口外全景（曲面断层）X光片数据集上评估了方法性能，每张图像均经人工标注牙齿边界。
• 采用标准分割指标（如Dice分数、Jaccard指数）进行统计比较，以评估方法在数据集上的准确性和鲁棒性。
• 研究分析了数据集的可变性和多样性，识别出当前公开数据集中的不足，特别是对口内X光片的过度依赖以及对解剖变异代表性的不足。
• 作者探讨了能量最小化和深度学习框架（如全卷积网络（FCNs）和语义分割模型）在提升分割性能方面的潜力。
• 他们提出，基于学习的模型可通过从大规模标注数据集中自动学习复杂的形状和强度模式，克服传统方法的局限性。

实验结果

研究问题

• RQ1 在当前牙科X光片分割研究中，哪种类型的分割方法使用最广泛？
• RQ2 用于评估牙科分割方法的现有公开数据集是否提供了足够的可变性和代表性，以实现可靠的基准测试？
• RQ3 哪种分割方法在口外全景X光片上表现最佳，其统计性能如何比较？
• RQ4 当前分割技术在应用于全景牙科X光片时存在哪些关键局限性，特别是在图像伪影和解剖结构重叠方面？
• RQ5 基于深度学习的方法如何推动全景牙片中自动牙齿分割技术的前沿发展？

主要发现

• 基于阈值的分割方法使用最广泛，占所综述文献的54%。
• 80%的综述研究使用了口内X光片，表明研究者更倾向于关注孤立牙齿区域，而非口外全景视图。
• 所提出的1,500张标注全景X光片数据集填补了口外牙科影像公开数据可用性中的关键空白。
• 统计基准测试显示各类方法性能存在显著差异，基于深度学习的方法在鲁棒性和准确性方面展现出更高潜力。
• 传统方法在处理图像伪影、低对比度以及解剖结构重叠（如牙齿与下颌骨之间）方面表现不佳，限制了其在临床环境中的可靠性。
• 作者得出结论：基于学习的分割方法，尤其是深度学习，是实现更精确、更具泛化能力的全景X光片牙齿分割的有前景的未来方向。