[论文解读] Fully automatic integration of dental CBCT images and full-arch intraoral impressions with stitching error correction via individual tooth segmentation and identification

Tae Jun Jang, Hye Sun Yun+4 more|PubMed|Dec 3, 2021

Dental Radiography and Imaging被引用 8

一句话总结

本文提出一种全自动方法，通过在两种模态中分割并识别单个牙齿，实现锥形束CT（CBCT）与口内扫描（IOS）图像的融合，包括全局与局部配准，并利用CBCT作为参考校正全牙弓IOS中的累积拼接误差。该方法在存在严重金属伪影的情况下仍能达到亚毫米级精度（112.4 μm特征点误差），从而生成高保真度、临床可用的牙弓-牙齿-牙龈三维模型。

ABSTRACT

We present a fully automated method of integrating intraoral scan (IOS) and dental cone-beam computerized tomography (CBCT) images into one image by complementing each image's weaknesses. Dental CBCT alone may not be able to delineate precise details of the tooth surface due to limited image resolution and various CBCT artifacts, including metal-induced artifacts. IOS is very accurate for the scanning of narrow areas, but it produces cumulative stitching errors during full-arch scanning. The proposed method is intended not only to compensate the low-quality of CBCT-derived tooth surfaces with IOS, but also to correct the cumulative stitching errors of IOS across the entire dental arch. Moreover, the integration provides both gingival structure of IOS and tooth roots of CBCT in one image. The proposed fully automated method consists of four parts; (i) individual tooth segmentation and identification module for IOS data (TSIM-IOS); (ii) individual tooth segmentation and identification module for CBCT data (TSIM-CBCT); (iii) global-to-local tooth registration between IOS and CBCT; and (iv) stitching error correction for full-arch IOS. The experimental results show that the proposed method achieved landmark and surface distance errors of 112.4μm and 301.7μm, respectively.

研究动机与目标

• 为克服牙科CBCT的局限性（如分辨率低、金属伪影）以及全牙弓口内扫描（IOS）中的拼接误差，通过融合两种模态实现改进。
• 实现在无需用户干预或标记点情况下的CBCT与IOS之间全自动、鲁棒的配准。
• 生成高保真度的集成3D模型，结合CBCT中的根部与骨结构和IOS中的高分辨率牙冠及牙龈表面。
• 通过利用CBCT注册的牙齿分割结果作为解剖一致性参考，校正全牙弓IOS中的累积拼接误差。

提出的方法

• 在IOS数据上应用牙齿分割与识别模块（TSIM-IOS），以提取单个牙齿表面并分配唯一标识符。
• 在CBCT数据上使用独立的TSIM-CBCT模块执行相同任务，从而在存在图像伪影的情况下仍能实现精确的牙齿层面对应。
• 通过匹配对应牙齿的几何与拓扑特征，实现全局到局部的牙齿配准，最大限度减少错位。
• 拼接误差校正模块利用CBCT推导的牙齿位置作为真实值，对IOS模型进行优化，降低牙弓范围内的失真。
• 该方法采用迭代 closest point（ICP）及其他配准技术，结合基于深度学习的初始对齐与非重叠区域抑制。
• 系统将校正后的IOS与CBCT数据整合为统一的、分组件的牙弓-牙齿-牙龈三维模型。

实验结果

研究问题

• RQ1 是否能够通过全自动方法在无需用户干预或标记点的情况下，实现CBCT与IOS之间准确的多模态配准？
• RQ2 在CBCT存在金属伪影的情况下，个体牙齿分割与识别在多大程度上能提升配准精度？
• RQ3 在多大程度上可利用CBCT作为参考来校正全牙弓口内扫描中的拼接误差？
• RQ4 采用所提方法进行拼接误差校正后，特征点与表面精度的定量提升程度如何？
• RQ5 集成模型是否能够提供临床可用的、兼具高分辨率牙冠与根部结构及牙龈细节的三维表示？

主要发现

• 所提方法实现112.4 μm ± 73.1 μm的特征点误差，显著优于基线方法（如TSIM + FPFH：144.3 μm，TSIM + MR：532.3 μm）。
• 表面距离误差降低至301.7 μm ± 112.2 μm，相较于其他方法（如TSIM + FPFH：402.4 μm）有显著改善。
• 统计分析证实改进具有显著性，所有关键指标的p值均小于0.001，表明结果具有高度可信度。
• 定性评估显示，该方法有效校正了全牙弓IOS中的拼接误差，校正后IOS轮廓与CBCT牙齿边缘近乎重合。
• 集成结果生成了一个临床可用的、分组件的3D模型，结合了来自两种模态的颌骨、单个牙齿以及牙龈/腭部软组织。
• 即使在CBCT存在严重金属伪影的情况下，该方法仍保持高精度，避免了复杂金属伪影去除（MAR）预处理的需要。