[论文解读] RegFreeNet: A Registration-Free Network for CBCT-based 3D Dental Implant Planning

Xinquan Yang, Xuguang Li+7 more|arXiv (Cornell University)|Jan 21, 2026

Dental Radiography and Imaging被引用 1

一句话总结

RegFreeNet 基于掩码后植入 CBCT 数据训练，以在没有配对前后扫描的情况下预测植入位置和倾斜角，并发布 ImplantFairy 数据集用于大规模评估。

ABSTRACT

As the commercial surgical guide design software usually does not support the export of implant position for pre-implantation data, existing methods have to scan the post-implantation data and map the implant to pre-implantation space to get the label of implant position for training. Such a process is time-consuming and heavily relies on the accuracy of registration algorithm. Moreover, not all hospitals have paired CBCT data, limitting the construction of multi-center dataset. Inspired by the way dentists determine the implant position based on the neighboring tooth texture, we found that even if the implant area is masked, it will not affect the determination of the implant position. Therefore, we propose to mask the implants in the post-implantation data so that any CBCT containing the implants can be used as training data. This paradigm enables us to discard the registration process and makes it possible to construct a large-scale multi-center implant dataset. On this basis, we proposes ImplantFairy, a comprehensive, publicly accessible dental implant dataset with voxel-level 3D annotations of 1622 CBCT data. Furthermore, according to the area variation characteristics of the tooth's spatial structure and the slope information of the implant, we designed a slope-aware implant position prediction network. Specifically, a neighboring distance perception (NDP) module is designed to adaptively extract tooth area variation features, and an implant slope prediction branch assists the network in learning more robust features through additional implant supervision information. Extensive experiments conducted on ImplantFairy and two public dataset demonstrate that the proposed RegFreeNet achieves the state-of-the-art performance.

研究动机与目标

• 消除对前后植入 CBCT 扫描在植入规划中的配准依赖。
• 利用掩码后的后植入 CBCT 实现大规模多中心数据集构建。
• 开发一个具备坡度感知的双分支网络，以分别学习植入位置和倾斜角。
• 引入 Neighboring Distance Perception (NDP) 模块，在不存在显式前后监督的情况下恢复解剖学上下文。
• 提供公开获取的 ImplantFairy 数据集，具有体素级注释以用于基准测试。

提出的方法

• 在后植入 CBCT 数据中掩码植入区域，以实现注册自由的学习。
• 使用带多尺度扩张卷积、KNet 和图卷积网络的 Neighboring Distance Perception (NDP) 模块来建模牙齿尺度的解剖上下文。
• 采用双分支解码器，一个位置回归分支和一个坡度（倾斜）预测分支，以进行显式几何正则化。
• 用复合损失进行训练，分割（植入位置）使用 Dice 与交叉熵，坡度估计使用 L1 损失。
• 通过坡度监督对位置学习进行正则化，以强化解剖上合理的植入轨迹。
• 发布 ImplantFairy，这是一个包含 1,622 份 CBCT 扫描的大规模植入数据集，用于基准测试。

实验结果

研究问题

• RQ1 一个注册自由框架是否能够从掩码后的后植入 CBCT 数据准确预测牙科植入位置与倾斜角？
• RQ2 NDP 模块在没有成对前后数据的情况下如何帮助学习解剖上下文？
• RQ3 显式预测植入坡度作为正则化对位置准确性有何影响？
• RQ4 RegFreeNet 如何在外部、公开可获得的 CBCT 数据集上泛化？
• RQ5 ImplantFairy 对基准测试注册自由牙科植入规划方法的价值何在？

主要发现

• RegFreeNet 在 SUGH 数据集上实现 Dice 分数 47.51 和 IoU 0.3540，优于所有比较模型。
• 在外部数据集上，RegFreeNet 实现 Dice 分数 33.0 和 IoU 0.2413，显示出较强的泛化能力。
• 消融研究表明，加入 NDP 和坡度预测分支可以提升性能，在 SUGH 上 Dice 提升最多 1.87%，在外部数据上 Dice 提升最多 8.52%（SPB）。
• RegFreeNet 同时具备这两个模块时，在测试方法中达到最佳总体性能。
• ImplantFairy 被提出作为首个公开的大规模牙科植入数据集，含 1,622 份 CBCT 扫描用于训练和评估。