论文速读：BMC Oral Health IF=3.1 从 CT/CBCT 图像进行深度学习牙齿分割的发展：系统回顾和荟萃分析

点击👆蓝字或👇名片，关注"AI与医学"

前言

在数字牙科时代，精准牙齿分割对诊断和治疗至关重要，但传统方法存在诸多局限。深度学习技术的出现为从CT/CBCT图像中高效、准确地分割牙齿提供了新思路，本文将通过系统回顾和荟萃分析，全面评估其性能和应用前景。

一键复现算法实验！
✅ 强大数据分析平台
✅ 专业AI技术支持
大壮提供各种医学算法网站部署的业务，助力你发表顶刊。
如果需求联系大壮，
微信：BigStrong-AI
文末扫描二维码，即可看到论文原文

01
论文信息

02
研究背景

传统牙齿分割方法的局限性
在数字牙科领域，CT和CBCT作为先进的3D成像技术，已成为诊断、治疗规划和结果验证的关键工具。然而，传统基于阈值的牙齿分割方法因牙齿与牙槽骨密度相似而难以区分，导致手动分割既繁琐又耗时。
深度学习在牙齿分割中的优势
深度学习作为一种新兴的AI技术，凭借其自动提取特征和处理大数据集的能力，为医学图像分割提供了高效、准确的解决方案，尤其在牙齿分割领域展现出巨大潜力。

03
研究介绍

一、目的
本研究旨在通过系统回顾和荟萃分析，对深度学习在CT/CBCT图像中牙齿分割的性能和演变进行了全面评估，以期为未来临床应用提供有价值的见解和参考。

二、方法
1.信息来源和检索策略
研究者们广泛搜罗了医学和工程领域的多个数据库，包括PubMed、Web of Science、Scopus、IEEE Xplore、arXiv.org和ACM，以确保全面涵盖相关研究。他们精心设计了一套详尽的检索策略，巧妙融合了自由词和数据库主题词，精准聚焦于“tooth”、“segmentation”、“CT”、“CBCT”、“computed tomography”以及“cone-beam”等核心领域，力求不遗漏任何关键信息。检索范围覆盖了这些数据库中所有相关研究的各个字段，借助EndNote 20软件，他们高效地整理和筛选了海量的参考文献。

2.纳入标准
研究类型：研究纳入了回顾性、前瞻性以及横断面研究，涵盖了多种研究设计，以获取更全面的数据。
算法应用：聚焦于将深度学习算法应用于人类牙齿CT/CBCT图像分割的研究，无论是基于公共数据集还是私有数据集的应用都在考虑范围内。
评估指标：要求研究必须报告牙齿分割准确性的评估指标，以便能够对不同研究的性能进行量化比较和综合分析。
3.研究选择
研究选择分为两个阶段，由三位作者独立进行。
在第一阶段，他们仔细审查了所有相关参考文献的标题和摘要，初步筛选出可能符合要求的研究。
进入第二阶段，对这些初步筛选出的文章进行全文检索和深入评估，严格依据预先设定的纳入标准进行筛选。
当三位作者在研究的纳入与否上出现意见分歧时，他们会通过充分的讨论和协商，达成共识，以确保最终纳入的研究都符合高质量的标准。最终的决定始终基于对每篇出版物全文的细致审查，确保研究的严谨性和科学性。

4.数据收集
研究基本信息：包括研究的年份和类型，以了解研究的时间跨度和设计特点。
算法结构与特征：详细记录了深度学习算法的结构和特点，以便对不同算法进行分类和比较。
样本特征：涵盖了样本量、牙齿类型以及成像方式等信息，这些数据有助于了解研究的规模和样本的代表性。
评估指标特征：包括评估方法、指标类型及结果，以及验证方法等，这些数据对于综合分析不同研究的性能至关重要。
5.偏倚风险评估
使用质量评估诊断准确性研究（QUADAS-2）工具对纳入研究的偏倚风险进行了评估。
该评分系统评估四个领域：（1）患者选择；（2）试验检测；（3）参考标准；（4）患者在研究中的流程以及试验检测和参考标准的时机。每个领域都使用信号问题来评估偏倚风险，前三个领域还涉及适用性问题。
根据对这些信号问题的回答，偏倚风险被确定为“低”“高”或“不明确”。
6.数据分析
样本量处理：以牙齿数量作为样本量。如果报告的是个体数量或扫描数量而不是牙齿数量，除非指定了每个个体的牙齿数量，否则假设每个个体有28颗牙齿来进行估算。
数据提取与估算：从各研究中提取了平均值和标准差。对于未报告标准差的研究，采用其他研究的汇总标准差作为估算值。
组间比较：对比了单根牙和多根牙的分割准确性，以探究不同牙齿类型对分割性能的影响。
异质性评估：利用Cochran Q检验的I²值来评估统计异质性，鉴于异质性较高，采用随机效应逆方差模型来提供最佳的汇总结果估计。
分析工具：整个数据分析过程借助Stata统计软件（版本16）完成，确保了分析的科学性和严谨性。
04
研究结果

1.研究筛选
共检索到3361篇研究。去重后2607篇进入标题/摘要筛选，181篇进入全文评估，最终纳入30篇系统综述；其中28篇进入荟萃分析。
2.纳入研究的特征
29篇为横断面研究（96.7%），1篇为回顾性研究。最早发表于2019年。93.3%使用CBCT，6.7%使用CT。
参考标准：人工分割40%，半自动16.7%，未说明43.3%。
验证方式：内部验证70%，外部验证6.67%，双重验证3.33%，未说明20%。86.7%未限定牙型，13.3%区分单根/多根牙。
3.深度学习算法的演变

技术迭代主线
从单阶段卷积（FCN）→ 融入残差/稠密结构（VoxResNet、DenseVoxelNet）→ U形编码-解码架构（U-Net，含UDS-Net、Dense U-Net）→ Transformer多头注意力（TDS-Net），形成一条“卷积增强 → U-Net标准化 → 注意力升级”的演进轴。
模型融合策略
在单架构不断深化的同时，通过“多模型组合”把不同算法优势互补，解决单阶段鲁棒性不足的问题，实现牙齿分割精度与稳定性的双重提升。

4.分割精度的评估指标

指标体系
29项精度指标按量纲分成三大族：
重叠类（DSC、IoU等，共16项，单位%）
距离类（95HD、ASSD等，共5项，单位mm）
体积类（RVD、VS等，共3项，单位mm³或%）
核心指标
临床与研究中实际最常引用的是DSC（占绝对主流），随后依次为IoU、ASSD、敏感性、95HD和精确度，这6项成为后续荟萃分析的焦点。

5.偏倚风险与适用性关注

患者选择领域：偏倚风险高——仅9.1%的研究为低偏倚风险，90.1%风险不明确；但适用性均低风险。
指标检测领域：质量最佳——偏倚风险与适用性关注均为全低风险。
参考标准领域：偏倚风险分化明显——51.5%高风险、30.3%低风险、18.2%不明确；适用性仍为全低风险。
流程与时序领域：偏倚风险全低风险，未提及适用性问题。

6.牙齿分割的合并准确性

合并结果显示：DSC为0.93 [0.93, 0.93]，交并比（IoU）为0.86 [0.85, 0.87]，平均对称表面距离（ASSD）为0.22 [0.19, 0.24]，敏感性为0.92 [0.90, 0.94]，95% Hausdorff距离为0.71 [0.26, 1.17]，精确度为0.96 [0.93, 0.98]。
单根牙和多根牙的分割性能未观察到显著差异，样本量与分割性能之间也未发现明显相关性。

05
学习心得

在牙科 AI 中，结构创新比单纯堆数据更能突破精度瓶颈。
深度学习在牙齿分割领域已走过从单阶段卷积到 U-Net、再到 Transformer 融合注意力的清晰技术脉络；U-Net 及其三维变体之所以长期霸榜，关键在于编码—解码跳跃连接能同时捕捉全局上下文与细微边界，为口腔三维重建奠定了鲁棒基础。

没有统一标注与公开数据集，再强的模型也难走出实验室。
尽管平均 Dice 可达 0.93，但 29 种评价指标并存、数据集封闭且标注质量参差，导致研究间异质性极高；若未来仍缺乏统一协议与开放标签，再精妙的网络结构都可能止步于学术演示，难以真正落地临床。

感谢您的阅读，如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用，请继续关注我们，我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦！👍🔄

编辑：小帆 审稿：大壮
注：本文仅用于分享相关学术论文研究，如存在侵权，请告知，及时删

论文ID：250720，下载二维码:
往期推文
论文速读：Scientific Reports IF=3.9 基于特征可解释性的糖尿病足溃疡识别深度学习技术
顶刊速读：EBioMedicine IF=10.8 预测导管原位癌浸润性复发的深度学习：利用组织病理学图像和临床特征
顶刊速读：Lancet Digital Health IF=24.1 通过应用于视网膜图像的深度学习对糖尿病肾病进行无创活检诊断
论文速看：Commun Med IF=5.4 评估基于深度学习从有限导联重建12导联心电图的可行性
论文速读：Nat Commun IF：14.7 一种用于CT扫描检测和诊断骨转移的临床应用人工智能系统
华中科技大学Nature子刊：多专科融合AI模型精准预警感染性休克死亡风险——一项多中心临床验证研究
顶刊阅读：BMJ Medicine 人工智能辅助计算机检测息肉在结直肠癌筛查中的益处、负担及危害：一项微观模拟建模研究
顶刊阅读：组织病理学图像的癌症诊断与生存期预测基础模型