Red de codificación y decodificación multicapa guiada por características para la segmentación de datos de...

Área de la Ciencia:

• Visión por computadora
• Imágenes médicas
• La ortodoncia

Sus antecedentes:

• La segmentación precisa de la maloclusión es vital para el diagnóstico ortodóncico y la planificación del tratamiento.
• Los métodos de aprendizaje profundo existentes luchan con la robustez y presentan confusión en la segmentación de maloclusión.
• Esto limita la fiabilidad de las aplicaciones clínicas actuales.

Objetivo del estudio:

• Desarrollar un método de segmentación de modelos dentales 3D robusto y preciso para la maloclusión.
• Mejorar la fiabilidad del aprendizaje profundo en aplicaciones clínicas de ortodoncia.
• Para mejorar el reconocimiento semántico de las malformaciones dentales.

Principales métodos:

• Una red de segmentación 3D en forma de U con orientación de características jerárquicas.
• Un codificador profundo guiado por características con un nuevo método de normalización y una estrategia push-pull para la optimización de la nube de puntos.
• Un flujo de extracción global de cuello de botella invertido y una decodificación capa por capa para la reconstrucción de malla de alta resolución.

Principales resultados:

• Logró un 96,6% de precisión general (OA) y un 90,8% de intersección media sobre la unión (mIoU) en un conjunto de datos dentales mal formados personalizados.
• Superó significativamente a los métodos existentes como PointNet y MeshSegNet.
• Demostró un buen rendimiento en conjuntos de datos públicos (Teeth3DS, 3D-IOSSeg) con OA de hasta el 96,4% y mIoU de hasta el 94,5%.

Conclusiones:

• El método propuesto ofrece un rendimiento superior en la segmentación de la maloclusión en comparación con los enfoques existentes.
• Proporciona una solución robusta y precisa para la ortodoncia virtual inteligente.
• El método mejora el reconocimiento semántico y la reconstrucción de características espaciales para mallas dentales de alta resolución.