CMVNet：一种基于中心线引导的多视图网络，用于CBCT（计算机断层扫描）中连续下颌管的分割

《Biomedical Signal Processing and Control》：CMVNet: Centerline-guided multi-view network for continuous mandibular canal segmentation in CBCT

连续性下颌管分割方法CMVNet通过立方样条插值中心线引导和结构感知特征提取器实现高精度解剖学分割，在ContMC和Maxillo数据集上显著优于现有方法，Hausdorff距离降低65%，SVI接近零。

　　

杨振成|郑玉晨|杨燕|谭敏|丁家军|杨帆

中国杭州电子科技大学复杂系统建模与仿真重点实验室

摘要

尽管精确分割下颌管有助于外科医生规划口腔和颌面手术，但在锥形束计算机断层扫描（CBCT）中，下颌管分割面临边界模糊、结构缺失以及周围管状组织干扰等挑战。为此，我们提出了CMVNet网络，以实现连续且符合解剖学特征的下颌管分割。具体而言，该方法首先使用粗定位网络获取下颌管的粗略轮廓，然后采用三次样条插值算法提取下颌管中心线。通过结合中心线的先验知识，我们设计了结构感知特征提取器（SAFE）来从多个解剖学角度捕捉线性特征，并利用精细化网络完成最终分割。得益于先验拓扑结构知识的嵌入和多视图结构感知能力，我们的方法在结构连续性、边界平滑度以及小体积噪声抑制方面表现出显著优势。我们构建了ContMC数据集，并添加了面向临床的注释，强调了解剖学连续性和实际应用性。实验表明，CMVNet在ContMC数据集和公共数据集Maxillo上的性能均优于现有方法。CMVNet在Hausdorff距离上提高了65%，小体积检测得分接近零，同时保持了先进的分割精度。代码和数据可在此链接获取：https://github.com/YangZC153/CMVNet。

引言

在牙科手术（包括拔牙、截骨和种植牙）中，准确分割下颌管对于防止神经损伤及相关并发症至关重要[1]。然而，在锥形束计算机断层扫描（CBCT）成像中，下颌管分割存在显著挑战：神经的对比度较低，边界不清晰，而牙齿和牙槽骨等硬组织的边界则清晰可见。这种可见性不足限制了临床医生对神经的直接定位，尽管CBCT已成为牙科成像的首选技术[2],[3],[4]。

现有的主流模型能够识别大部分下颌管区域，但仍存在局限性。视觉分析显示，传统的评估指标无法充分评估下颌管的结构完整性，导致分割结果不连续、边缘粗糙以及存在小噪声，从而影响临床应用。这些结构不一致性直接削弱了外科医生建立可靠解剖标志和评估神经邻近风险的能力。因此，迫切需要探索新的方法。

实际上，医学成像中常常包含模糊的特征，如边界不清和不可避免的内部结构缺失[5]。传统方法因此会产生不连续的下颌管分割结果。此外，牙根周围的其他管状组织与下颌管结构相似，导致分割结果中存在大量小噪声[6],[7]。幸运的是，下颌管具有特定的解剖结构，下牙槽神经通过连续的管道运行。我们观察到，牙医即使在遇到部分结构缺失的区域时，也能推断出下颌管的连续轨迹并进行标注。基于这一观察，我们嵌入了下颌管中心线的先验解剖知识以提供拓扑约束。传统的卷积操作在提取下颌管的三维线性结构特征方面能力有限，这促使我们引入了自适应线性特征提取方法。此外，经验丰富的牙医在不同下颌管区域使用不同的解剖坐标平面进行标注。受这一临床实践的启发，我们引入了多视图自适应线性卷积来提高分割精度。与现有方法相比，我们的方法通过明确的拓扑约束和视图自适应特征提取，解决了结构连续性、解剖不一致性以及小体积噪声等问题。

在本文中，我们提出了一个基于中心线引导的多视图网络（CMVNet），专门用于下颌管分割。此外，现有的开源数据集Maxillo和ToothFairy存在不连续的下颌管标注问题（见图11(a)）。这种不连续的标注会因与下颌管固有的连续性相矛盾而影响模型训练。为了解决这一问题，我们引入了ContMC数据集，该数据集强调解剖细节和标注的连续性。该数据集来自浙江省人民医院口腔科，由五位经验丰富的牙医共同标注，并通过交叉验证确保了高质量的下颌管分割。大量实验表明，我们的CMVNet在ContMC和Maxillo数据集上都取得了先进的性能，特别是在结构连续性指标上表现出显著提升，Hausdorff距离大幅改善，小体积检测得分接近零。因此，本文的主要贡献如下：

• 1.
  我们提出了一种新的拓扑感知分割框架，利用基于三次样条插值中心线作为几何先验，即使在解剖学上模糊的区域也能保证结构连续性。
• 2.
  我们设计了结构感知特征提取器（SAFE）模块，采用视图自适应卷积从多种解剖学角度捕捉管状特征。与各向同性的3D CNN不同，SAFE能够在弯曲轨迹上保持管状结构的连贯性，从而提高分割精度和鲁棒性。
• 3.
  我们引入了ContMC，这是第一个具有可证明连续性标注的公共数据集。它克服了现有数据集的不连续标注问题，弥合了当前分割研究与临床实践需求之间的差距。

部分内容

下颌管分割

在临床实践中，下颌管分割通常需要手动在CBCT全景视图上标注神经线，这既耗时又费力。此外，这种传统方法仅提供下颌管的粗略表示[8]。最近，机器学习和深度学习在医学图像分割方面展现了巨大潜力[9],[10],[11],[12]，能够有效处理复杂的医学图像数据[13],[14],[15],[16]。在牙科成像中

方法

我们提出的方法可以分为三个模块（见图1）。(a) 粗定位模块（CLM）使用粗定位网络从原始CBCT图像中提取初始下颌管轮廓，提供粗略的解剖学定位。(b) 拓扑引导先验模块（TGPM）区分左右下颌管，并生成平滑连续的中心线，作为后续处理的解剖学约束。(c) 结构感知精细化模块（SARM）

ContMC数据集

由于当前下颌管数据集稀缺，我们收集并标注了一个新的下颌管数据集ContMC。所有数据来自浙江省人民医院，由五位具有丰富临床经验的牙医使用3D Slicer完成标注。在标注过程中，我们确保了下颌管结构的连续性，没有断点或小噪声（见图5）。粗定位网络和精细化网络使用相同的数据划分方式，以确保

计算效率分析

我们通过GPU内存使用情况和推理时间对ContMC数据集进行了计算效率评估。如表8所示，CMVNet在参数使用上非常高效（38.26M），比基于Transformer的模型（如UNETR（146.20M）和nnFormer（149.08M）使用的参数少得多。然而，我们注意到，与单阶段网络相比，我们的方法总推理时间较长（每个样本308.65秒）。这种延迟是由于我们的多阶段流程（CLM、TGPM等）是顺序执行的。

结论

在本文中，我们提出了一种基于中心线引导和多视图特征融合的下颌管分割方法。该方法通过三次样条插值中心线提取嵌入解剖学先验知识，并引入多视图自适应线性卷积，增强了模型对下颌管三维线性结构的理解。这些关键技术的结合使得分割结果更符合解剖结构

CRediT作者贡献声明

杨振成：撰写——原始草案、方法论、研究、形式分析、概念化。郑玉晨：撰写——审稿与编辑、资源管理、项目协调。杨燕：可视化、资源管理、形式分析。谭敏：撰写——审稿与编辑、监督、资源管理、项目协调。丁家军：撰写——审稿与编辑、监督、资源管理。杨帆：撰写——审稿与编辑、监督、资源管理、项目协调。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究工作。