《Journal of Dentistry》：TAPSeg: An Open-Source Deep Learning Tool for Instance-Level Tooth and Pulp Segmentation in CBCT
编辑推荐：
自动分割CBCT图像中牙齿及牙髓的三阶段V-Net与nnU-Net协同框架，验证其在多数据集的泛化能力，DSC达91.5%-94.2%，支持临床精准分析与 workflows。
张毅|张明雅|叶佳雪|周欣怡|秦子睿|童苏曼|邓淑丽|王媛
浙江大学医学院口腔医学院口腔医院，浙江省口腔疾病临床研究中心，浙江省口腔生物医学重点实验室，杭州，310000
摘要
目的
: 开发一种基于深度学习的开源一键式CBCT自动分割工具，用于在3D Slicer软件中对牙齿和牙髓进行集成分割和重建，并验证其在多个数据集上的泛化能力。
方法
: 使用三个数据集进行模型训练和评估。牙齿分割采用了三阶段V-Net协作框架（牙弓区域定位、单牙质心检测和单牙精细实例分割），而牙髓分割则使用nnU-Net进行3D语义分割。在独立的外部数据集上评估模型性能，包括根尖未闭合的未成熟恒牙，使用Dice相似系数（DSC）、95%豪斯多夫距离（HD95）、灵敏度和精确度作为评价指标。对根尖未闭合的牙齿进行了微调和额外评估。
结果
: TAPSeg在多个测试集上表现出稳健的性能，牙齿分割的DSC范围为91.5%–94.2%，牙髓分割的DSC范围为91.0%–92.2%，HD95值分别为0.700–1.449 mm和0.704–1.008 mm，同时保持了高灵敏度和精确度。对于根尖未闭合的未成熟恒牙，硬组织分割的DSC为92.1% ± 6.5%。
结论
: TAPSeg通过集成V-Net和nnU-Net，提供了一个准确、高效且可泛化的牙齿-牙髓分割工具，只需一键操作即可完成，作为3D Slicer的插件，降低了临床应用的门槛。
临床意义
TAPSeg使临床医生能够几分钟内从CBCT扫描中生成患者特定的3D模型，支持根形态和体积变化的标准化量化、根发育的跟踪、再生性根管治疗程序以及自动化数字牙科工作流程。
引言
在现代牙科中，对牙齿和颌面结构的精确分析对于准确诊断、治疗计划和结果评估至关重要。随着数字技术的快速发展，数字牙科已成为临床牙科实践进步的关键驱动力[[1], [2], [3]]。它涵盖了从图像获取和三维（3D）建模到虚拟诊断、治疗计划、计算机辅助程序和人工智能支持的整个工作流程。这种整合不仅提高了诊断和治疗的准确性和效率，还为个性化、微创护理提供了基础[4]。
在这种背景下，锥形束计算机断层扫描（CBCT）因其低辐射剂量和高空间分辨率而在牙科根管治疗、种植学、正畸学和颌面外科中得到广泛应用[[5], [6], [7]]。CBCT能够清晰地显示复杂的解剖结构，包括颌骨、牙齿、根管系统和神经管，使其成为数字牙科诊断工作流程中不可或缺的成像方式[8]。
准确的3D图像分割对于后续的临床规划和分析至关重要。传统的手动勾画耗时且容易受到操作者偏见的影响，而传统的半自动方法（如阈值分割或区域生长）在对比度低或边界模糊的情况下往往表现不佳。随着深度学习的发展，自动分割已成为医学成像中的主流方法。这些方法减少了人工输入，提高了一致性和可重复性，并且可以保持甚至提高分割精度[7,[9], [10], [11]]。
深度学习在牙科CBCT图像的结构分割方面取得了显著进展。多项研究表明，基于深度学习的方法在牙齿和牙髓分割方面表现出色，Dice相似系数（DSC）值通常超过90%[12]。崔等人[13]提出了一种基于V-Net的两阶段分割架构，在来自15个机构的4000多个病例的多中心数据集上实现了高度准确的牙齿分割，为该领域树立了基准。周等人[14]开发的OralSeg模型集成了UNETR、Swin Transformer和空间Mamba模块，实现了83.16%的单牙实例分割精度。钟等人[15]引入了TIPs，这是第一个公开可用的使用分层融合Mamba模型进行牙齿和牙髓实例分割的工具。Santos-Junior等人[16]开发了一种基于卷积神经网络的人工智能（AI）工具，在分割单根牙齿时实现了高精度（DSC为89%–93%），并将分割时间相比手动方法减少了54倍。总体而言，这些研究突显了深度学习在牙科CBCT图像分割中的巨大潜力。
然而，当前方法在临床应用中仍面临一些挑战。大多数研究仅关注单个解剖结构，缺乏对整个牙齿-根管系统进行协作分割的集成框架，限制了其实际应用[17], [18], [19]]。此外，根尖未闭合的未成熟恒牙带来的独特难题尚未得到充分解决。开源工具也存在局限性：虽然像DentalSegmentator[20]这样的插件可以实现全牙列分割，但它们无法同时分割单个牙齿及其对应的根管系统。
因此，仍然缺乏一种开源的、稳健的工具，能够在复杂的临床场景中自动、快速且集成地分割牙齿-根管系统，这正是本研究要解决的核心问题。为了满足这一需求，我们提出了一个三阶段协作分割框架TAPSeg（Tooth And Pulp Segmentation），它结合了V-Net[21]和nnU-Net[22]的优势，以实现高分割精度并降低计算复杂性。该设计提高了高效3D重建工作流程的适用性。TAPSeg已被实现为3D Slicer的一键式分割插件，为学术界和临床用户提供了一个可访问、透明且可扩展的解决方案，并在多中心验证后促进了其未来的临床应用。
材料与方法
本研究遵循了医学成像中人工智能的CHECKLIST（CLAIM）指南[23]（见补充表S1）。我们开发了TAPSeg，这是一个用于从CBCT扫描中全自动分割牙齿和牙髓的深度学习框架，实现了牙齿-牙髓的实例级关联。该模型在内部数据集上进行了训练，并将其性能与专家标注的参考标准在内部测试集和两个外部数据集（ToothFairy3[[24], [25]]上进行了比较
在不同数据集上的泛化性能
TAPSeg的整体分割性能在三个独立数据集上进行了评估，这些数据集共包含198张CBCT扫描图像（48个内部测试集案例、100个来自ToothFairy3数据集的案例和50个来自Cui数据集的案例）（表2）。对于牙齿分割，模型的DSC范围为91.5%至94.2%，HD95值为0.700至1.449 mm；对于牙髓分割，DSC范围为91.0%至92.2%，HD95值为0.704至1.008 mm，同时保持了高精确度
讨论
在这项研究中，我们介绍了TAPSeg，这是一种用于牙齿和牙髓的自动CBCT分割工具。通过整合V-Net和nnU-Net架构的互补优势，TAPSeg能够在3D Slicer平台内快速、一键完成全牙弓和牙髓的分割。基于三阶段协作分割框架，TAPSeg在多个独立测试集中展示了高分割精度，同时每次CBCT扫描的推理时间仅为1–2分钟
结论
本研究提出了TAPSeg，这是一种用于牙齿和牙髓的自动CBCT分割工具，它整合了V-Net和nnU-Net，实现了在3D Slicer中的一键分割和3D重建。在多个数据集上的评估表明，该方法在保持高分割精度的同时实现了高效的推理效率。TAPSeg支持全牙弓的3D牙科分析和对根形态变化的客观评估，特别是在未成熟恒牙方面的性能表现更为突出
CRediT作者贡献声明
张毅：撰写——原始草稿、方法论、研究、数据管理。张明雅：撰写——原始草稿、软件开发、方法论、正式分析、数据管理。叶佳雪：撰写——原始草稿、研究、数据管理。周欣怡：撰写——原始草稿、方法论、正式分析。秦子睿：撰写——原始草稿、研究。童苏曼：撰写——原始草稿、研究。邓淑丽：撰写——审稿与编辑、监督、资金获取。王媛：
