Un modelo de atención global-local para la segmentación de nubes de puntos 3D en escaneo intraoral: un enfoque novedoso
Autores: Chen, Haiwen; Qin, Yuan; Liu, Baoning; Luo, Houzhuo; Qiang, Ruyue; Meng, Yanni; Liu, Zhi; Ma, Yanning; Jin, Zuolin
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Un modelo de atención global-local para la segmentación de nubes de puntos 3D en escaneo intraoral: un enfoque novedoso
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Escáneres intraorales
Datos 3D
Diagnóstico ortodóncico
Modelo de segmentación
Estructuras dentales
Segmentación dental.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
Los escáneres intraorales (IOS) proporcionan datos 3D de alta precisión de los dientes y la encía, críticos para el diagnóstico ortodóntico personalizado y la planificación del tratamiento. Sin embargo, los métodos de segmentación tradicionales muestran un rendimiento reducido con estructuras dentales complejas, como dientes apiñados, faltantes o irregulares, lo que limita su aplicabilidad clínica. Este estudio tiene como objetivo desarrollar un modelo avanzado de segmentación de nube de puntos 3D para mejorar el procesamiento automatizado de datos IOS en escenarios ortodónticos intrincados. Se desarrolló un modelo de segmentación de nube de puntos 3D, que incorpora codificación de coordenadas relativas, autoatención basada en Transformer y mecanismos de agrupación de atención. Este diseño optimiza la extracción de características geométricas locales y dependencias a larga distancia manteniendo un equilibrio entre la precisión de la segmentación y la eficiencia computacional. El entrenamiento y la evaluación se realizaron utilizando conjuntos de datos ortodónticos internos y externos. El modelo logró un promedio de Intersección sobre Unión (IoU) del 92.14% en el conjunto de datos interno y del 91.73% en el conjunto de datos externo, con coeficientes de Dice que consistentemente superan a los de modelos establecidos, incluyendo PointNet++, TSGCN y PointTransformer, demostrando una precisión de segmentación superior y una generalización robusta. El modelo mejora significativamente la precisión de la segmentación dental en escenarios ortodónticos complejos, como denticiones apiñadas o irregulares, lo que permite a los ortodoncistas formular planes de tratamiento y simular resultados con mayor precisión, por ejemplo, optimizando el diseño de alineadores claros o mejorando la eficiencia en el arreglo de los dientes. Su eficiencia computacional respalda la aplicabilidad clínica sin un consumo excesivo de recursos. Sin embargo, debido al tamaño de muestra limitado y a posibles influencias de los avances en la tecnología IOS, la generalización del modelo requiere más pruebas clínicas y optimización en entornos ortodónticos del mundo real.
Descripción
Los escáneres intraorales (IOS) proporcionan datos 3D de alta precisión de los dientes y la encía, críticos para el diagnóstico ortodóntico personalizado y la planificación del tratamiento. Sin embargo, los métodos de segmentación tradicionales muestran un rendimiento reducido con estructuras dentales complejas, como dientes apiñados, faltantes o irregulares, lo que limita su aplicabilidad clínica. Este estudio tiene como objetivo desarrollar un modelo avanzado de segmentación de nube de puntos 3D para mejorar el procesamiento automatizado de datos IOS en escenarios ortodónticos intrincados. Se desarrolló un modelo de segmentación de nube de puntos 3D, que incorpora codificación de coordenadas relativas, autoatención basada en Transformer y mecanismos de agrupación de atención. Este diseño optimiza la extracción de características geométricas locales y dependencias a larga distancia manteniendo un equilibrio entre la precisión de la segmentación y la eficiencia computacional. El entrenamiento y la evaluación se realizaron utilizando conjuntos de datos ortodónticos internos y externos. El modelo logró un promedio de Intersección sobre Unión (IoU) del 92.14% en el conjunto de datos interno y del 91.73% en el conjunto de datos externo, con coeficientes de Dice que consistentemente superan a los de modelos establecidos, incluyendo PointNet++, TSGCN y PointTransformer, demostrando una precisión de segmentación superior y una generalización robusta. El modelo mejora significativamente la precisión de la segmentación dental en escenarios ortodónticos complejos, como denticiones apiñadas o irregulares, lo que permite a los ortodoncistas formular planes de tratamiento y simular resultados con mayor precisión, por ejemplo, optimizando el diseño de alineadores claros o mejorando la eficiencia en el arreglo de los dientes. Su eficiencia computacional respalda la aplicabilidad clínica sin un consumo excesivo de recursos. Sin embargo, debido al tamaño de muestra limitado y a posibles influencias de los avances en la tecnología IOS, la generalización del modelo requiere más pruebas clínicas y optimización en entornos ortodónticos del mundo real.