共计 1543 个字符，预计需要花费 4 分钟才能阅读完成。

1. CBCT 影像特点与分割难点

锥形束 CT（Cone Beam CT, CBCT）作为口腔临床常用影像设备，其数据具有以下特征：

• 低对比度 ：软组织与骨骼的 HU 值差异较小（约 200-300HU vs 1000+HU）
• 金属伪影 ：牙冠填充物导致的射线硬化伪影（Streaking Artifacts）
• 各向异性分辨率 ：Z 轴分辨率常为 XY 轴的 1 /3（典型值 0.2mm×0.2mm×0.6mm）

传统分割方法面临的主要挑战：

1. 阈值法受限于灰度重叠区域（如牙根与颌骨）
2. 区域生长法对初始种子点敏感
3. 形态学操作难以处理粘连结构

2. 传统方法与深度学习对比

在 50 例测试数据上的定量对比（Dice Similarity Coefficient, DSC）：

3. 核心实现流程

3.1 数据预处理

关键步骤：

1. HU 值归一化：将原始 DICOM 数据线性映射到 [0,1]

   def normalize_hu(image):
       return (image - MIN_HU) / (MAX_HU - MIN_HU)  # 典型值 [-1000,3000]

2. ROI 提取：基于阈值法粗定位颌骨区域

3.2 改进 U -Net 架构

主要改进点：

• 跳跃连接加入注意力门（Attention Gate）
• 编码器使用 ResNet34 预训练权重
• 解码器采用转置卷积 + 双线性上采样混合方式

3.3 损失函数设计

复合损失函数公式：

Loss = 0.7*DiceLoss + 0.3*FocalLoss(gamma=2)

4. PyTorch 关键代码

4.1 数据加载

class CBCTDataset(Dataset):
    def __init__(self, img_dir):
        self.img_files = sorted(glob(f"{img_dir}/*.npy"))

    def __getitem__(self, idx):
        data = np.load(self.img_files[idx])
        image = normalize_hu(data[0])  # 输入图像
        mask = data[1].astype(np.float32)  # 标注掩膜
        return torch.FloatTensor(image), torch.FloatTensor(mask)

4.2 模型定义

class AttentionBlock(nn.Module):
    def forward(self, x, g):
        theta_x = self.conv(x)
        phi_g = self.conv(g)
        ...  # 注意力计算
        return attn_map * x

5. 性能评估

5.1 不同 Backbone 对比

5.2 推理速度

6. 避坑指南

6.1 金属伪影处理

• 使用 Sinogram 修复算法预处理
• 在损失函数中增加伪影区域权重

6.2 小样本增强

• 弹性变形 (Elastic Transform)
• 模拟金属伪影的数据合成

6.3 ONNX 转换

torch.onnx.export(
    model,
    dummy_input,
    "model.onnx",
    opset_version=11,  # 必须≥11
    dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}
)

7. 开放性问题

当前模型参数量约 25M，考虑以下轻量化方向：

1. 知识蒸馏（Teacher-Student 架构）
2. 通道剪枝 (Channel Pruning)
3. 量化训练 (QAT)

期待与各位同行探讨更多临床落地可能性！