基于Mask R-CNN的全景X线影像自动牙齿标记与肯尼迪分类系统研究

本研究针对部分缺牙患者颌骨分类的临床需求，开发了基于Mask R-CNN的自动化牙齿标记系统。研究人员通过209例全景X线影像(PX)数据，结合几何重叠检测与FDI编号规则的后处理算法，实现了肯尼迪分类准确率达83%，牙齿标记精度94.7%。该成果发表于《International Journal of Computer Assisted Radiology and Surgery》，为口腔修复规划提供了高效AI辅助工具。

在口腔临床诊疗中，全景X线影像(Panoramic X-rays, PX)因其能一次性呈现全口牙齿及颌骨结构的优势，成为牙科和颌面外科常规检查的重要手段。然而对于部分缺牙患者的修复治疗，传统人工标记牙齿位置并确定肯尼迪分类(Kennedy's classification)的过程既耗时又易出错，特别是面对形态相似的磨牙时，临床医生可能出现编号混淆。这种人工操作的局限性在德国弗莱堡大学医院口腔颌面外科的日常诊疗中尤为突出，促使Fraunhofer数字医学研究所与临床团队合作探索自动化解决方案。

研究团队创新性地将目标检测与实例分割技术相结合，采用改进版Mask R-CNN(Mask Region-based Convolutional Neural Network)模型，对包含206名患者209张PX影像的回顾性数据集进行分析。这些影像排除了正畸装置、骨折等干扰因素，通过专业标注平台CuraMate进行精细标注，并由两名临床医师交叉验证。模型训练采用五折交叉验证策略，每轮使用约125张影像训练，最终实现对牙齿的检测(F1-score 97.6%)、FDI国际牙位标记(准确率94.7%)及个体牙齿分割的三重功能。

关键技术方法包括：1)基于Mask R-CNN的端到端实例分割架构，同步输出牙齿检测框、FDI编号及像素级分割掩膜；2)三重后处理算法——预测分数阈值过滤(>0.5)、FDI编号去重及几何重叠检查(IOU>33%)；3)规则化肯尼迪分类流程，通过第二磨牙(17/27或37/47)存在性判断初始化分类(I-IV类)，并引入"full"类别处理完整牙列。

牙齿标记与分割结果
模型在4,516颗参考牙齿中正确检测92.0%，误标率5.2%主要集中于形态相似的第一、二、三磨牙(占误标总数的38.8%)。上颌切牙(95.1%)和尖牙(94.8%)识别最佳，而下颌切牙(3.9%漏检率)和磨牙(2.9%漏检率)因影像重叠更易漏诊。

肯尼迪分类性能
对418个颌骨的分类结果显示，总体准确率83.0%，其中下颌(86.6%)优于上颌(79.4%)。典型错误模式包括：1)将桥体误判为牙冠导致错误归类"full"(图6c)；2)解剖狭窄牙齿(如下颌切牙)因影像重叠漏检(图6b)；3)磨牙编号错误引发错误分类(图6d)。

后处理步骤的贡献
消融实验证实：1)几何重叠过滤使牙齿标记准确率提升2.3个百分点(92.4%→94.7%)；2)FDI编号去重显著改善"full"类颌骨识别准确率(73→82例正确)；3)仅使用预测分数阈值时，误标牙齿数量激增12倍(232→3,177例)。

这项研究首次实现了肯尼迪分类的自动化流程，其临床意义体现在三方面：首先，将深度学习引入口腔修复学领域，证明Mask R-CNN能有效处理存在大量缺牙和修复体的复杂PX影像；其次，开发的后处理算法为医学影像中重复目标的过滤提供了新思路；最后，83%的分类准确率已接近初级口腔医师水平，有望显著减轻临床工作负荷。未来研究可结合Transformer架构提升牙齿定位精度，并扩展至Eichner支持区分类等更多修复学评估指标。