牙齿点云细分是许多正畸应用中的基本任务。目前的研究主要集中在全监督学习上，这需要昂贵且耗时的手动点逐一标注。尽管最近提出了使用弱标记进行3D细分和取得令人满意结果的弱监督替代方法，但在标记极其稀疏时，它们往往会失败。 受到Segment Anything Model（SAM）强大的提示分割能力的启发，作者提出了一种框架SAMTooth，利用这种能力来补充极度稀疏的监督。 为SAM自动生成适当的点促剂，作者提出了一种新颖的置信感知促剂生成策略，其中将粗分类预测与置信感知过滤聚合。此外，为了充分利用SAM输出中的结构和形状线索来帮助3D特征学习，作者提出了一个蒙版引导的表示学习方法，将SAM生成的牙齿口罩重新投影到3D空间，并约束这些不同牙齿的点生成具有区别的表达。 为了证明该框架的有效性，作者在公共数据集上进行实验，令人惊讶地发现，在只有0.1%的标注（每颗牙一个点）的情况下，作者的方法可以明显超过最近的弱监督方法，性能甚至可以与最近的完全监督方法相媲美，展示了将SAM应用于具有稀疏标签的3D感知任务的重大潜力。 代码在https://github.com/CUHK-AIM-Group/SAMTooth。
1 Introduction
准确地从口腔扫描仪（IOS）的网格数据中提取3D牙点的牙齿分割在许多正畸应用中起着关键作用，包括详细分析牙齿形态学、治疗计划、个性化装置设计等。然而，现有的牙齿点云分割模型 主要依赖于大量的标注数据集进行训练，这涉及到牙点云标注的劳动密集型任务。例如，一个有经验的牙科医生手动标注半个下颌大约需要15到30分钟 [30]。这种耗时过程对建立大规模、高质量标注数据集极具挑战性并且降低了诊断系统的泛化性 。
为了解决这个问题，人们对研究弱监督的替代方法越来越感兴趣。在不同的弱标签（涂鸦、框、部分点等）中，部分点是一个有前景的方向，因为标注的效率高，只需为每个牙齿标注一个或几个点。现有的基于部分点的技术从有限的标签中挖掘出各种训练约束，如扰动一致性 [33; 45]，监控传递 [40; 7]，自监督预训练，假标签等，这些方法已经显著减少了标注劳动力。然而，如图1所示，当标签稀疏度增加到0.1%（每个牙齿一个点）时，现有工作的最好成绩仅给出了 Baseline 6.18%的性能提升，与全监督正则化相比，产生了22.44%的mIoU差异，表明当标签极度稀疏时，现有工作无法表现良好。
作为处理此事的第一尝试，作者打算利用最近的SAM[10]模型。在110万张图像的数据集中训练，SAM可以给出由手动定义的视觉提示生成的细粒度 Mask 。如图1a所示，如果作者渲染输入3D模型的图像，并使用适当的提示将它们输入到SAM，作者可以得到每个牙齿的2D目标 Mask 。由于这些 Mask 包含明确的几何形状信息，作者可以利用它们来补充极稀疏监督。然而，直接将2D SAM应用于3D任务并非易事，因为存在两个问题。首先，很难自动提示2D SAM生成所需 Mask 。SAM Mask 的质量严重依赖于人类提供的提示，而模型训练期间整合人类输入是不现实的。其次，2D图像和3D点云之间存在显著差异，因此很难有效地利用SAM生成的2D Mask 来增强3D域中的模型学习 [26, 14, 25, 24, 12]。
为了解决这两个问题，作者提出了一种名为SAMTooth的新颖框架，用于极稀疏标签的正畸牙齿点云分割。如图1b所示，该框架包括两种模式，包括_自信提示生成_ (CPG) 和_ Mask 引导表示学习_ (MRL)。为了自动生成SAM可用于的适当提示，作者提出CPG将每个预测 tooth 的点聚并投影到图像平面。点预测可能会很噪声，所以作者对点进行信心度估计以过滤不可靠的聚合并选。为了充分利用 SAM 输出进行3D特征学习，作者进一步改进了 MRL 将 SAM 输出的像素重新投影回 3D 空间，并利用对比学习提供训练约束。考虑到背景点也需要受到约束，作者还计算了 SAM 目标 Mask 产生的背景 Mask 并施加显式监督。实验结果表明，SAMTooth 可以大大超过其他弱监督方法，甚至与使用0.1%标注的最近全监督方法相竞争。
2 Method
作者的框架是为了实现弱监督的牙齿点云分割，利用视觉基础模型SAM的零样本能力。如图2所示，它首先从输入扫描图像渲染和映射开始（第2.1节），将输入扫描图像渲染并建立3D点与2D像素之间的映射关系。然后，输入点云P传递到3D分割网络，得到粗略预测Y和点级置信度C，进一步传递到第2.2节的置信度感知提示生成，为SAM生成合适的点级提示。然后，SAM处理生成的提示和渲染图像，得到物体 Mask M，用于通过 Mask 引导的表示学习约束3D特征的第2.3节。整个框架通过分割约束和SAM输出的互补约束进行优化（第2.4节）。
Image Rendering and Mapping
为了利用SAM的输出进行3D表示学习，作者首先将3D IOS网格中的图像作为SAM的输入进行渲染。作者选择从网格而不是点云渲染，因为网格包含更多的纹理细节，而且在正畸应用中总是可用的。根据凸面相机的成像原理，每个点的投影坐标可以通过以下公式获得：
Confidence-aware Prompt Generation
SAM依赖合适的提示来生成高质量的物体口罩，这一过程将进一步影响后续的3D表示学习。因此，应谨慎设计一个合适的提示生成策略。在这方面，作者提出了一种自动提示生成策略，通过聚合每个粗糙预测的牙齿的3D点来生成提示，并伴有自信感知的筛选步骤，以消除那些会导致歧义的牙齿预测。
有了适当的提示点, SAM可以生成精确的目标 Mask ,从中作者可以发掘更多的约束以补充3D模型的稀疏监督。为此,作者提出将2D目标 Mask 重新投影到3D空间,并利用对比学习进行前景特征区分。考虑到背景点,即牙龈也应该受约束,作者进一步从前景 Mask 中计算出背景 Mask 并对其进行相应特征的正规化。
Model Optimization
3 Experiments
Experiment settings
数据集和评价
为了评估作者所提出的方法的有效性，作者在公共3DTeethSeg[1]数据集[1]上进行实验。牙齿识别遵循FDI世界牙科联盟的表示方法[1]。3DTeethSeg[1]是一个公开的牙齿分割数据集，包含900名患者生成的1,800个可用3D IOS扫描，根据实际患者年龄分布获取[1]。为了进行公平的比较，作者在所有实验中使用相同的划分方法：1,080个扫描用于训练，360个用于验证，剩余的用于测试[8]。遵循先前的牙齿分割方法[27, 28, 4]，作者使用Jaccard指数（也称为mIoU），Dice相似系数（DSC）和点分类准确率（Acc）进行评估[1]。
实现细节
作者采用[43]中的标准ViT-B/16作为分割backbone。作者的框架使用AdamW优化器，学习率设置为5e-4，批处理大小为8，权重衰减为0.05[8]。作者实验中设置置信阈值为0.6，温度为0.1，预热周期为10，并将损失权重分别设置为8中的1/0.1/0.01[1]。参照先前的研究[28, 27]，作者从IOS扫描中采样16,000个点构建输入点云，并使用三近邻插值策略在评估时将预测值上采样到原尺寸[1，27]。
Main results
为了与最近的最先进的研究进行公平的比较，作者使用相同的 Backbone 网络，并基于官方仓库重制他们的方法。作者将比较结果展示在1处。SAMTooth在mIoU上达到了76.47%，在mAcc上达到了86.64%，较之前的方法有显著提升。特别是，SAMTooth在mIoU上分别比II-Model[11]，MT[33]，Xu和Lee[40]，PSD[45]，和SQN[7]提升了15.32%，12.47%，6.47%，11.35%，11.82%，9.14%，和10.98%。当只有0.1%的标注时，SAMTooth可以实现与全监督 Baseline 相当的表现，这揭示了所提出框架的有效性，也显示了SAM在为有限标签的牙齿点云分割提供训练信号方面具有巨大的潜力。作者在图3中还提供了定性的比较。观察到作者的方法在边界区域（黑色 Box ）的分割结果比使用其他弱监督方法进行训练的方法更好。
More analysis
3.3.1 Confidence-aware Prompt Generation.
为了评估CPG的有效性，作者尝试了另一种提示生成策略AGG，其通过每个子组的简单聚合获得点提示。如表2所示，这种简单的聚合策略会导致mIoU性能下降4.63%，表明需要信心引导。作者还报告了定性结果在图4（a）中，从中作者观察到AGG生成的提示倾向于从牙齿中心偏移，且这些提示可能导致错误的目标 Mask 。相比之下，CPG生成的提示通常位于牙齿中心附近，生成的 Mask 可以无缝覆盖每个牙齿，从而有利于后续的表示学习。
Mask 引导的表示学习除了MRL，作者还尝试了其他约束策略，包括仅使用前景和背景学习的FG和BG方法。如图4（b）所示，使用FG可以已经比 Baseline 获得12.40% mIoU的性能提升，因为前景特征学习的补充约束。同时，使用BG也可以带来3.68% mIoU的提高。此外，将FG和BG组合，即MRL，可以提高性能的最大15.32% mIoU的改善，揭示了MRL的有效性。
总结而言， Mask 引导的表示学习方法结合了多种约束策略，可以显著提高模型的性能，使得模型能够生成更精确、更符合预期的图像效果。
4 Conclusion
在这篇论文中，作者提出了一种新颖的框架SAMTooth，用于弱监督牙齿点云分割。该框架利用了最近的高级可提示基础模型，即SAM，来补充极为稀疏的监督（每个牙齿一个点）。
它采用了一种置信度意识化的提示生成（CPG），用于自动为SAM生成精确的提示，这些提示受估计的点级置信度的引导。
然后，它利用了 Mask 导向的表示学习（MRL），以充分利用SAM生成的细粒度 Mask 。
在两个基准上的大量实验表明，所提出的方法在很多方面都明显优于现有方法，展示了SAM在3D感知任务上的潜力。
与现有方法相比，所提出的方法在很多方面都明显优于现有方法，展示了SAM在3D感知任务上的潜力。
参考
[1].When 3D Partial Points Meets SAM: Tooth Point Cloud Segmentation with Sparse Labels.
