牙齿分割是牙科修复体中的一个重要主题,这对于牙冠的产生,诊断和治疗计划至关重要。在牙科字段中,输入数据的可变性很高,没有公开可用的3D牙科拱门数据集。尽管最近对3D数据的深度学习体系结构提供的领域有所改善,但仍然存在一些问题,例如正确识别拱门中缺失的牙齿。我们建议将光谱聚类用作自我探测信号,以将3D拱门分割的联合训练神经网络进行分割。我们的方法是通过观察到的,即K-均值聚类提供了捕获与人类感知相关的边缘线的线索。主要思想是通过将未标记的3D拱门分解为仅依靠几何信息的细分市场来自动生成训练数据。然后,使用关节损失对网络进行训练,该联合损失结合了注释输入的监督损失和无标签输入的自制损失。我们收集的数据有多种拱门,包括牙齿缺失的拱门。我们的实验结果表明,在使用半监督学习时,对完全监督的最先进的meshsegnet进行了改善。最后,我们贡献代码和数据集。
translated by 谷歌翻译