面向牙科 CBCT 儿童牙齿分割的个体图表示学习

基于摘要分析。本文研究儿童牙齿类型与空间分布随年龄及个体变化而导致的牙科锥形束计算机断层扫描（CBCT）分割难题，提出拓扑结构引导的图卷积网络 TSG-GCN，通过学习个体化动态邻接矩阵，将牙齿空间关系引入分割过程。主要研究对象是儿童牙齿影像分割，而非 EEG 或 BCI。 方法包含用于牙齿分割的 3D GCN 解码器，以及用于动态邻接矩阵学习（DAML）的 2D 解码器。监督构造先将 3D 牙齿标签经 one-hot 编码拆为各牙齿类别的体数据，再生成实例级二维投影标签。DAML 利用这些投影标签学习描述儿童牙齿个体空间分布的动态邻接矩阵，并将其用于 GCN 分割。作者还设计了邻接矩阵层面的跨任务一致性损失，旨在缓解两个异构解码器预测不一致及收敛不稳定的问题；具体损失形式与训练安排尚未验证。 作者报告，在公共数据集和多中心数据集上，该方法相较七种被作者称为当前最先进的方法取得显著改进。摘要未提供数据集名称、样本量、划分方式、评价指标、具体增益或统计检验，因此不能量化提升，也不能据此判断跨中心泛化能力。实验协议、消融及统计信息尚未验证，复现还需核对投影生成规则、邻接矩阵定义、一致性损失及代码可用性。 其图结构监督依赖牙齿实例标签及空间投影关系；现有材料没有建立这些结构与 EEG 信号或电极图的具体对应，因此不将该结果解读为已验证的 BCI 算法改进，也不据此提出迁移实验。