摘要
本研究提出了一个基于结构感知的推理框架，用于可见光口腔图像中的牙齿编号和病变定位。由于牙齿类型分布不均导致的类别不平衡和结构不一致性，牙齿编号常常受到影响，因此需要将解剖学先验知识整合到推理过程中。该框架首先使用基于深度学习的检测模块将牙弓划分为四个象限，以建立空间组织结构。在此基础上，通过采用“锚点引导的推理”（Anchor-Teeth-Guided Inference, ATGI）策略，利用牙弓的连续性、双侧对称性以及基于置信度的锚点选择方法，重建全局一致的牙齿编号系统，从而提高对较少出现牙齿类别的识别能力。系统能够独立检测出视觉上可疑的病变区域，并将其与已编号的牙齿进行空间关联，实现结构和病变的联合分析。在多源数据集上的评估显示，该方法在32类牙齿编号任务中的加权F1分数达到了0.813，优于传统的端到端方法，同时提高了空间一致性。对于龋齿相关区域，病变定位的F1分数为0.850；对于牙龈炎相关区域，F1分数为0.789。这些结果表明，结合解剖学约束能够增强牙齿编号的鲁棒性，并提高可见光口腔图像分析中罕见类别的识别能力，为以筛查为导向的口腔评估和远程牙科应用提供了潜力。
