论文阅读：Automatic Detection and Classi cation of Teeth in CT Data

【论文信息】

MICCAI 2012 会议论文
文章实现了中全自动的牙齿检测和分类，对象为CBCT/MSCT，实验数据集是43套临床头部CT图像。
主要是两个步骤：
1. 分割上颌骨；
2. 分成16个子区域，把他们分类成有牙(existing)/无牙(missing)区域。

【背景】

（introduction写得可以，有些句子到时候写论文可以参考。）

一般要是在CBCT扫描的时候嘴巴里带着矫治器什么的，分割结果肯定不会好，只能手工分割。
以往都是分割下颌骨，因为上颌骨难度高。比如有thin bony structures（主要是鼻子那边）,只用灰度值无法检测到。
牙齿的检测在2D图片中做得很好了，但是3D中很少。也由于金属物的存在对于3D的干扰更大。
2D中：
【8，9，10】用了三步走方法：

• isolation in the row of teeth
• independent classification of each isolated tooth
• correction of the classification results

三种方法都是用积分投影(integral projection)来separate teeth.
然后用area feature【9】和shape feature【8，10】来进行分类。The latter need a segmentation of each tooth in the isolated region.
After independent classification of each region, the result is corrected by considering tooth order. In this step, string alignment techniques are used.

对于3D
【11，12】提出了segmentation的方法，但是他们需要牙齿区域tooth region 作为输入。然而现今没有方法可以完成automatically tooth detection in 3D CT data牙齿区域的检测。
Contribution是一个可靠的分割上颌骨的方法，以及自动检测单独的牙齿状态的方法。
整个流程是首先SSM分割上颌骨，然后拟合15个平面来detect 16个 tooth region, 最后用直方图分析来classify 牙齿，生成individual dentition state.

下图是pipeline

【方法】

2 上颌骨分割

本文沿用了文章[7]中的三步走的方法：

1. 通过普通的霍夫变换，初始化一个统计形状模型（SSM），包括它的形状（shape）和位姿（pose）；
2. 没看懂这是啥 adaptation of the SSM governed by a heuristic bone intensity model；反正就是用SSM
3. 用locally regularized shape deformation来优化这个基于SSM的分割结果。

文章【7】中针对的是下颌骨。本文针对(to cope with)上颌骨的具体性质，提出了以下改进：

2.1 Automatic bone threshold selection.

前人的方法是用一个SSM去拟合给定图像数据，通过最小化一个损失函数(cost function)来评估拟合结果。其中核心的参数是图像特定的阈值$t_{Bone}$来描述骨头的灰度特征。对于下颌骨分割，一般用固定的阈值就可以了，说是以为致密和皮质的部分采样充分。但现在对于上颌骨，固定的阈值不够，由于薄结构的存在，比如鼻窦的板和墙状结构，在CT影像中没有被充分采样。部分容积效应使薄结构的骨骼灰度降低。因此，文章提出要根据SSM周围的灰度直方图自动设置$t_{Bone}$。空气和软组织的直方图峰值大约为-1000HU以及0HU。用高斯函数对每个peak建模，$g_1(x), g_2(x)$以及常数值$C$，于是直方图$h(x)$可用函数 f(x)=g1(x)+