牙科X光分割模型横评：UNet++为何胜出？

牙科X光片的自动分割一直是医学影像分析的难点。低对比度、噪声干扰、成像质量参差不齐，这些因素叠加在一起，让即便是经验丰富的放射科医生也容易产生判读差异。近年来，基于深度学习的语义分割方法被大量引入这一领域，但一个现实问题始终存在：不同研究用的实验设置各不相同，模型之间的公平比较几乎无法进行。

最近一项研究针对这一空白，在统一实验条件下对四种主流分割模型——PSPNet、DeepLabV3、UNet和UNet++——进行了系统性对比。这篇分析将拆解他们的实验设计、核心发现，以及这些结果对牙科影像AI应用的实际意义。

为什么牙科X光分割这么难？

牙科放射影像与自然图像有本质区别。牙齿、牙槽骨、牙周组织在X光下的灰度差异极小，病灶区域与正常组织的边界往往模糊不清。加上不同设备的曝光参数、患者口腔结构差异，以及金属填充物产生的伪影，图像质量波动很大。

这些挑战直接影响了分割模型的性能上限。研究指出，正是由于这些复杂性，直接比较已有文献中的模型表现变得困难——各研究使用的图像尺寸、批次大小、预处理流程都不一致，导致结论难以横向验证。

实验设计：统一条件下的公平对决

数据集与预处理

研究使用了1269张牙科X光图像，在训练前实施了一系列预处理操作。这一步至关重要，因为牙科影像的噪声模式和对比度分布与通用数据集差异显著，不做预处理直接迁移ImageNet预训练权重往往效果不佳。

对比的四种模型

• PSPNet：通过金字塔池化模块捕获多尺度上下文信息
• DeepLabV3：利用空洞卷积和ASPP结构处理多尺度目标
• UNet：经典的编码器-解码器架构，跳跃连接是核心
• UNet++：在UNet基础上加入嵌套密集跳跃连接，增强特征融合

编码器-解码器架构是UNet系列模型的基础范式。编码器通过一系列卷积和池化操作逐步降低特征图的空间分辨率、提取高层语义信息；解码器则通过上采样（转置卷积或插值）将低分辨率特征恢复到原始图像尺寸，从而输出逐像素的分割结果。跳跃连接（Skip Connection）是该架构的关键设计：它将编码器各层级的高分辨率特征直接传递到解码器对应层级，弥补下采样过程中丢失的空间细节。对于牙齿轮廓、牙槽骨边界这类精细结构，跳跃连接能显著改善分割边缘的准确性，这也是UNet在医学影像领域被广泛采用的核心原因。

空洞卷积（Atrous Convolution/Dilated Convolution）是DeepLabV3的核心组件。普通卷积的卷积核在空间上是连续的，而空洞卷积在卷积核元素间插入间隔（即膨胀率），从而在不增加参数量的前提下扩大感受野。这在语义分割中尤为重要：分割任务既需要足够的感受野来理解全局上下文，又需要保持较高的空间分辨率来精确定位边界。DeepLabV3通过ASPP（空洞空间金字塔池化）结构，以不同膨胀率并行提取多尺度特征，有效应对了分割目标尺度变化的问题。

金字塔池化模块（Pyramid Pooling Module, PPM）是PSPNet的核心设计。它将特征图分别池化为多个不同尺寸的区域（如1×1、2×2、3×3、6×6），再将各尺度的池化结果上采样后拼接。这种方式让网络同时捕捉局部细节和全局上下文信息，特别适合场景中包含不同大小目标的分割任务。在牙科X光中，牙齿大小差异明显，PPM的多尺度聚合能力具有一定的适配性。

评估指标

研究采用Dice系数（DICE）、IoU、准确率、精确率，以及训练和验证损失来全面评估模型。其中IoU和DICE是分割任务中最核心的指标，前者衡量预测区域与真实区域的重叠程度，后者对类别不平衡更鲁棒。

Dice系数（Dice Similarity Coefficient）和IoU（Intersection over Union，交并比）是语义分割中最常用的两个重叠度指标。IoU计算的是预测区域与真实标注区域的交集面积除以并集面积，取值范围为0到1，值越大表示预测越准确。Dice系数则定义为2倍交集面积除以两区域面积之和，与IoU在数学上高度相关，但Dice对类别不平衡更为鲁棒——当目标区域远小于背景区域时，IoU的数值会被大量背景像素稀释，而Dice对前景目标的敏感度更高。在牙科X光分割中，病灶或特定牙齿区域往往只占整幅图像的一小部分，因此Dice通常比IoU更适合作为主要评价标准。两项指标同时报告，能更全面地反映模型在不同评价维度上的表现。

变量控制

实验在不同图像尺寸和批次大小下重复进行，这让研究者能够观察超参数对模型性能的具体影响，而不仅仅报告单一配置下的最优结果。

UNet++凭什么脱颖而出？

在图像尺寸300×300、批次大小为16的配置下，UNet++取得了最高IoU 0.6719和DICE 0.7869，在所有对比模型中表现最佳。

这个结果值得细看。UNet++相比UNet的核心改进在于嵌套的跳跃连接结构——它不是在编码器和解码器之间简单架设一条通路，而是在每个层级都重新设计了特征融合路径。对于牙科X光这种边界模糊、需要精细定位的任务，这种密集连接让网络能更充分地利用不同尺度的特征信息。

另一个有趣的现象是超参数的影响。图像尺寸从较小值提升到300×300时，模型性能有明显变化，说明牙科X光中的细节信息对分辨率有一定依赖。批次大小选择16也是在多次实验后得出的较优配置。

嵌套密集跳跃连接是UNet++相对于UNet的核心创新。传统UNet的跳跃连接是一条从编码器直接到解码器的直线通路，不同层级之间没有横向交互。UNet++则在每一层编码器和解码器之间构建了密集的中间节点，每个节点都接收来自同层编码器以及所有低层中间节点的特征输入。这种设计缩短了编码器与解码器之间的语义鸿沟，使浅层的精细空间信息与深层的抽象语义信息能够在多个尺度上充分融合。对于牙科X光中边界模糊的牙齿与牙槽骨区域，这种多层级、多路径的特征聚合机制让网络能够更准确地定位和组织分割边界，从而在实验中取得最优结果。

对牙科AI应用的三点启示

第一，公平比较比追逐SOTA更重要。 这项研究的价值不在于提出新模型，而在于在受控条件下给出可复现的对比基线。对于想在牙科影像中落地AI的团队来说，这类工作提供了可靠的选型参考。

第二，UNet++的结构优势在医学影像中被反复验证。 从细胞分割到牙齿X光，嵌套跳跃连接对细小结构的分割效果一直稳定。如果要在牙科场景中快速搭建基线系统，UNet++是值得优先尝试的架构。

第三，IoU 0.67意味着还有很大提升空间。 这个数字说明即使是表现最好的模型，在牙科X光分割上也远未达到可完全自动化临床使用的程度。数据增强、领域自适应、以及更大规模标注数据集的构建，仍是后续研究的关键方向。

这项研究为牙科放射影像的自动化分析提供了一个扎实的起点。四种模型在统一条件下的表现差异，以及图像尺寸和批次大小的影响数据，都是后续研究可以直接引用的基准。深度学习在牙科影像中的潜力没跑了，但从实验指标到临床落地，中间还有大量工程和验证工作要做。