在口腔醫療診斷和治療領域，作為傳統的成像檢查方法，二維牙科X光片提供的信息相對有限，與三維成像技術相比存在較大挑戰[1]，[2]。因此，探索從二維圖像重建三維圖像的技術對于突破傳統二維成像的瓶頸、全面提高口腔疾病的診斷和治療水平具有重要的實際意義[3]，[4]。

在醫學圖像重建領域，特別是對于牙齒等離散組織的重建，現有研究不斷探索新的方法以突破技術瓶頸。早期階段，卷積神經網絡（CNN）方法，如Ronneberger等人提出的U-Net架構[5]、Oktay等人提出的Attention U-Net[6]、Vaswani等人引入的注意力機制[7]，以及Wang等人將自注意力機制引入醫學圖像重建的研究[8]，[9]，大多依賴于單平面特征分析。在牙科圖像重建的場景中，這阻礙了它們準確捕捉牙齒的細微形態差異；同時，缺乏有效的多維損失約束框架導致多平面特征融合時出現誤差，最終導致重建結果與實際情況不符。在結構重建方法方面，Kalra等人的工作[10]、Li等人的工作[11]、Liu等人和Zhang等人探索的基于深度學習的CT重建方法[12]，[13]，以及Wang等人和Chen等人、Li等人關于組織屬性建模、區域自適應正則化和多目標優化的工作[14]，[15]，都將CT重建過程視為一個整體。它們沒有為牙齒和軟組織等不同區域設計差異化的精細重建策略，導致重建結果無法準確反映牙齒的真實生理特征。在數據利用方面，Goodfellow等人提出的基本生成對抗網絡（GAN）框架[16]、Zhao等人將其應用于醫學圖像重建的探索[17]、Wang等人專門為牙科圖像重建設計的ToothGAN[18]，以及Zhu等人和Isola等人提出的其他GAN變體和相關研究[19]，[20]，大多采用完全監督的訓練模式，存在嚴重的數據依賴性問題。在解決CT數據的偽影問題方面，Chen等人[21]、[22]、Wang等人[23]、Liu等人[24]和Zhang等人[25]提出的偽影減少算法在一般醫學圖像中取得了一定效果。然而，在對細節要求極高的牙科CT中，這些算法仍無法完全消除偽影對重建結果的負面影響。

為了解決傳統口腔圖像重建中的問題，本文提出了一種基于密度感知和半監督學習的3D牙科重建方法。如圖1所示，該流程圖描述了口腔圖像重建系統，它由三個模塊組成：首先，雙平面注意力機制增強2D特征提取[42]，[43]；其次，重建網絡基于密度感知進行多區域并行重建[44]；第三，

ToothFairy2023是一個專門為下頜牙槽神經分割研究設計的醫學成像數據集，基于錐形束計算機斷層掃描（CBCT）技術收集。該數據集包含446例稀疏標注數據和153例密集標注數據，所有數據均存儲為.npy格式；每位患者至少提供CBCT掃描數據和稀疏標注數據，部分患者還有額外的密集標注數據。在數據處理階段，采用固定

本文提出了一種基于密度感知的半監督框架，實現了高精度的3D牙齒重建。通過雙平面注意力和多維損失的協同整合，我們顯著提高了2D特征提取的準確性。所提出的基于密度的多區域重建策略通過獨立建模各種口腔組織并考慮其不同的物理特性，確保了解剖學的真實性。此外，半監督動態迭代

鄒思琪：寫作 – 審稿與編輯，撰寫 – 原始草稿，可視化，驗證，監督，軟件，方法論，調查，形式分析，數據管理，概念化。張玉貴：寫作 – 審稿與編輯，監督，資源獲取，方法論，形式分析，數據管理，概念化。朱明月：監督，資金獲取。王尊旺：監督，資源獲取，項目管理。

作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。

本工作部分得到了國家重點研發計劃（項目編號：2024YFC3607700）、北京市科學技術委員會（項目編號：Z251100006025021）、中國博士后科學基金會（項目編號：2022M723863）和新疆維吾爾自治區自然科學基金（項目編號：2024D01C53）的支持。作者衷心感謝所有幫助撰寫本文的人以及審稿人的支持