2026年5月5日，Paarth Prasad和Ruchika Malhotra在arXiv上提交了一篇题为“Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation”的论文（arXiv:2605.04201）。该研究属于计算机视觉与模式识别领域，提出了一种拓扑约束量化nnUNet框架，旨在解决深度学习模型量化过程中引入的空间失真问题，从而实现高效且解剖学精确的3D牙齿分割。
该方法的核心创新是将一种新型牙齿特异性拓扑损失整合到量化感知训练中。该拓扑损失结合了连通分量分析、邻接一致性检查和空洞检测惩罚，能够在不修改底层网络架构的前提下，保留牙齿数量、邻接关系和空腔完整性等关键解剖结构。同时，系统采用8位量化的nnUNet骨干网络，权重和激活值通过动态校准进行优化，以最小化推理过程中的精度损失。这种动态校准机制使得量化模型能够在保持硬件效率的同时，尽可能恢复全精度模型的准确性。
联合优化目标协调了交叉熵损失、量化正则化和拓扑约束，通过梯度近似实现持久同调项的端到端训练。这使得模型能够在训练过程中同时学习分割任务和拓扑结构保持。实验部分，研究者在牙科CBCT扫描上进行了大量测试，与传统量化模型相比，该方法在拓扑错误方面显著减少，例如减少了牙齿数量的误判、邻接关系的错乱以及空洞的遗漏。最终，该方法实现了临床可行的分割结果，同时保留了整数-only推理的硬件效率，非常适合部署在计算资源受限的临床环境中。
这项研究弥合了医学图像分割中计算效率和解剖精度之间的差距，为实际牙科应用提供了实用解决方案。论文还指出，未来的工作可以进一步探索其他牙齿特异性约束和更高效的量化策略，以推动该技术在临床中的广泛应用。