2026年5月5日，Paarth Prasad和Ruchika Malhotra在arXiv上提交了一篇題為“Topology-Constrained Quantized nnUNet for Efficient and Anatomically Accurate 3D Tooth Segmentation”的論文（arXiv:2605.04201）。該研究屬於計算機視覺與模式識別領域，提出了一種拓撲約束量化nnUNet框架，旨在解決深度學習模型量化過程中引入的空間失真問題，從而實現高效且解剖學精確的3D牙齒分割。
該方法的核心創新是將一種新型牙齒特異性拓撲損失整合到量化感知訓練中。該拓撲損失結合了連通分量分析、鄰接一致性檢查和空洞檢測懲罰，能夠在不修改底層網路架構的前提下，保留牙齒數量、鄰接關係和空腔完整性等關鍵解剖結構。同時，系統採用8位量化的nnUNet骨幹網路，權重和啟用值透過動態校準進行最佳化，以最小化推理過程中的精度損失。這種動態校準機制使得量化模型能夠在保持硬體效率的同時，儘可能恢復全精度模型的準確性。
聯合最佳化目標協調了交叉熵損失、量化正則化和拓撲約束，透過梯度近似實現持久同調項的端到端訓練。這使得模型能夠在訓練過程中同時學習分割任務和拓撲結構保持。實驗部分，研究者在牙科CBCT掃描上進行了大量測試，與傳統量化模型相比，該方法在拓撲錯誤方面顯著減少，例如減少了牙齒數量的誤判、鄰接關係的錯亂以及空洞的遺漏。最終，該方法實現了臨床可行的分割結果，同時保留了整數-only推理的硬體效率，非常適合部署在計算資源受限的臨床環境中。
這項研究彌合了醫學影像分割中計算效率和解剖精度之間的差距，為實際牙科應用提供了實用解決方案。論文還指出，未來的工作可以進一步探索其他牙齒特異性約束和更高效的量化策略，以推動該技術在臨床中的廣泛應用。