[mjkim] paper review

MATHENA: Mamba-based Architectural Tooth Hierarchical Estimator and Holistic Evaluation Network for Anatomy

 

1. Introduction

• Orthopantomogram(OPG)에서 치아 검출, 우식 분할(CarSeg), 이상 탐지(AD), 치아 발육 단계 분류(DDS)를 통합적으로 수행하는 필요성 제시.
• 기존 CNN은 global context 한계, Transformer는 quadratic complexity 문제 존재.
• 이를 해결하기 위해 Mamba 기반 O(N) 구조를 적용한 MATHENA 제안.

 

2. PARTHENON Dataset

• 총 10개 치과 데이터셋 통합 (8 panoramic + 2 periapical).
• 반지도 학습 기반 pseudo-label 생성.
• CarSeg 및 AD는 binary label로 통합.
• crop + augmentation 적용.

3. Methodology (MATHENA)

(1) MATHE – Tooth Detection

• CNN + SSM hybrid backbone (P4, P5 단계에 VSS 블록 적용)
• BiFPN 기반 multi-scale feature fusion.
• O(N) global context modeling으로 bottleneck 상황 개선.

(2) HENA – Tooth Analysis

• Mamba 기반 lightweight U-shaped encoder-decoer 구조.
• Bottleneck에 Global Context State Token (GCST) 도입 → 치아 문맥 반영.
• Sequential transfer learning과 backbone freeze를 통해 안정적 학습과 연산 효율을 동시에 달성.

 

4. Experiments

• Tooth Detection: 93.78% mAP50 (TTA 적용 시 94.89%)
• CarSeg: 90.11% Dice
• AD: 88.35% Dice
• DDS: 72.40% Accuracy
• 기존 모델 대비 우수한 결과.