본 논문은 구강 스캔으로부터 치아 포인트 클라우드의 정확한 분할을 달성하는 것을 목표로 합니다. 치과 어노테이션의 노동 집약적인 특성으로 인해 많은 양의 데이터가 라벨링되지 않은 상태로 남아있어, 반지도 학습 방법에 대한 관심이 증가하고 있습니다. 기존의 반지도 학습 의료 분할 방법의 주요 과제는 라벨이 지정되지 않은 데이터에 대해 생성된 잡음이 많은 의사 라벨입니다. 이러한 과제를 해결하기 위해, 본 논문에서는 의사 라벨의 잡음을 명시적으로 모델링하기 위해 인스턴스 종속 전이 행렬(IDTM)을 사용하는 최초의 프레임워크인 GeoT를 제안합니다. 수만 개의 치아 포인트로 인해 발생하는 IDTM의 광범위한 해 공간을 처리하기 위해, 3D 및 IDTM 공간에서 포인트 인접 관계 간의 일관성을 향상시키는 포인트 수준 기하학적 정규화(PLGR)와 최적의 IDTM 추정을 위해 치아 범주의 고정된 공간 분포를 활용하는 클래스 수준 기하학적 평활화(CLGS)라는 두 가지 주요 구성 요소를 통해 치아 기하학적 사전 정보를 도입합니다. 공개 Teeth3DS 데이터셋과 비공개 데이터셋에서 수행된 광범위한 실험은 제안된 방법이 라벨이 지정되지 않은 데이터를 최대한 활용하여 분할을 용이하게 하고, 라벨이 지정된 데이터의 20%만으로도 완전 지도 학습 방법과 비교할 만한 성능을 달성할 수 있음을 보여줍니다.
