CN109146867A - 口腔曲面ct图像生物特征提取及匹配方法和设备 - Google Patents
口腔曲面ct图像生物特征提取及匹配方法和设备 Download PDFInfo
- Publication number
- CN109146867A CN109146867A CN201810970889.4A CN201810970889A CN109146867A CN 109146867 A CN109146867 A CN 109146867A CN 201810970889 A CN201810970889 A CN 201810970889A CN 109146867 A CN109146867 A CN 109146867A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- curved surface
- oral cavity
- target photo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000000605 extraction Methods 0.000 title claims abstract description 37
- 210000000214 mouth Anatomy 0.000 title claims abstract description 35
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 16
- 238000005452 bending Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000002980 postoperative effect Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种口腔曲面CT图像生物特征提取及匹配方法和设备,图像匹配的方法包括:统一图片格式及大小;选择牙区范围并进行截取;在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块;对每块图片进行形态学处理,然后根据明度累加序列进行二次定位,根据明度累加序列的空隙位置将牙区无用的骨骼区域去除;将去骨后的图片进行特征提取;根据提取的特征查找与目标图片匹配的对象图片。本发明将牙齿分为多个块,分别计算两张图片的多块图片的相似度从而得到两张图片的相似度,可以更加精确地利用好整个图片的信息,且在特征提取前进行去骨,使得可以使用的信息占尽可能大的权重,从而提高匹配效率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种口腔曲面CT图像生物特征提取及匹配方法和设备。
背景技术
一些老的医院,由于数据库不兼容,而且采集的数据没有标签,很难找到病人以前在其他医院的数据。可以采用图像匹配的方法对采集的病人图片进行匹配,从而找到病人以前在其他医院的数据。在对口腔曲面CT图像进行匹配时,需要对口腔曲面CT图像进行图像分割,而目前根据图像的亮度对口腔曲面CT图像进行图像分割的方法如图1所示,该方法共包括三个步骤:
(1)采集口腔曲面CT的原始图像,通过半自动窗口定位方法截取想要分割的牙区,并将其保存,等待下一步处理。
(2)根据对已半自动截取的部分牙区图像进行横向和纵向的亮度提取,分别找到亮度图的波谷,并将其坐标保存下来。
(3)将横向和纵向的波谷点映射到原图上,将其连起来即可实现一个牙区的分割。
然而该方法只能选择特殊的、完好的口腔曲面CT来做分割,如果牙齿有缺或者骨头内打入牙钉,那么这个方法的结果不尽如人意,且该方法必须选择牙齿间有明显缝隙的图片来处理,如果牙齿比较密集,牙齿与牙齿之间的缝隙不明显,亮度图上就不会有比较明显的波峰波谷,那么在下一步的映射回原图就有可能找不到牙齿中间的缝隙。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的不足,本发明提供一种口腔曲面CT图像生物特征提取及匹配方法和设备。
本发明提供的一种口腔曲面CT图像生物特征提取方法,包括:
统一图片格式及大小;
选择牙区范围并进行截取;
在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块,N=1,2,3,...;
对每块图片进行形态学处理,然后根据明度累加序列进行二次定位,根据明度累加序列的空隙位置将牙区无用的骨骼区域去除;
将去骨后的图片进行特征提取。
进一步,自动选择牙区范围或者通过半自动窗口定位方法选择牙区范围,且N=6。
进一步,在对图片进行形态学处理前,还对图片进行二值化处理,且通过根据平均亮度值确定阈值的方法或者大津阈值法选取阈值进行二值化处理;提取的特征包括面积、灰度、周长、长轴、短轴、离心率、七个不变矩、四个方向的灰度共生矩阵特征、方向梯度直方图和加速稳健特征。
本发明另一方面提供的一种口腔曲面CT图像匹配方法,包括:
根据如上所述的口腔曲面CT图像生物特征提取方法对n1张对象图片即已有的数据库图片和n2张目标图片即新采集的待测图片进行特征提取,n1=1,2,3,...,n2=1,2,3,...,n2≥n1;
根据提取的特征查找与目标图片匹配的对象图片。
进一步,查找与目标图片匹配的对象图片的方法包括:将提取的一种或多种特征作为一个向量;通过计算两图片的特征向量之间的欧几里得距离分别计算出每张目标图片的某块图片与所有对象图片的对应块图片的相似度,得到每张目标图片与所有对象图片的相似度,其中相似度最高的对象图片即为匹配结果。
进一步,该匹配方法还包括:
以目标图片i为索引,根据该目标图片i与对象图片的相似度大小将n1张对象图片按照相似度从大到小的顺序进行排序,找出与该目标图片i实际匹配的对象图片所在位置r(i),得出该实际匹配的对象图片的排名计算反平均位置排名率利用该反平均位置排名率对匹配结果进行评估,越大则匹配结果越好,其中r(i)=1,2,...,n1;
采用Boost的提升方法往特征向量中增加使匹配结果更好的特征项。
本发明另一方面提供的一种口腔曲面CT图像生物特征提取设备,包括:
格式统一装置,用于统一图片格式及大小;
图片截取装置,用于选择牙区范围并进行截取;
牙区细化装置,用于在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块,N=1,2,3,...;
二次定位与去骨装置,用于对每块图片进行形态学处理,然后根据明度累加序列进行二次定位,根据明度累加序列的空隙位置将牙区无用的骨骼区域去除;
特征提取装置,用于将去骨后的图片进行特征提取。
本发明另一方面提供的一种口腔曲面CT图像匹配设备,包括:
如上所述的口腔曲面CT图像生物特征提取设备,用于对n1张对象图片即已有的数据库图片和n2张目标图片即新采集的待测图片进行特征提取,n1=1,2,3,...,n2=1,2,3,...,n2≥n1;
匹配装置,用于根据提取的特征查找与目标图片匹配的对象图片。
进一步,还包括:
结果评估装置,用于以目标图片i为索引,根据该目标图片i与对象图片的相似度大小将n1张对象图片按照相似度从大到小的顺序进行排序,找出与该目标图片i实际匹配的对象图片所在位置r(i),得出该实际匹配的对象图片的排名计算反平均位置排名率利用该反平均位置排名率对匹配结果进行评估,越大则匹配结果越好,其中r(i)=1,2,...,n1;
提升装置,用于采用Boost的提升方法往特征向量中增加使匹配结果更好的特征项。
本发明另一方面提供的一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明在口腔CT的图片中依靠亮度曲线来寻找牙缝,进而将牙齿分为多个(如6个)块,分别计算两张图片的多块图片的相似度从而得到两张图片的相似度,可以更加精确地利用好整个图片的信息,且在特征提取前进行去骨,使得可以使用的信息占尽可能大的权重,从而提高匹配效率。且本发明提供的对于口腔牙齿特征的提取以及匹配算法,可以为口腔种植牙齿或者生物特征提取提供可靠的技术和理论支持。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1为现有技术的对口腔曲面CT图像进行图像分割的示意图;
图2为本发明实施例的统一图片格式及大小的示意图;
图3为本发明实施例的选择牙区范围的示意图;
图4为本发明实施例的牙区细化示意图;
图5为本发明实施例的二次定位与去骨的示意图;
图6为本发明实施例的特征提取的示意图;
图7为本发明实施例的匹配评估方法示意图;
图8为本发明实施例的六个形状特征单项匹配结果对比图;
图9为本发明实施例的七个不变矩单项匹配结果对比图;
图10为本发明实施例的纹理特征单项匹配结果对比图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明实施例提供的口腔曲面CT图像生物特征提取及匹配方法及设备的具体方案如下:
统一图片格式及大小,如图2所示。在本发明的具体实施例中,采集了280张原始口腔CT图像,每张图片大小统一为n*500像素(n为长度按比例放大/缩小所得)。
选择牙区范围并进行截取,如图3所示,可自动选择牙区范围或者通过半自动窗口定位方法选择牙区范围,对原始口腔CT图像进行截取。根据先验知识,截取范围设置在宽120~420像素,长度的1/7~6/7范围内时,所包含的牙区信息最多。
牙区细化,如图4所示,依靠亮度曲线在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块。可将截取的图片按照牙缝分为六块,第一块大致包括A8、A7、A6、A5、A4,第二块大致包括A3、A2、A1、B1、B2、B3,第三块大致包括B4、B5、B6、B7、B8,第四块大致包括C8、C7、C6、C5、C4,第五块大致包括C3、C2、C1、D1、D2、D3,第六块大致包括D4、D5、D6、D7、D8,其中A、B、C、D分别对应左上、右上、左下和右下。
二次定位与去骨,如图5所示,对每块图片进行腐蚀、膨胀、开闭操作以及形态学去噪等处理,然后根据明度累加序列进行二次定位。明度累加序列的空隙位置即为颌骨与牙齿的间隙,从该位置即可将牙区无用的骨骼区域去除,使得可以使用的信息占尽可能大的权重。在对图片进行形态学处理前,还对图片进行二值化处理,且可通过根据平均亮度值确定阈值的方法或者大津阈值法选取阈值进行二值化处理。
特征提取,如图6所示,将去骨后的图片进行特征提取,包括几何特征和纹理特征两大方面,其中几何特征包括面积、灰度、周长、长轴、短轴、离心率以及七个不变矩,纹理特征包括四个方向的灰度共生矩阵特征和方向梯度直方图。当采用加速稳健特征(SURF)方法进行特征提取时,纹理特征还包括加速稳健特征,此时提取的特征共计19个特征项。
根据提取的特征查找与目标图片(即新采集的待测图片)匹配的对象图片(即已有的数据库图片)。可将提取的一种或多种特征作为一个向量,通过计算两图片的特征特征向量之间的欧几里得距离分别计算出每张目标图片的某块图片与所有对象图片的对应块图片的相似度,得到每张目标图片与所有对象图片的相似度,其中相似度最高的对象图片即为匹配结果,欧几里得距离公式如下:
其中,θ为n维特征向量l1和l2间的欧几里德距离,l1(i)、l2(i)为特征向量的第i项。
若数据量大,还可用支持向量机(SVM)或其他一些深度学习的方法代替用欧几里得距离进行特征匹配的方法,提高匹配成功率。
结果评估,如图7所示,以目标图片i为索引,根据该目标图片i与对象图片的相似度大小将n1张对象图片按照相似度从大到小的顺序进行排序,找出与该目标图片i实际匹配的对象图片所在位置r(i),得出该实际匹配的对象图片的排名计算反平均位置排名率利用该反平均位置排名率对匹配结果进行评估,越大则匹配结果越好,其中r(i)=1,2,...,n1,n2为目标图片的张数,n1=1,2,3,...,n2=1,2,3,...,n2≥n1。
Boost提升,采用Boost的提升方法往特征向量中增加使匹配结果更好的特征项,从而确定在对口腔CT图像的生物特征匹配时哪些匹配项更为有效。
在一个具体实施例中,采集了280张原始口腔CT图像(术前图片即对象图片100张,术后图片即目标图片180张),为这180张术后图片找到与其对应的术前图片。提取的特征包括面积(1维)、灰度(1维)、周长(1维)、长轴(1维)、短轴(1维)、离心率(1维)、七个不变矩(7×1维)、四个方向的灰度共生矩阵GLCM特征(4×4维)、方向梯度直方图HOG特征(9维)以及加速稳健SURF特征(64维)共计19个特征项,这些特征向量一共有102个维度。首先针对这19个特征项分别进行一次匹配,这一步匹配称为单项匹配,单项指的是上面所说的每一个特征项。将匹配的结果用反平均位置排名率表示出来。然后再根据第一步的结果将特征项进行Boost提升。最后经过多次Boost提升,观察最终得到的结果以及最适宜的匹配项。单项匹配的过程如下:
首先读取数据库中的特征向量值,用每一张术后图片的特征向量分别去求其与术前所有图片的特征向量之间的欧几里得距离,可通过最小的值来找对应的图片,也可通过欧几里得距离计算相似度(如将每张图片分为6块图片,则先分别计算两图片的6块对应图片的相似度,再将6块图片的相似度乘以各自的权重并求和,即可得到两张图片的相似度),相似度最高的术前图片为匹配结果。然后再将术前图片根据相似度大小,按从大到小的顺序进行排序,如图7所示,理想情况下,与术后图片实际匹配的术前图片应排在第一位,但是实际情况并不一定是这样,如与术后图片1实际匹配的术前图片1排在第三位(即r(1)=3),此时术前图片1的排名为与术后图片2实际匹配的术前图片2排在第六位(即r(2)=6),此时术前图片2的排名为以此类推,即可得到一个结果数组再求这个结果数组的反平均位置排名率即可。图8-10为三组实验的对比结果。
通过观察结果可以发现,这19种匹配项的单一匹配结果的反平均位置排名率基本都在0.7~0.75之间。其中全自动处理匹配的反平均位置排名率最高的特征项为HOG特征,结果为0.7883;第二为SURF特征,结果为0.7792。半自动处理未标准化匹配的反平均位置排名率最高的特征项为HOG特征,结果为0.8048;第二为不变矩4,结果为0.8008。半自动处理标准化匹配的反平均位置排名率最高的特征项为不变矩4,结果为0.8008;第二为HOG特征,结果为0.7984。
全自动处理即自动选择牙区部分图片并进行截取。
半自动处理未标准化即曲面ct图片未经过标准尺寸剪裁,通过人机互动的方式,利用鼠标进行窗口定位,最终对牙区部分进行选择并进行截取。
半自动处理标准化即曲面ct图片经过了标准尺寸裁剪,手动选择牙区部分并进行截取。
然后进行Boost提升,对全自动处理匹配的Boost提升匹配后,实验结果准确率提升了5%左右。
本发明提供的口腔曲面CT图像生物特征提取及匹配设备包括与相应方法的步骤一一匹配的装置,如格式统一装置、图片截取装置、牙区细化装置、二次定位与去骨装置、特征提取装置、结果评估装置、匹配装置和提升装置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种口腔曲面CT图像生物特征提取方法,其特征在于,包括:
统一图片格式及大小;
选择牙区范围并进行截取;
在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块,N=1,2,3,...;
对每块图片进行形态学处理,然后根据明度累加序列进行二次定位,根据明度累加序列的空隙位置将牙区无用的骨骼区域去除;
将去骨后的图片进行特征提取。
2.根据权利要求1所述的一种口腔曲面CT图像生物特征提取方法,其特征在于,自动选择牙区范围或者通过半自动窗口定位方法选择牙区范围,且N=6。
3.根据权利要求1所述的一种口腔曲面CT图像生物特征提取方法,其特征在于,在对图片进行形态学处理前,还对图片进行二值化处理,且通过根据平均亮度值确定阈值的方法或者大津阈值法选取阈值进行二值化处理;提取的特征包括面积、灰度、周长、长轴、短轴、离心率、七个不变矩、四个方向的灰度共生矩阵特征、方向梯度直方图和加速稳健特征。
4.一种口腔曲面CT图像匹配方法,其特征在于,包括:
根据权利要求1-3任一项所述的口腔曲面CT图像生物特征提取方法对n1张对象图片即已有的数据库图片和n2张目标图片即新采集的待测图片进行特征提取,n1=1,2,3,...,n2=1,2,3,...,n2≥n1;
根据提取的特征查找与目标图片匹配的对象图片。
5.根据权利要求4所述的一种口腔曲面CT图像匹配方法,其特征在于,查找与目标图片匹配的对象图片的方法包括:将提取的一种或多种特征作为一个向量;通过计算两图片的特征向量之间的欧几里得距离分别计算出每张目标图片的某块图片与所有对象图片的对应块图片的相似度,得到每张目标图片与所有对象图片的相似度,其中相似度最高的对象图片即为匹配结果。
6.根据权利要求5所述的一种口腔曲面CT图像匹配方法,其特征在于,该匹配方法还包括:
以目标图片i为索引,根据该目标图片i与对象图片的相似度大小将n1张对象图片按照相似度从大到小的顺序进行排序,找出与该目标图片i实际匹配的对象图片所在位置r(i),得出该实际匹配的对象图片的排名计算反平均位置排名率利用该反平均位置排名率对匹配结果进行评估,越大则匹配结果越好,其中r(i)=1,2,...,n1;
采用Boost的提升方法往特征向量中增加使匹配结果更好的特征项。
7.一种口腔曲面CT图像生物特征提取设备,其特征在于,包括:
格式统一装置,用于统一图片格式及大小;
图片截取装置,用于选择牙区范围并进行截取;
牙区细化装置,用于在截取的图片中寻找牙缝,并按照牙缝所在直线和与牙缝所在直线垂直的直线将截取的图片分为N块,N=1,2,3,...;
二次定位与去骨装置,用于对每块图片进行形态学处理,然后根据明度累加序列进行二次定位,根据明度累加序列的空隙位置将牙区无用的骨骼区域去除;
特征提取装置,用于将去骨后的图片进行特征提取。
8.一种口腔曲面CT图像匹配设备,其特征在于,包括:
如权利要求7所述的口腔曲面CT图像生物特征提取设备,用于对n1张对象图片即已有的数据库图片和n2张目标图片即新采集的待测图片进行特征提取,n1=1,2,3,...,n2=1,2,3,...,n2≥n1;
匹配装置,用于根据提取的特征查找与目标图片匹配的对象图片。
9.根据权利要求8所述的一种口腔曲面CT图像匹配设备,其特征在于,还包括:
结果评估装置,用于以目标图片i为索引,根据该目标图片i与对象图片的相似度大小将n1张对象图片按照相似度从大到小的顺序进行排序,找出与该目标图片i实际匹配的对象图片所在位置r(i),得出该实际匹配的对象图片的排名计算反平均位置排名率利用该反平均位置排名率对匹配结果进行评估,越大则匹配结果越好,其中r(i)=1,2,...,n1;
提升装置,用于采用Boost的提升方法往特征向量中增加使匹配结果更好的特征项。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970889.4A CN109146867B (zh) | 2018-08-24 | 2018-08-24 | 口腔曲面ct图像生物特征提取及匹配方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970889.4A CN109146867B (zh) | 2018-08-24 | 2018-08-24 | 口腔曲面ct图像生物特征提取及匹配方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146867A true CN109146867A (zh) | 2019-01-04 |
CN109146867B CN109146867B (zh) | 2021-11-19 |
Family
ID=64827714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810970889.4A Active CN109146867B (zh) | 2018-08-24 | 2018-08-24 | 口腔曲面ct图像生物特征提取及匹配方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146867B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766877A (zh) * | 2019-03-12 | 2019-05-17 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的全景片人工牙体识别的方法和装置 |
CN109949319A (zh) * | 2019-03-12 | 2019-06-28 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的全景片恒牙识别的方法和装置 |
CN110327072A (zh) * | 2019-07-11 | 2019-10-15 | 东北大学 | 一种测量口腔手术植入体规格参数的无损检测方法 |
CN111145876A (zh) * | 2019-12-27 | 2020-05-12 | 四川大学 | 一种牙科图片排列方法、系统、设备及存储介质 |
TWI762893B (zh) * | 2019-03-28 | 2022-05-01 | 南韓商迪耀股份有限公司 | 牙齒影像整合裝置及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130243276A1 (en) * | 2012-03-16 | 2013-09-19 | Andre Souza | Interactive 3-d examination of root fractures |
CN103700103A (zh) * | 2013-12-05 | 2014-04-02 | 嘉兴学院 | 三维数字化牙列模型牙龈曲线自动提取方法 |
CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
CN104392492A (zh) * | 2014-11-24 | 2015-03-04 | 中南大学 | 一种从牙颌三维模型分割单颗牙冠的计算机交互式方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
CN106037979A (zh) * | 2016-05-16 | 2016-10-26 | 杭州美齐科技有限公司 | 一种数字化牙龈线提取方法 |
CN107622529A (zh) * | 2016-07-15 | 2018-01-23 | 佛山市诺威科技有限公司 | 一种基于形态学的三维牙齿模型自动分割方法 |
-
2018
- 2018-08-24 CN CN201810970889.4A patent/CN109146867B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130243276A1 (en) * | 2012-03-16 | 2013-09-19 | Andre Souza | Interactive 3-d examination of root fractures |
CN103700103A (zh) * | 2013-12-05 | 2014-04-02 | 嘉兴学院 | 三维数字化牙列模型牙龈曲线自动提取方法 |
CN103886306A (zh) * | 2014-04-08 | 2014-06-25 | 山东大学 | 一种基于SURF特征点匹配和RANSAC模型估计的牙齿X-ray影像匹配方法 |
CN104392492A (zh) * | 2014-11-24 | 2015-03-04 | 中南大学 | 一种从牙颌三维模型分割单颗牙冠的计算机交互式方法 |
CN105160641A (zh) * | 2015-08-04 | 2015-12-16 | 成都多贝科技有限责任公司 | 基于图像处理的x射线焊缝区域提取方法 |
CN106037979A (zh) * | 2016-05-16 | 2016-10-26 | 杭州美齐科技有限公司 | 一种数字化牙龈线提取方法 |
CN107622529A (zh) * | 2016-07-15 | 2018-01-23 | 佛山市诺威科技有限公司 | 一种基于形态学的三维牙齿模型自动分割方法 |
Non-Patent Citations (4)
Title |
---|
KAN WU ET AL.: "Segmentation on Dental Meshes Using Morphologic Skeleton", 《 COMPUTERS & GRAPHICS》 * |
XIAO ZHANG ET AL.: "A Cone-beam Computed Tomographic Study of Apical Surgery–related Morphological Characteristics of the Distolingual Root in 3-rooted Mandibular First Molars in a Chinese Population", 《COPYRIGHT ª 2017 AMERICAN ASSOCIATION OF ENDODONTISTS》 * |
宁楠: "数字口腔可视化技术及系统开发", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
马银玲: "口腔固定义齿数字化设计技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766877A (zh) * | 2019-03-12 | 2019-05-17 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的全景片人工牙体识别的方法和装置 |
CN109949319A (zh) * | 2019-03-12 | 2019-06-28 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的全景片恒牙识别的方法和装置 |
CN109766877B (zh) * | 2019-03-12 | 2022-05-27 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的全景片人工牙体识别的方法和装置 |
TWI762893B (zh) * | 2019-03-28 | 2022-05-01 | 南韓商迪耀股份有限公司 | 牙齒影像整合裝置及方法 |
US11869203B2 (en) | 2019-03-28 | 2024-01-09 | Dio Corporation | Dental image registration device and method |
CN110327072A (zh) * | 2019-07-11 | 2019-10-15 | 东北大学 | 一种测量口腔手术植入体规格参数的无损检测方法 |
CN110327072B (zh) * | 2019-07-11 | 2021-10-22 | 东北大学 | 一种测量口腔手术植入体规格参数的无损检测方法 |
CN111145876A (zh) * | 2019-12-27 | 2020-05-12 | 四川大学 | 一种牙科图片排列方法、系统、设备及存储介质 |
CN111145876B (zh) * | 2019-12-27 | 2023-12-29 | 成都牙讯科技有限公司 | 一种牙科图片排列方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109146867B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146867A (zh) | 口腔曲面ct图像生物特征提取及匹配方法和设备 | |
CN103927387B (zh) | 图像检索系统及其相关方法和装置 | |
Park et al. | Utilizing venation features for efficient leaf image retrieval | |
US7917518B2 (en) | Compositional balance and color driven content retrieval | |
US20160012595A1 (en) | Systems, Methods, and Devices for Image Matching and Object Recognition in Images Using Image Regions | |
US20040037460A1 (en) | Method for detecting objects in digital images | |
CN113466232B (zh) | 一种基于计算机图像的脆化鱼肉快速检测方法及系统 | |
US20070036438A1 (en) | Methods and systems for identifying red eye pairs | |
Yan et al. | An automatic kidney segmentation from abdominal CT images | |
Oktay | Human identification with dental panoramic radiographic images | |
CN104392439B (zh) | 确定图像相似度的方法和装置 | |
CN114820603B (zh) | 基于ai舌诊图像处理的智能健康管理方法及相关装置 | |
WO2015168365A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN111105427A (zh) | 一种基于连通区域分析的肺部图像分割方法及系统 | |
Wei et al. | A novel method for segmentation of CT head images | |
Kashyap et al. | Color histogram based image retrieval technique for diabetic retinopathy detection | |
Traina et al. | Content-based image retrieval using approximate shape of objects | |
Wang et al. | Automatic detection of regions of interest in breast ultrasound images based on local phase information | |
Soulami et al. | A CAD system for the detection and classification of abnormalities in dense mammograms using electromagnetism-like optimization algorithm | |
Baloch et al. | Fish image segmentation algorithm (FISA) for improving the performance of image retrieval system | |
Melouah et al. | A novel automatic seed placement approach for region growing segmentation in mammograms | |
Pérez et al. | Improving breast cancer classification with mammography, supported on an appropriate variable selection analysis | |
CN113780421B (zh) | 基于人工智能的脑部pet影像识别方法 | |
Iwata et al. | Tree recognition based on leaf images | |
Chu et al. | Epitomized summarization of wireless capsule endoscopic videos for efficient visualization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191122 Address after: 610043 No.129, middle Juqiao street, Wuhou District, Chengdu, Sichuan Province Applicant after: Sichuan Smart Motion Muniu Intelligent Technology Co., Ltd. Address before: West high tech Zone Fucheng Road in Chengdu city of Sichuan province 610000 399 No. 7 Building 1 unit 11 floor No. 1107 Applicant before: SICHUAN MONIULIUMA INTELLIGENT TECHNOLOGY CO., LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |