CN109961427A - 基于深度学习的全景片根尖周炎识别的方法和装置 - Google Patents

基于深度学习的全景片根尖周炎识别的方法和装置 Download PDF

Info

Publication number
CN109961427A
CN109961427A CN201910184797.8A CN201910184797A CN109961427A CN 109961427 A CN109961427 A CN 109961427A CN 201910184797 A CN201910184797 A CN 201910184797A CN 109961427 A CN109961427 A CN 109961427A
Authority
CN
China
Prior art keywords
deep learning
parameter
model
periapical inflammation
tooth
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.)
Pending
Application number
CN201910184797.8A
Other languages
English (en)
Inventor
徐子能
白海龙
丁鹏
汪子晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Feather Care Cabbage Information Technology Co Ltd
Original Assignee
Beijing Feather Care Cabbage Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Feather Care Cabbage Information Technology Co Ltd filed Critical Beijing Feather Care Cabbage Information Technology Co Ltd
Priority to CN201910184797.8A priority Critical patent/CN109961427A/zh
Publication of CN109961427A publication Critical patent/CN109961427A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的全景片根尖周炎识别方法及装置。该方法包括：将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；确定恒牙分割结果中各颗牙齿对应的牙根尖区域图像块；将牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到根尖周炎病灶分割结果。

Description

基于深度学习的全景片根尖周炎识别的方法和装置
技术领域
本发明涉及计算机图像处理技术领域，特别地涉及一种基于深度学习的全景片根尖周炎识别的方法和装置。
背景技术
口腔全景片是进行口腔诊断的主要依据，其可以清晰、完整的显示上颌骨全貌、下颌骨全貌、上下颌牙列情况、牙槽骨情况、上颌窦腔、窦壁、窦底情况以及颞颌关节情况，并对颌骨周围疾病的诊断提供准确有效的帮助。
根尖周炎作为常见的口腔疾病之一，其发病区域在牙根尖周围区域主要通过拍摄全景片进行诊断，但是鉴于人工诊断具有不一致性和低效性的缺点。更何况我国医疗资源较稀缺，资深医学专家数量不足，倘若完全依靠人工作业会让作业人用眼疲劳，进一步降低判断结果的准确可信程度。在这种形势下，研发自动化处理全景片根尖周炎识别的方法和装置的需求变得迫切。
发明内容
有鉴于此，本发明提供一种基于深度学习的全景片根尖周炎识别方法及装置，以克服现有技术中的上述缺点。
本发明实施例的一种基于深度学习的全景片根尖周炎识别方法，其特征在于，包括：将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；确定所述恒牙分割结果中各颗牙齿对应的牙根尖区域图像块；将所述牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到所述根尖周炎病灶分割结果。
可选地，所述将所述牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到所述根尖周炎病灶分割结果的步骤之后，还包括：对所述根尖周炎病灶分割结果进行形态学开运算处理，以得到根尖周炎病灶分割平滑结果。
可选地，所述基于深度学习的恒牙分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对恒牙分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，编码器部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，解码器部分的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
可选地，所述确定所述恒牙分割结果中各颗牙齿对应的牙根尖区域图像块的步骤包括：遍历地对恒牙分割结果中的各颗牙齿执行如下操作：获取当前牙齿的全齿贴合矩形框，根据所述全齿贴合矩形框确定牙根所在侧边的半齿贴合矩形框，根据所述半齿贴合矩形框确定质心，将所述质心按预设规则偏移以得到牙根尖区域中心点，以所述牙根尖区域中心点为中心生成预设尺寸的牙根尖区域采样框，根据所述牙根尖区域采样框在所述全景片上裁切出所述牙根尖区域图像块。
可选地，所述基于深度学习的根尖周炎病灶分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对根尖周炎病灶分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，特征提取部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，全连接层和输出层的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
可选地，所述随机初始化的方法为：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal。
可选地，所述梯度下降算法的方法为：Adam，SGD，MSprop或者Adadelta。
本发明实施例的基于深度学习的全景片根尖周炎识别装置，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3中任一所述的方法。
根据本发明的技术方案，基于人工智能技术，能够自动化地完成以往的人工作业，具有客观、快速、重复性好等优点。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例的基于深度学习的全景片根尖周炎识别的方法的流程示意图；
图2A是本发明实施例的恒牙识别结果的示意图；
图2B是本发明实施例的全齿贴合矩形框的示意图；
图2C是本发明实施例的半齿贴合矩形框和其质心的示意图；
图2D是本发明实施例的牙根尖区域中心点和牙根尖区域采样框的示意图；
图2E是本分明实施例的根尖周炎病灶分割结果的示意图。
具体实施方式
图1为本发明实施例的基于深度学习的全景片根尖周炎识别方法的流程示意图，包括如下的步骤A至步骤C。
步骤A：将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果。
可选地，步骤A中的基于深度学习的恒牙分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，编码器部分采用Xception网络结构，解码器部分采用FPN多尺度融合结构，并且从编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对恒牙分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，编码器部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，解码器部分的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
步骤B：确定恒牙分割结果中各颗牙齿对应的牙根尖区域图像块。
可选地，步骤B具体包括：遍历地对恒牙分割结果中的各颗牙齿执行如下操作：获取当前牙齿的全齿贴合矩形框，根据全齿贴合矩形框确定牙根所在侧边的半齿贴合矩形框(对于上颌牙，取矩形框的上半部分；对于下颌牙，取矩形框的下半部分)，根据半齿贴合矩形框确定质心，将质心按预设规则偏移以得到牙根尖区域中心点(例如，规定对于上颌牙将质心上移50像素，对于下颌牙将质心下移50像素)，以牙根尖区域中心点为中心生成预设尺寸224×224的牙根尖区域采样框，根据牙根尖区域采样框在全景片上裁切出牙根尖区域图像块。
步骤C：将牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到根尖周炎病灶分割结果。
可选地，基于深度学习的根尖周炎病灶分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，编码器部分采用Xception网络结构，解码器部分采用FPN多尺度融合结构，并且从编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对根尖周炎病灶分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，特征提取部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，全连接层和输出层的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
需要说明的是，上文中训练模型阶段中的随机初始化的方法可以为：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal，最优选he_normal。上文中训练模型阶段中的梯度下降算法的方法可以为：Adam，SGD，MSprop或者Adadelta，最优选Adam。
可选地，在步骤C之后，还包括：对根尖周炎病灶分割结果进行形态学开运算处理，以得到根尖周炎病灶分割平滑结果。
本发明实施例的基于深度学习的全景片根尖周炎识别装置，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任一项的方法。
为使本领域技术人员更好地理解，下面结合具体实施例阐述本发明实施例的基于深度学习的全景片根尖周炎识别方法。
(一)获取基于深度学习的恒牙分割结果
设计恒牙分割网络模型结构包含Encoder和Decoder两部分。Encoder部分使用Xception网络结构，Decoder部分使用FPN多尺度融合结构，从Encoder部分抽取不同深度的5个卷积层做为输入，并且在Decoder部分的上采样层加入scSE结构。
对恒牙分割训练数据进行尺长归一化和灰度归一化。具体地，首先对原始全景片图像的采样至512×1024；然后对采样后的图像灰度值进行归一化处理。然后进行训练数据增强：通过对图像旋转(-10度至10度)和左右镜像方式，对原始数据集中的图像数据进行增加样本处理，以满足深度网络对数据量的需求。
接着进行模型训练，将恒牙分割训练数据(包括原有的和增强的)输入恒牙分割模型进行训练，Encoder部分的参数使用在大型公开图像数据集ImageNet上预训练好的参数，Decoder部分的参数采用kaiming_he随机初始化。采用梯度下降算法Adam对模型进行迭代训练，经过不断迭代，取得网络最优解。根据在验证集上的Dice值来确定模型的最优参数。
将待测试的全景图下采样成图像块输入训练好的恒牙分割模型，得到恒牙分割结果MASK，如图2A所示。
(二)获取牙根尖区域图像块
遍历地对恒牙分割结果中MASK的各颗牙齿执行如下操作：
首先，获取当前牙齿的全齿贴合矩形框，如图2B所示。其次，根据全齿贴合矩形框确定牙根所在侧边的半齿贴合矩形框，然后找到半尺贴合矩形框中的质心，如图2C所示。然后，将质心按预设规则偏移以得到牙根尖区域中心点，然后以牙根尖区域中心点为中心生成预设尺寸的牙根尖区域采样框，如图2D所示。最后根据牙根尖区域采样框在全景片上裁切出牙根尖区域图像块。
(三)获取基于深度学习的根尖周炎病灶分割结果
根尖周炎病灶分割网络模型结构包含Encoder和Decoder两部分。Encoder部分使用Xception网络结构，Decoder部分使用FPN多尺度融合结构，从Encoder部分抽取不同深度的5个卷积层做为输入，并且在Decoder部分的上采样层加入scSE结构。
对根尖周炎病灶分割训练数据进行尺长归一化和灰度归一化。具体地，首先对原始全景片图像的采样至512×1024；然后对采样后的图像灰度值进行归一化处理。然后进行训练数据增强：通过对图像旋转(-10度至10度)和左右镜像方式，对原始数据集中的图像数据进行增加样本处理，以满足深度网络对数据量的需求。
接着进行模型训练，将根尖周炎病灶分割训练数据(包括原有的和增强的)输入恒牙分割模型进行训练，根尖周炎病灶分割模型的Encoder部分的参数使用在大型公开图像数据集ImageNet上预训练好的参数，Decoder部分的参数采用he_normal随机初始化。采用梯度下降算法Adam对模型进行迭代训练，经过不断迭代，取得网络最优解。根据在验证集上的Dice值来确定模型的最优参数。
将待测试的牙根尖区域图像块输入训练好的根尖周炎病灶分割模型，得到根尖周炎病灶分割结果，如图2E所示。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (8)

1.一种基于深度学习的全景片根尖周炎识别方法，其特征在于，包括：
将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；
确定所述恒牙分割结果中各颗牙齿对应的牙根尖区域图像块；
将所述牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到所述根尖周炎病灶分割结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述牙根尖区域图像块输入基于深度学习的根尖周炎病灶分割模型，以得到所述根尖周炎病灶分割结果的步骤之后，还包括：
对所述根尖周炎病灶分割结果进行形态学开运算处理，以得到根尖周炎病灶分割平滑结果。
3.根据权利要求1所述的方法，其特征在于，所述基于深度学习的恒牙分割模型是通过如下方式得到的：
(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；
(2)模型训练阶段：对恒牙分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，编码器部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，解码器部分的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
4.根据权利要求1所述的方法，其特征在于，所述确定所述恒牙分割结果中各颗牙齿对应的牙根尖区域图像块的步骤包括：
遍历地对恒牙分割结果中的各颗牙齿执行如下操作：获取当前牙齿的全齿贴合矩形框，根据所述全齿贴合矩形框确定牙根所在侧边的半齿贴合矩形框，根据所述半齿贴合矩形框确定质心，将所述质心按预设规则偏移以得到牙根尖区域中心点，以所述牙根尖区域中心点为中心生成预设尺寸的牙根尖区域采样框，根据所述牙根尖区域采样框在所述全景片上裁切出所述牙根尖区域图像块。
5.根据权利要求1所述的方法，其特征在于，所述基于深度学习的根尖周炎病灶分割模型是通过如下方式得到的：
(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；
(2)模型训练阶段：对根尖周炎病灶分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，特征提取部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，全连接层和输出层的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。
6.根据权利要求3或5所述的方法，其特征在于，所述随机初始化的方法为：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal。
7.根据权利要求3或5所述的方法，其特征在于，所述梯度下降算法的方法为：Adam，SGD，MSprop或者Adadelta。
8.一种基于深度学习的全景片根尖周炎识别装置，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
CN201910184797.8A 2019-03-12 2019-03-12 基于深度学习的全景片根尖周炎识别的方法和装置 Pending CN109961427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910184797.8A CN109961427A (zh) 2019-03-12 2019-03-12 基于深度学习的全景片根尖周炎识别的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910184797.8A CN109961427A (zh) 2019-03-12 2019-03-12 基于深度学习的全景片根尖周炎识别的方法和装置

Publications (1)

Publication Number Publication Date
CN109961427A true CN109961427A (zh) 2019-07-02

Family

ID=67024285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910184797.8A Pending CN109961427A (zh) 2019-03-12 2019-03-12 基于深度学习的全景片根尖周炎识别的方法和装置

Country Status (1)

Country Link
CN (1) CN109961427A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461125A (zh) * 2020-03-19 2020-07-28 杭州凌像科技有限公司 一种全景图像的连续性分割方法
CN111986217A (zh) * 2020-09-03 2020-11-24 北京大学口腔医学院 一种图像处理方法、装置及设备
CN113688788A (zh) * 2021-04-02 2021-11-23 四川大学 基于深度学习的头侧片上气道图像自动识别方法和系统
CN116596861A (zh) * 2023-04-28 2023-08-15 中山大学 一种牙面病灶的识别方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103860191A (zh) * 2012-12-14 2014-06-18 奥姆科公司 口腔内影像与容积影像的整合
US20140227655A1 (en) * 2013-02-12 2014-08-14 Ormco Corporation Integration of model data, surface data, and volumetric data
US20140272772A1 (en) * 2013-03-14 2014-09-18 Ormco Corporation Registering shape data extracted from intra-oral imagery to digital reconstruction of teeth for determining position and orientation of roots
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN109146897A (zh) * 2018-08-22 2019-01-04 北京羽医甘蓝信息技术有限公司 口腔放射图像质量控制方法及装置
CN109360196A (zh) * 2018-09-30 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习处理口腔放射图像的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103860191A (zh) * 2012-12-14 2014-06-18 奥姆科公司 口腔内影像与容积影像的整合
US20140227655A1 (en) * 2013-02-12 2014-08-14 Ormco Corporation Integration of model data, surface data, and volumetric data
US20140272772A1 (en) * 2013-03-14 2014-09-18 Ormco Corporation Registering shape data extracted from intra-oral imagery to digital reconstruction of teeth for determining position and orientation of roots
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN109146897A (zh) * 2018-08-22 2019-01-04 北京羽医甘蓝信息技术有限公司 口腔放射图像质量控制方法及装置
CN109360196A (zh) * 2018-09-30 2019-02-19 北京羽医甘蓝信息技术有限公司 基于深度学习处理口腔放射图像的方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ABHIJIT GUHA ROY ET AL.: "Concurrent Spatial and Channel ‘Squeeze & Excitation’ in Fully Convolutional Networks", 《MICCAI 2018》 *
GIL JADER ET AL.: "Deep instance segmentation of teeth in panoramic X-ray images", 《2018 31ST SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461125A (zh) * 2020-03-19 2020-07-28 杭州凌像科技有限公司 一种全景图像的连续性分割方法
CN111986217A (zh) * 2020-09-03 2020-11-24 北京大学口腔医学院 一种图像处理方法、装置及设备
CN111986217B (zh) * 2020-09-03 2024-01-16 北京大学口腔医学院 一种图像处理方法、装置及设备
CN113688788A (zh) * 2021-04-02 2021-11-23 四川大学 基于深度学习的头侧片上气道图像自动识别方法和系统
CN116596861A (zh) * 2023-04-28 2023-08-15 中山大学 一种牙面病灶的识别方法、系统、设备及存储介质
CN116596861B (zh) * 2023-04-28 2024-02-23 中山大学 一种牙面病灶的识别方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109961427A (zh) 基于深度学习的全景片根尖周炎识别的方法和装置
CN109978841A (zh) 基于深度学习的全景片阻生牙识别的方法和装置
CN109949319A (zh) 基于深度学习的全景片恒牙识别的方法和装置
CN109948619A (zh) 基于深度学习的全景片龋病识别的方法和装置
KR102040099B1 (ko) 임플란트 식립영역 선정 장치 및 방법
CN107106117B (zh) 牙齿和牙槽骨的分割与重构方法及装置
CN108735292B (zh) 基于人工智能的可摘局部义齿方案决策方法和系统
CN112120810A (zh) 一种牙齿正畸隐型矫治器的三维数据生成方法
BR112020012292A2 (pt) previsão automatizada de formato de raiz 3d com o uso de métodos de aprendizado profundo
CN111627014A (zh) 一种基于深度学习的根管检测与评分的方法及系统
CN107909630A (zh) 一种牙位图生成方法
Poonsri et al. Teeth segmentation from dental x-ray image by template matching
CN104867131B (zh) 基于数字化模型的牙冠数据提取方法
CN109712703B (zh) 一种基于机器学习的正畸预测方法及装置
CN109146897A (zh) 口腔放射图像质量控制方法及装置
CN112515787B (zh) 一种三维牙颌数据分析方法
Chen et al. Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs
US12062170B2 (en) System and method for classifying a tooth condition based on landmarked anthropomorphic measurements
CN109766877A (zh) 基于深度学习的全景片人工牙体识别的方法和装置
US20220358740A1 (en) System and Method for Alignment of Volumetric and Surface Scan Images
CN111275808B (zh) 一种牙齿正畸模型的建立方法及装置
JP7269587B2 (ja) セグメンテーション装置
CN104603859B (zh) 牙科补缀及赝复体数字建档与制作的方法
CN115796306B (zh) 一种恒牙成熟度分级模型的训练及恒牙成熟度分级方法
CN109754870A (zh) 基于深度学习的全景片牙槽骨吸收分级的方法和装置

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
CB02 Change of applicant information

Address after: 100102 d-1607, 16th floor, building 222, Wangjing Xiyuan, Chaoyang District, Beijing

Applicant after: BEIJING DEEPCARE INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 100190 104-102, building 6, yard 1, gaolizhang Road, Haidian District, Beijing

Applicant before: BEIJING DEEPCARE INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20190702

RJ01 Rejection of invention patent application after publication