CN109978841B - 基于深度学习的全景片阻生牙识别的方法和装置 - Google Patents
基于深度学习的全景片阻生牙识别的方法和装置 Download PDFInfo
- Publication number
- CN109978841B CN109978841B CN201910184967.2A CN201910184967A CN109978841B CN 109978841 B CN109978841 B CN 109978841B CN 201910184967 A CN201910184967 A CN 201910184967A CN 109978841 B CN109978841 B CN 109978841B
- Authority
- CN
- China
- Prior art keywords
- rectangular frame
- model
- deep learning
- parameters
- impacted 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.)
- Active
Links
Images
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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的全景片阻生牙识别方法及装置。该方法包括:将原始全景片输入基于深度学习的牙槽骨线分割模型,以得到牙槽骨线分割结果;根据牙槽骨分割结果生成贴合矩形框,然后根据贴合矩形框生成扩展矩形框,然后根据扩展矩形框从原始全景片中剪裁出牙周区域图像块;将牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果。
Description
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阻生牙识别的方法和装置。
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。
阻生牙作为常见的口腔问题之一,其定义为:牙在颌骨内由于位置不当,不能萌出到正常咬合位置,如图1所示。目前的主要诊断方法是基于全景片的人工诊断法,其缺点在于低效性以及存在一定诊断不一致性。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阻生牙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阻生牙识别方法及装置,以克服现有技术中的上述缺点。
本发明实施例的基于深度学习的全景片阻生牙识别方法,包括:将原始全景片输入基于深度学习的牙槽骨线分割模型,以得到牙槽骨线分割结果;根据所述牙槽骨分割结果生成贴合矩形框,然后根据所述贴合矩形框生成扩展矩形框,然后根据所述扩展矩形框从所述原始全景片中剪裁出牙周区域图像块;将所述牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果。
可选地,所述基于深度学习的牙槽骨线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;(2)模型训练阶段:对牙槽骨线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,所述根据所述贴合矩形框生成扩展矩形框的步骤包括:所述贴合矩形框的左边界向左移动预设距离,以得到所述扩展矩形框的左边界;所述贴合矩形框的右边界向右移动所述预设距离,以得到所述扩展矩形框的右边界;所述贴合矩形框的上边界向上移动0.5倍贴合矩形框高度值,以得到所述扩展矩形框的上边界;所述贴合矩形框的下边界向上移动0.8倍贴合矩形框高度值,以得到所述扩展矩形框的下边界。
可选地,所述基于深度学习的阻生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;(2)模型训练阶段:对阻生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。
可选地,在所述将所述牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果的步骤之后,还包括:对所述阻生牙分割结果进行形态学开运算处理。
本发明实施例的基于深度学习的全景片阻生牙识别装置,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本发明的任一所述的方法。
根据本发明的技术方案,基于人工智能技术,利用深度学习算法实现了阻生牙识别,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是阻生牙的示意图;
图2是本发明实施例的基于深度学习的全景片阻生牙识别的方法的流程示意图;
图3是本发明实施例的根据牙槽骨分割结果生成贴合矩形框和扩展矩形框的示意图;
图4是本发明实施例的阻生牙分割结果的示意图。
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阻生牙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:将原始全景片输入基于深度学习的牙槽骨线分割模型,以得到牙槽骨线分割结果。
可选地,步骤A中的基于深度学习的牙槽骨线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;(2)模型训练阶段:对牙槽骨线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:根据牙槽骨线分割结果生成贴合矩形框,然后根据贴合矩形框生成扩展矩形框,然后根据扩展矩形框从原始全景片中剪裁出牙周区域图像块。需要说明的是,后续训练深度模型和应用深度模型,均是基于牙周区域图像块。由于阻生牙位于牙周区域图像块内,这样比起训练整张全景片,去除了50%以上的无效区域(即不包含牙齿的区域),大大提高了感兴趣区域(ROI)占比,可以有效提高模型的分割表现。
可选地,步骤B中的“根据贴合矩形框生成扩展矩形框”的步骤具体包括:贴合矩形框的左边界向左移动预设距离,以得到扩展矩形框的左边界;贴合矩形框的右边界向右移动预设距离,以得到扩展矩形框的右边界;贴合矩形框的上边界向上移动0.5倍贴合矩形框高度值,以得到扩展矩形框的上边界;贴合矩形框的下边界向上移动0.8倍贴合矩形框高度值,以得到扩展矩形框的下边界。
步骤C:将牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果。
可选地,步骤C中的基于深度学习的阻生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;(2)模型训练阶段:对阻生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。
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:对阻生牙分割结果进行形态学开运算处理。经过先膨胀后收缩的形态学开运算处理,能够有效地去除假阳性分割结果。
本发明实施例的基于深度学习的全景片阻生牙识别装置,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的任一的方法。
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阻生牙识别方法。
(一)基于深度学习的牙槽骨线分割:
设计牙槽骨线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;记该模型为PanoNet-S1。
对牙槽骨线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尺度(1200×2700左右)进行下采样,采样至448×896;然后对采样后的图像灰度值进行归一化处理,公式如下(其中,x表示原始灰度值,y表示归一化后的灰度值):
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,将牙槽骨线分割训练数据(包括原有的和增强的)输入模型PanoNet-S1进行训练,PanoNet-S1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。
将测试全景片输入训练好的PanoNet-S1,得到牙槽骨线分割结果mask1。
(二)提取牙周区域图像块
如图3所示,为牙槽骨线分割结果mask1生成一个贴合矩形框rect,再经过延展得到扩展矩形框rect’,延展公式如下:
w’=w+2*sw
h′=h+sh1+sh2
sh1=0.5*h
sh2=0.8*h
其中,sw可以取值为250。根据得到的扩展矩形框rect’从原图上裁剪出牙周区域图像块patch1。
(三)获取阻生牙分割结果
设计阻生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,;记该模型为PanoNet-S2。
对阻生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(具体方法同上文)。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,将阻生牙分割训练数据(包括原有的和增强的)输入模型PanoNet-S2进行训练,PanoNet-S2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。
将牙周区域图像块patch1输入训练好的阻生牙分割模型PanoNet-S2,得到阻生牙分割结果mask2,如图4所示。优选地,对阻生牙分割结果mask2进行形态学开运算处理,其主要目的是平滑牙齿分割结果的轮廓。
根据本发明的技术方案,基于人工智能技术,利用深度学习算法实现了阻生牙的识别,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。
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 (6)
1.一种基于深度学习的全景片阻生牙识别方法,其特征在于,包括:
将原始全景片输入基于深度学习的牙槽骨线分割模型,以得到牙槽骨线分割结果;
根据所述牙槽骨线分割结果生成贴合矩形框,然后根据所述贴合矩形框生成扩展矩形框,然后根据所述扩展矩形框从所述原始全景片中剪裁出牙周区域图像块;
将所述牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果;
所述基于深度学习的牙槽骨线分割模型得到的步骤包括:
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;
模型训练阶段:对牙槽骨线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;
所述基于深度学习的阻生牙分割模型是通过如下方式得到的:
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;
模型训练阶段:对阻生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。
2.根据权利要求1所述的方法,其特征在于,所述根据所述贴合矩形框生成扩展矩形框的步骤包括:
所述贴合矩形框的左边界向左移动预设距离,以得到所述扩展矩形框的左边界;
所述贴合矩形框的右边界向右移动所述预设距离,以得到所述扩展矩形框的右边界;
所述贴合矩形框的上边界向上移动0.5倍贴合矩形框高度值,以得到所述扩展矩形框的上边界;
所述贴合矩形框的下边界向下移动0.8倍贴合矩形框高度值,以得到所述扩展矩形框的下边界。
3.根据权利要求1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。
4.根据权利要求1所述的方法,其特征在于,所述梯度下降算法的方法为:Adam,SGD,RMSprop或者Adadelta。
5.根据权利要求1所述的方法,其特征在于,在所述将所述牙周区域图像块输入基于深度学习的阻生牙分割模型,以得到阻生牙分割结果的步骤之后,还包括:对所述阻生牙分割结果进行形态学开运算处理。
6.一种基于深度学习的全景片阻生牙识别装置,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5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184967.2A CN109978841B (zh) | 2019-03-12 | 2019-03-12 | 基于深度学习的全景片阻生牙识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910184967.2A CN109978841B (zh) | 2019-03-12 | 2019-03-12 | 基于深度学习的全景片阻生牙识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978841A CN109978841A (zh) | 2019-07-05 |
CN109978841B true CN109978841B (zh) | 2021-08-03 |
Family
ID=67078615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910184967.2A Active CN109978841B (zh) | 2019-03-12 | 2019-03-12 | 基于深度学习的全景片阻生牙识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978841B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503652B (zh) * | 2019-08-23 | 2022-02-25 | 北京大学口腔医学院 | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 |
CN113688788B (zh) * | 2021-04-02 | 2023-04-25 | 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 |
KR102652759B1 (ko) * | 2021-09-01 | 2024-04-01 | 가톨릭대학교 산학협력단 | 치과 진단 장치 및 치과 진단을 위한 정보 제공 방법 |
CN117765002A (zh) * | 2022-06-24 | 2024-03-26 | 杭州朝厚信息科技有限公司 | 口腔全景片的分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106117A (zh) * | 2015-06-11 | 2017-08-29 | 深圳先进技术研究院 | 牙齿和牙槽骨的分割与重构方法及装置 |
CN108022247A (zh) * | 2016-11-03 | 2018-05-11 | 北京大学口腔医学院 | 基于牙周膜影像学解剖特征提取活体牙三维牙根形态方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609686B (zh) * | 2012-01-19 | 2014-03-12 | 宁波大学 | 一种行人检测方法 |
US10335098B2 (en) * | 2013-07-19 | 2019-07-02 | Axion Japan Co., Ltd. | Panoramic imaging apparatus and diagnostic imaging method in same apparatus |
EP3374964A4 (en) * | 2015-11-13 | 2019-09-11 | Rutgers, The State University of New Jersey | DIFFERENTIAL DIAGNOSIS OF PERIAPICAL DISEASES BASED ON IMAGE ANALYSIS RESULTS |
CN107203998B (zh) * | 2016-03-18 | 2020-04-03 | 北京大学 | 一种对锥束ct图像进行牙列分割的方法 |
CN106214175B (zh) * | 2016-08-26 | 2020-06-16 | 中国科学院深圳先进技术研究院 | 一种估算三维牙轴的方法和装置 |
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 |
CN109146897B (zh) * | 2018-08-22 | 2021-08-03 | 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 |
CN109360196B (zh) * | 2018-09-30 | 2021-09-28 | 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 |
-
2019
- 2019-03-12 CN CN201910184967.2A patent/CN109978841B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106117A (zh) * | 2015-06-11 | 2017-08-29 | 深圳先进技术研究院 | 牙齿和牙槽骨的分割与重构方法及装置 |
CN108022247A (zh) * | 2016-11-03 | 2018-05-11 | 北京大学口腔医学院 | 基于牙周膜影像学解剖特征提取活体牙三维牙根形态方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978841A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978841B (zh) | 基于深度学习的全景片阻生牙识别的方法和装置 | |
CN109949319B (zh) | 基于深度学习的全景片恒牙识别的方法和装置 | |
US11020206B2 (en) | Tooth segmentation based on anatomical edge information | |
JP7489964B2 (ja) | 深層学習を使用した自動化矯正治療計画 | |
US20210186659A1 (en) | 2d-to-3d tooth reconstruction, optimization, and positioning frameworks using a differentiable renderer | |
CN109360196B (zh) | 基于深度学习处理口腔放射图像的方法及装置 | |
CN111784754B (zh) | 基于计算机视觉的牙齿正畸方法、装置、设备及存储介质 | |
BR112020012292A2 (pt) | previsão automatizada de formato de raiz 3d com o uso de métodos de aprendizado profundo | |
JP5763172B2 (ja) | パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム | |
KR102256315B1 (ko) | 인공지능 기반의 치과방사선사진을 이용한 골밀도 예측시스템 및 이에 의한 골밀도 예측 방법 | |
CN109766877B (zh) | 基于深度学习的全景片人工牙体识别的方法和装置 | |
CN109961427A (zh) | 基于深度学习的全景片根尖周炎识别的方法和装置 | |
EP3859605A3 (en) | Image recognition method, apparatus, device, and computer storage medium | |
US20220262007A1 (en) | Machine learning dental segmentation system and methods using graph-based approaches | |
CN113052902A (zh) | 牙齿治疗监测方法 | |
CN114638852A (zh) | 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质 | |
CN109948619A (zh) | 基于深度学习的全景片龋病识别的方法和装置 | |
Pattanachai et al. | Tooth recognition in dental radiographs via Hu's moment invariants | |
CN104603859B (zh) | 牙科补缀及赝复体数字建档与制作的方法 | |
CN109754870B (zh) | 基于深度学习的全景片牙槽骨吸收分级的方法和装置 | |
CN111461230B (zh) | 一种基于牙科stl模型和二维图像配准的牙模分类识别方法 | |
CN117011318A (zh) | 一种牙齿ct图像三维分割方法、系统、设备及介质 | |
WO2022174747A1 (zh) | 牙齿的计算机断层扫描图像的分割方法 | |
CN113222994B (zh) | 基于多视角卷积神经网络的三维口腔模型安氏分类方法 | |
CN115908361A (zh) | 一种口腔全景片的龋齿识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |