CN110327072B - 一种测量口腔手术植入体规格参数的无损检测方法 - Google Patents
一种测量口腔手术植入体规格参数的无损检测方法 Download PDFInfo
- Publication number
- CN110327072B CN110327072B CN201910626107.XA CN201910626107A CN110327072B CN 110327072 B CN110327072 B CN 110327072B CN 201910626107 A CN201910626107 A CN 201910626107A CN 110327072 B CN110327072 B CN 110327072B
- Authority
- CN
- China
- Prior art keywords
- implant
- image
- oral
- curved surface
- classifier
- 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
- 239000007943 implant Substances 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 10
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 6
- 210000000214 mouth Anatomy 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 47
- 238000012706 support-vector machine Methods 0.000 claims description 25
- 230000009977 dual effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000002513 implantation Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C8/00—Means to be fixed to the jaw-bone for consolidating natural teeth or for fixing dental prostheses thereon; Dental implants; Implanting tools
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种测量口腔手术植入体规格参数的无损检测方法，包括以下步骤：步骤S1、将口腔曲面CT图像输入植入体分类器，依据口腔曲面CT图像的纹理特征，识别出口腔曲面CT图像中的植入体，并进行截取，获得植入体图像。步骤S2、对植入体图像进行二值化处理，获得植入体二值图；对植入体二值图进行形态学处理，获得完整植入体二值图。步骤S3、提取完整植入体二值图的长轴和短轴数据，选取长轴矩阵中的最大值及其对应的短轴数据作为植入体规格参数。是口腔曲面CT图像的一种新的临床应用，植入体识别准确率较高；可以在不损伤植入体的情况下获取其准确信息，给医生提供了很多便利，也为病人在丢失病历的情况下提供了一种备选方案。
Description
技术领域
本发明涉及口腔曲面CT图像处理技术领域，尤其涉及一种测量口腔手术植入体规格参数的无损检测方法。
背景技术
现有技术中，常根据图像的亮度特征与纹理特征对口腔曲面CT图像进行植入手术前和手术后的图像匹配，具体方法包括以下步骤：步骤S1、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。步骤S2、提取被截取牙区图像的亮度特征和纹理特征，并进行特征融合。以将植入手术前口腔曲面CT图像的特征值和植入手术后口腔曲面CT图像的特征值保存下来。步骤S3、根据植入手术前口腔曲面CT图像的特征值和植入手术后口腔曲面CT图像的特征值，计算欧氏距离和相似度，将相似度最高的图像进行匹配。目前对口腔曲面CT图像的处理方法很少，并没有对口腔曲面CT图像进行特征提取与分析，从而应用于临床的例子。说明现有中缺乏处理口腔曲面CT图像并将其应用于临床的方法，对医生的帮助有限。
申请人发现，现在存在很多病人丢失病历或者换医院等情况，在这种情况下如果病人想获取已经在自己口腔内的植入体的信息只能靠医生通过观看口腔CT来大致判断，而无法获取准确的信息，这对于病人造成了极大的困扰，如果植入体有破损或者植入的角度有问题，很大概率会造成下颌骨受力不均匀而导致的损伤。
因此，亟需一种测量口腔手术植入体规格参数的无损检测方法。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题，本发明提供了一种测量口腔手术植入体规格参数的无损检测方法。是口腔曲面CT图像的一种新的临床应用，植入体识别准确率较高；可以在不损伤植入体的情况下获取其准确信息，给医生提供了很多便利，也为病人在丢失病历的情况下提供了一种备选方案。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种测量口腔手术植入体规格参数的无损检测方法，包括以下步骤：
步骤S1、将口腔曲面CT图像输入植入体分类器，依据口腔曲面CT图像的纹理特征，识别出口腔曲面CT图像中的植入体，并进行截取，获得植入体图像。
步骤S2、对植入体图像进行二值化处理，获得植入体二值图；对植入体二值图进行形态学处理，获得完整植入体二值图。
步骤S3、提取完整植入体二值图的长轴和短轴数据，选取长轴矩阵中的最大值及其对应的短轴数据作为植入体规格参数。
作为本发明方法的一种改进，依据口腔曲面CT图像的纹理特征，识别出口腔曲面CT图像中的植入体，包括：依据口腔曲面CT图像的纹理特征，将口腔曲面CT图像中与植入体分类器正样本集纹理特征最相似的前100位标记出来，选取相对位置大于100像素的任意两位作为口腔曲面CT图像中植入体的识别标记，否则任意选取一位作为口腔曲面CT图像中植入体的识别标记，将识别标记中的植入体作为识别出的植入体。
作为本发明方法的一种改进，口腔曲面CT图像的纹理特征，包括：依据口腔曲面CT图像获取的GLCM灰度共生矩阵。
作为本发明方法的一种改进，将口腔曲面CT图像输入植入体分类器，包括：根据口腔曲面CT图像中植入体的类型，将口腔曲面CT图像输入与所述植入体类型匹配的植入体分类器中；所述植入体分类器包括：单植入体分类器、双植入体分类器和多植入体分类器。
作为本发明方法的一种改进，在步骤S1之前还包括：
步骤S01、获取口腔曲面CT图像，等比例放大或缩小口腔曲面CT图像至大小一致，获得预处理的口腔曲面CT图像。
步骤S02、对预处理的口腔曲面CT图像中的植入体进行截取，组成单植入体训练集、双植入体训练集和多植入体训练集；对预处理的口腔曲面CT图像中植入体外的区域进行随机截取，组成负样本训练集。
步骤S03、提取单植入体训练集和负样本训练集的纹理特征，输入SVM支持向量机中，获得单植入体分类器；提取双植入体训练集和负样本训练集的纹理特征，输入SVM中，获得双植入体分类器；提取多植入体训练集和负样本训练集的纹理特征，输入SVM中，获得多植入体分类器。
作为本发明方法的一种改进，二值化处理中阈值系数设置为0.73～0.77。
作为本发明方法的一种改进，对植入体二值图进行形态学处理，获得完整植入体二值图，包括：先用[0 1 0,1 1 1,0 1 0]的结构元对所述植入体二值图进行膨胀操作，再使用imfill函数进行孔洞填充，得到填充后的完整植入体二值图。
(三)有益效果
本发明的有益效果是：
1、提取的纹理特征选用为GLCM灰度共生矩阵，进行SVM训练，极大提高其准确率。
2、在植入体分类器对口腔曲面CT图像进行识别的过程中，通过结合图像空间特征和纹理特征，能够准确识别出同一图像中多个位置的植入体，提高植入体识别的准确率。
3、本发明方法提出了对口腔中植入体的定位与测量，是口腔曲面CT图像的一种新的临床应用。本发明方法应用机器学习(SVM)的方法对其进行识别，准确率较高；可以在不损伤植入体的情况下获取其准确信息，给医生提供了很多便利，也为病人在丢失病历的情况下提供了一种备选方案。
附图说明
本发明借助于以下附图进行描述：
图1为本发明具体实施方式中测量口腔手术植入体规格参数的无损检测方法的流程图；
图2为本发明具体实施方式中统一图片大小的示意图；
图3为本发明具体实施方式中单植入体训练集示意图；
图4为本发明具体实施方式中双植入体训练集示意图；
图5为本发明具体实施方式中多植入体训练集示意图；
图6为本发明具体实施方式中负样本训练集示意图；
图7为本发明具体实施方式中单植入体分类器识别口腔曲面CT图像中植入体的示意图；
图8为本发明具体实施方式中双植入体分类器识别口腔曲面CT图像中植入体的示意图；
图9为本发明具体实施方式中多植入体分类器识别口腔曲面CT图像中植入体的示意图；
图10为本发明具体实施方式中口腔曲面CT图像中与植入体分类器正样本集纹理特征最相似前100位全标记示意图；
图11为图10中作为识别口腔曲面CT图像中植入体的标记示意图；
图12为本发明具体实施方式中阈值系数设置为0.75时获得的植入体二值图；
图13为图12的膨胀操作示意图；
图14为图13的孔洞填充示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
需要说明的是，本发明所称“单植入体”、“双植入体”和“多植入体”是根据连续相连的植入体的数量来分类的，比如连续相连的植入体为两个，则为双植入体。
本发明为口腔曲面CT图像的应用提供了一种新思路，即对口腔曲面CT图像进行处理，用于测量口腔手术植入体规格参数。
具体地，本发明提供了一种测量口腔手术植入体规格参数的无损检测方法，如图1所示，包括以下步骤：
步骤S1、根据口腔曲面CT图像和SVM支持向量机，获取单植入体分类器、双植入体分类器和多植入体分类器。具体包括以下步骤：
步骤S11、获取420张口腔曲面CT图像，等比例放大或缩小口腔曲面CT图像至n*500像素，获得预处理的口腔曲面CT图像，防止了图像细节数据的丢失，保证分类器的准确度，如图2所示。
步骤S12、对预处理的口腔曲面CT图像中的植入体进行截取，分别组成单植入体训练集(如图3)、双植入体训练集(如图4)和多植入体训练集(如图5)；对预处理的口腔曲面CT图像中植入体外的区域进行随机截取，组成负样本训练集(如图6)。
步骤S13、提取单植入体训练集和负样本训练集的纹理特征，输入SVM中，获得单植入体分类器；提取双植入体训练集和负样本训练集的纹理特征，输入SVM中，获得双植入体分类器；提取多植入体训练集和负样本训练集的纹理特征，输入SVM中，获得多植入体分类器。
对于口腔内植入体的识别，纹理特征是最为行之有效的特征；又由于口腔曲面CT图像均为灰度图像，申请人分别提取了两种纹理特征进行机器学习的训练，包括GLCM灰度共生矩阵和HOG梯度方向直方图，以找出一种效果较好的纹理特征作为训练数据。申请人使用滑动窗口遍历分类器训练集中每一张图像，提取其GLCM特征，每一张图像有4个方向共16维特征向量，将其统一起来进行SVM训练，经十折交叉验证后获得的准确率为95％。同样申请人提取分类器训练集中每一张图像的HOG特征，每一张图像共36维特征向量，将其统一起来进行SVM训练，经十折交叉验证后获得的准确率为73.3％，远低于GLCM特征训练的准确率。因此，本发明提取的纹理特征包括：依据口腔曲面CT图像获取的GLCM灰度共生矩阵。
进一步优选地，提取正样本训练集和负样本训练集的不同特征(比如纹理特征和形状特征)，通过特征融合的方式乘以不同的权值来训练分类器。获得的分类器的准确率更符合预期。
当然，本发明采用SVM作为分类器仅仅是优选；可以想见，采用基于传统机器学习的决策树、鉴别分析分类器，以及基于深度学习的CNN(卷积神经网络)模型、ANN(人工神经网络)模型、KNN(k最近邻分类算法)模型、LSTM模型(长短期记忆模型)代替SVM，也可以实现类似的效果。
步骤S2、根据口腔曲面CT图像中植入体的类型，将口腔曲面CT图像输入与植入体类型匹配的植入体分类器中，植入体分类器包括：单植入体分类器、双植入体分类器和多植入体分类器；依据口腔曲面CT图像的纹理特征，识别出口腔曲面CT图像中的植入体(如图7、8、9所示)，并进行截取，获得植入体图像。使得识别出口腔曲面CT图像中的植入体更准确。
优选地，向植入体分类器输入口腔曲面CT图像，依据口腔曲面CT图像的纹理特征，将口腔曲面CT图像中与植入体分类器正样本集纹理特征最相似的前100位标记出来(如图10所示)，选取相对位置大于100像素的任意两位作为口腔曲面CT图像中植入体的识别标记，否则任意选取一位作为口腔曲面CT图像中植入体的识别标记，然后将识别标记中的植入体作为识别出的植入体，如图11所示。在植入体分类器对口腔曲面CT图像进行识别的过程中，通过结合图像空间特征和纹理特征，能够准确识别出同一图像中多个位置的植入体。
申请人随机选择30张口腔曲面CT图像，采用本发明方法成功提取植入体的有28张，准确率为93.3％。
当然，本发明根据口腔曲面CT图像中植入体的类型，将口腔曲面CT图像输入单植入体分类器或双植入体分类器或多植入体分类器仅仅是优选；可以想见，对预处理的口腔曲面CT图像中的植入体进行截取，组成植入体训练集，提取植入体训练集和负样本训练集的纹理特征，输入SVM中，获得植入体分类器，将口腔曲面CT图像输入植入体分类器，也可以实现识别出口腔曲面CT图像中植入体的效果。
步骤S3、对植入体图像进行二值化处理，获得植入体二值图；对所述植入体二值图进行形态学处理，获得完整植入体二值图。
优选地，二值化处理中阈值系数设置为0.73～0.77；进一步优选地，二值化处理中阈值系数设置为0.75，阈值系数设置为0.75时获得的二值图如图12所示。可见，牙齿部分和口腔内骨骼等大部分都已经去除，且除去白色小圆点外，植入体的轮廓被很好的提取了出来。
由于植入体二值图中的孔洞比较多，而且外表不是很规则，因此需要用形态学处理对其进行完善，以便后续的提取形态学特征。优选地，先用[0 1 0,1 1 1,0 1 0]的结构元对植入体二值图进行膨胀操作，如图13所示，可以看出膨胀后的图像边界更加圆润，也避免了之后提取形状特征时将一个植入体分为好几块而影响提取的准确度；再使用imfill函数进行孔洞填充，如图14所示。
步骤S4、提取完整植入体二值图的长轴和短轴数据，选取长轴矩阵中的最大值及其对应的短轴数据作为植入体规格参数。
由于二值化后的植入体图像分为好几块不相连通的区域，所以其中提取的长轴与短轴也有好几组数据。在申请人观测之后发现，阈值系数设置为0.73～0.77时，除了植入体的图像比较完整之外，其余都是比较小的图像，所以在长轴矩阵中最大值即为植入体的长轴，对应的短轴即为植入体的短轴。
申请人选取五组在植入过程中已经测量出植入体实际大小的图像，并将其实际大小与采用本发明测量出来的植入体的长轴长度相类比，计算平均值，获得系数为0.19327(mm/像素)。因此，得知其比例为：植入体的实际长度等于0.19327×长轴长度，植入体的直径等于0.19327×短轴的长度。据此测得图14中植入体的长度为32.2mm，直径为6.5mm。
综上，本发明方法提出了对口腔中植入体的定位与测量，是口腔曲面CT图像的一种新的临床应用。本发明方法应用机器学习(SVM)的方法对其进行识别，准确率较高；可以在不损伤植入体的情况下获取其准确信息，给医生提供了很多便利，也为病人在丢失病历的情况下提供了一种备选方案；在植入体分类器对口腔曲面CT图像进行识别的过程中，借助于结合图像空间特征和纹理特征，能够准确识别出同一图像中多个位置的植入体。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发明的保护范围内。
Claims (4)
1.一种测量口腔手术植入体规格参数的无损检测方法，其特征在于，包括以下步骤：
步骤S01、获取口腔曲面CT图像，等比例放大或缩小所述口腔曲面CT图像至大小一致，获得预处理的口腔曲面CT图像；
步骤S02、对所述预处理的口腔曲面CT图像中的植入体进行截取，组成单植入体训练集、双植入体训练集和多植入体训练集；对所述预处理的口腔曲面CT图像中植入体外的区域进行随机截取，组成负样本训练集；
步骤S03、提取所述单植入体训练集和所述负样本训练集的纹理特征进行特征融合，输入SVM支持向量机中，获得单植入体分类器；
提取所述双植入体训练集和所述负样本训练集的纹理特征进行特征融合，输入SVM中，获得双植入体分类器；
提取所述多植入体训练集和所述负样本训练集的纹理特征进行特征融合，输入SVM中，获得多植入体分类器；
步骤S1、根据待处理口腔曲面CT图像中植入体的类型，将口腔曲面CT图像输入与所述植入体类型匹配的植入体分类器中；依据待处理口腔曲面CT图像的纹理特征，识别出待处理口腔曲面CT图像中的植入体，并进行截取，获得植入体图像；
步骤S2、对植入体图像进行二值化处理，获得植入体二值图；对所述植入体二值图进行形态学处理，获得完整植入体二值图；
步骤S3、提取所述完整植入体二值图的长轴和短轴数据，选取长轴矩阵中的最大值及其对应的短轴数据作为植入体规格参数；
所述依据待处理口腔曲面CT图像的纹理特征，识别出待处理口腔曲面CT图像中的植入体，包括：
依据口腔曲面CT图像的纹理特征，将口腔曲面CT图像中与植入体分类器正样本集纹理特征最相似的前100位标记出来，选取相对位置大于100像素的任意两位作为口腔曲面CT图像中植入体的识别标记，否则任意选取一位作为口腔曲面CT图像中植入体的识别标记，然后将识别标记中的植入体作为识别出的植入体；其中，植入体分类器为单植入体分类器、双植入体分类器和多植入体分类器中的一种植入体分类器。
2.根据权利要求1所述的方法，其特征在于，口腔曲面CT图像的纹理特征，包括：依据口腔曲面CT图像获取的GLCM灰度共生矩阵。
3.根据权利要求1所述的方法，其特征在于，所述二值化处理中阈值系数设置为0.73~0.77。
4.根据权利要求1所述的方法，其特征在于，对所述植入体二值图进行形态学处理，获得完整植入体二值图，包括：
先用[0 1 0,1 1 1,0 1 0]的结构元对所述植入体二值图进行膨胀操作，再使用imfill函数进行孔洞填充，得到填充后的完整植入体二值图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910626107.XA CN110327072B (zh) | 2019-07-11 | 2019-07-11 | 一种测量口腔手术植入体规格参数的无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910626107.XA CN110327072B (zh) | 2019-07-11 | 2019-07-11 | 一种测量口腔手术植入体规格参数的无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110327072A CN110327072A (zh) | 2019-10-15 |
| CN110327072B true CN110327072B (zh) | 2021-10-22 |
Family
ID=68146452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910626107.XA Active CN110327072B (zh) | 2019-07-11 | 2019-07-11 | 一种测量口腔手术植入体规格参数的无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110327072B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114757956B (zh) * | 2022-03-01 | 2024-05-10 | 四川锋准机器人科技有限公司 | 一种种植体自动提取以及种植体中轴线自动确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101829801A (zh) * | 2010-03-08 | 2010-09-15 | 淮阴工学院 | 口腔修复体的五轴联动仿真加工方法 |
| KR101663906B1 (ko) * | 2015-07-08 | 2016-10-07 | 가톨릭대학교 산학협력단 | 발치와 치료 및 임플란트 식립을 위한 스캐폴드 제작 방법 |
| CN107405183A (zh) * | 2015-02-23 | 2017-11-28 | 全球植入技术有限公司 | 牙种植体识别系统 |
| CN109146867A (zh) * | 2018-08-24 | 2019-01-04 | 四川木牛流马智能科技有限公司 | 口腔曲面ct图像生物特征提取及匹配方法和设备 |
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101569535B (zh) * | 2008-04-28 | 2011-05-04 | 姚英超 | 齿间距离直接测量法 |
| US20150359479A1 (en) * | 2014-04-01 | 2015-12-17 | FPJ Enterprises, LLC | Methods for Obtaining Information Relative to a Specific Linear Trajectory |
| EP3461452B1 (en) * | 2014-09-02 | 2020-10-07 | Maino Dott. Bortolo Giuliano | Surgical template for palatal implants |
| US20170340418A1 (en) * | 2016-05-25 | 2017-11-30 | Matthew Raanan | System and method for dental implant recognition |
| WO2018213817A1 (en) * | 2017-05-18 | 2018-11-22 | Jason Watson | Fixation base and guides for dental prosthesis installation |
| KR102085629B1 (ko) * | 2017-12-07 | 2020-03-06 | 이혜주 | 환자의 치아 및 악골 구조를 분석하는 장치 및 그 방법 |
-
2019
- 2019-07-11 CN CN201910626107.XA patent/CN110327072B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101829801A (zh) * | 2010-03-08 | 2010-09-15 | 淮阴工学院 | 口腔修复体的五轴联动仿真加工方法 |
| CN107405183A (zh) * | 2015-02-23 | 2017-11-28 | 全球植入技术有限公司 | 牙种植体识别系统 |
| KR101663906B1 (ko) * | 2015-07-08 | 2016-10-07 | 가톨릭대학교 산학협력단 | 발치와 치료 및 임플란트 식립을 위한 스캐폴드 제작 방법 |
| CN109146867A (zh) * | 2018-08-24 | 2019-01-04 | 四川木牛流马智能科技有限公司 | 口腔曲面ct图像生物特征提取及匹配方法和设备 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110327072A (zh) | 2019-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oktay | Tooth detection with convolutional neural networks | |
| CN113627425B (zh) | 一种基于神经网络模型的毛囊识别和提取方法及系统 | |
| CN111414809B (zh) | 一种三维图形识别方法、装置、设备及存储介质 | |
| CN110956635A (zh) | 一种肺段分割方法、装置、设备及存储介质 | |
| WO2023142956A1 (zh) | 基于深度学习的全髋关节置换术前规划系统 | |
| CN110610198A (zh) | 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法 | |
| CN112770676B (zh) | 头颅图像中的测量点的自动识别方法 | |
| WO2001010339A2 (en) | Method and apparatus for producing an implant | |
| CN109146867B (zh) | 口腔曲面ct图像生物特征提取及匹配方法和设备 | |
| CN106780520B (zh) | 一种mri腰椎图像中椎骨的自动提取方法 | |
| CN110327072B (zh) | 一种测量口腔手术植入体规格参数的无损检测方法 | |
| CN111862118B (zh) | 压疮分期的训练方法、分期方法及分期系统 | |
| KR102473139B1 (ko) | 인공지능 기반의 임플란트 인식 시스템 및 그 방법 | |
| CN108898601A (zh) | 基于随机森林的股骨头图像分割装置及分割方法 | |
| Park et al. | A trends analysis of dental image processing | |
| CN110276333B (zh) | 眼底身份识别模型训练方法、眼底身份识别方法和设备 | |
| CN117011318A (zh) | 一种牙齿ct图像三维分割方法、系统、设备及介质 | |
| CN113643263B (zh) | 一种上肢骨定位与前臂骨融合畸形的识别方法及系统 | |
| CN115880358A (zh) | 定位模型的构建方法、影像标志点的定位方法及电子设备 | |
| CN114141337A (zh) | 一种图像自动标注模型构建方法、系统及应用 | |
| CN112927225A (zh) | 基于人工智能的智齿生长状态辅助检测系统 | |
| CN113907775A (zh) | 一种髋关节影像质量判断方法及系统 | |
| CN114359317A (zh) | 一种基于小样本识别的血管重建方法 | |
| CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
| CN113782157A (zh) | 医疗影像处理方法、系统、计算机设备和存储介质 |
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 |