CN111599432A - 一种三维颅面影像特征点标记分析系统及方法 - Google Patents
一种三维颅面影像特征点标记分析系统及方法 Download PDFInfo
- Publication number
- CN111599432A CN111599432A CN202010473219.9A CN202010473219A CN111599432A CN 111599432 A CN111599432 A CN 111599432A CN 202010473219 A CN202010473219 A CN 202010473219A CN 111599432 A CN111599432 A CN 111599432A
- Authority
- CN
- China
- Prior art keywords
- feature point
- data
- craniofacial
- model
- dimensional
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 38
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 210000003484 anatomy Anatomy 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 45
- 238000002372 labelling Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000003703 image analysis method Methods 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010990 cephalometric method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 235000019633 pungent taste Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- 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
-
- 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
-
- 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
- A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
Abstract
本发明公开了一种三维颅面影像特征点标记分析系统及方法,系统包含特征点标记模块、量化指标计算模块、异常识别诊断模块、数据库;特征点标记模块用于获取颅面部CBCT体素图像数据并依据该颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,生成特征点坐标;量化指标计算模块用于获取特征点坐标并依据该特征点坐标计算出量化指标数据;异常识别诊断模块用于获取特征点坐标、量化指标数据并将该量化指标数据与数据库中的样例数据进行比对生成分析数据报告;方法包含对颅面部CBCT体素图像数据进行标记得到特征点坐标;对特征点坐标进行计算得出量化指标数据;将特征点坐标和量化指标数据与数据库中的样例数据比对生成分析数据报告。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,具体涉及一种三维颅面影像特征点标记分析系统及方法。
背景技术
三维颅面影像分析技术,是一种通过分析患者颅面部的CT影像,对患者颅面的整体形态、功能进行评估的方法,在传统方法中,CBCT影像设备只能完成对患者颅面部三维模型的重建,但不能进行更加深入的推理和评估,在具体操作时还需要在三维模型重建完毕后,根据重建结果进行分析,根据使用场景生成医疗诊断报告,辅助医生的诊断和治疗工作;
CBCT就是Cone beam CT的简称,即锥形束CT;
专利公开号为CN110326023A的中国发明专利提供了用于头影测量分析的方法,需要操作员输入参考标记位置的执行流程,增加了颅面解剖特征点定位时间;
专利授权公告号为CN100375108C的中国发明专利提供了一种人脸特征点自动定位方法、专利授权公告号为CN104463172B的中国发明专利提供了基于人脸特征点形状驱动深度模型的人脸特征提取方法、专利授权公告号为CN1731416A的中国发明专利提供了快速且准确的人脸特征定位方法、专利公开号为CN110246580A的中国发明专利提供了基于神经网络和随机森林的颅侧面影像分析方法和系统,这些为人脸识别领域的现有技术,采用二维投影影像进行重建,其特征点识别交底,并且不可以生成标记过的颅面三维模型。
本专利所公开的三维颅面影像分析方法,是通过对颅面部的解剖特征点进行自动标记和测量实现的,在特征点自动标记领域,以往的主流方法只能处理二维图像(参见Chu,Chengwen, et al. "Fully automatic cephalometric x-ray landmark detectionusing random forest regression and sparse shape composition." submitted toAutomatic Cephalometric X-ray Landmark Detection Challenge (2014) 以及Ibragimov, Bulat, et al. "Automatic cephalometric X-ray landmark detection byapplying game theory and random forests." Proc. ISBI Int. Symp. on BiomedicalImaging. 2014.),也即X射线颅侧位图像。在此情况下不可避免地会丢失一些患者颅面部的细节,同时,对颅面部三维几何结构的量化也难以展开;
以往研究中也存在一些能够完成三维图像特征点标记的方法,如Cheng, Erkang, etal. "Automatic Dent-landmark detection in 3-D CBCT dental volumes." 2011Annual International Conference of the IEEE Engineering in Medicine andBiology Society. IEEE, 2011 中所述基于随机森林的方法,及Montúfar, Jesús,Marcelo Romero, and Rogelio J. Scougall-Vilchis. "Automatic 3-dimensionalcephalometric landmarking based on active shape models in relatedprojections." American Journal of Orthodontics and Dentofacial Orthopedics153.3 (2018): 449-458 中所述基于主动形状匹配技术的方法;相比于这些方法,本专利公开的方法借助深度学习技术,有能力结合三维图片的全局和局部特征,从而对特征点的位置进行更高精度的估计。
发明内容
本发明要解决的技术问题是目前的颅面影像自动标记和分析技术所存在的不足,本发明提供一种三维颅面影像特征点标记分析系统,能够在图像设备完成对图像采集对象的颅面部三维图像重建之后,本发明可以对该三维图像进行解剖特征点识别;随后本专利所述分析方法将并根据识别的特征点信息进行颅面自动分析,并将分析结果以分析报告的形式输出,该特征点识别结果和分析报告可以作为医生后续诊断的依据,明显减少医生的劳动量并缩短诊断时间;一方面提供了基于三维颅面影像完成病情自动分析的技术;另一方面,相比于颅面二维图像分析技术,本技术方案所采用的三维图像技术能够实现在三维X射线模型中对重要解剖特征的快速标记,通过快速生成分析报告的方式,协助医生获得对颅面更全面直观的认识;再一方面,相比于以往三维图像分析方法,本技术方案结合深度学习中的监督学习和无监督学习方法,能够融合三维图像中的全局和局部信息,实现更加精确的标记和诊断分析,降低错误诊断的风险,提高医生诊断的整体效率,用以解决现有技术导致的缺陷。
本发明还提供一种三维颅面影像特征点标记分析方法。
为解决上述技术问题本发明提供以下的技术方案:
第一方面,一种三维颅面影像特征点标记分析系统,其中,包含通过无线或有线依次连接进行数据传输的特征点标记模块、量化指标计算模块、异常识别诊断模块、数据库;
所述特征点标记模块用于获取颅面部CBCT体素图像数据,并依据该颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,生成特征点坐标,特征点需要在模块建立前进行预先选取,选取的特征点应易于识别与定位,并具备医学上对病理的解释性;
所述量化指标计算模块用于获取所述特征点坐标并依据该特征点坐标计算出量化指标数据;
所述异常识别诊断模块用于获取所述特征点坐标、所述量化指标数据,并将该量化指标数据与所述数据库中的样例数据进行比对,生成分析数据报告,可导出,便于查看与诊断。
上述的一种三维颅面影像特征点标记分析系统,其中,还包含通过无线或有线连接的模型预训练模块与模型训练模块,所述模型训练模块通过无线或有线与所述特征点标记模块连接,所述模型预训练模块与所述模型训练模块用于对特征点标记模型进行训练后才能进行标记使用;
所述模型预训练模块用于对特征点标记模型进行第一次参数调整并存储;
所述模型训练模块用于对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
所述特征点标记模块用于读取第二次参数调整后的特征点标记模型,并依据该特征点标记模型对所述颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记。
上述的一种三维颅面影像特征点标记分析系统,其中,所述模型预训练模块内含有患者特征点坐标数据集、神经网络模型;
所述患者特征点坐标数据集内存储有多组患者的颅面部各特征点坐标的人工标注数据;
所述神经网络模型用于获取所述特征点坐标数据集内的患者特征点坐标,并对该患者特征点坐标所含的信息进行提纯获得全局特征,并依据所述全局特征恢复出输入的各特征点坐标,比对所述患者特征点坐标与输入的所述各特征点坐标获得误差数据,所述模型预训练模块根据所述误差数据对所述特征点标记模型进行第一次参数调整;
所述神经网络模型在预训练过程中涉及的部分采用了变分自编码器的结构。
上述的一种三维颅面影像特征点标记分析系统,其中,所述模型训练模块内含有三维图像数据集;
所述三维图像数据集内存储有多组患者的颅面部CBCT三维图像,所述颅面部CBCT三维图像与所述患者特征点坐标数据集内的所述颅面部各特征点坐标一一对应;
所述神经网络模型用于获取所述三维图像数据集内患者的颅面部CBCT三维图像进行解析,并提取出所述颅面部CBCT三维图像中的局部特征数据与全局特征数据,并将所述局部特征数据与所述全局特征数据合成估计出各个特征点在空间中位置的概率热度图,并依据该概率热度图与所述患者特征点坐标数据集中真实的患者特征点坐标进行对比生成模型误差,所述模型训练模块根据所述模型误差对所述特征点标记模型进行第二次参数调整。
上述的一种三维颅面影像特征点标记分析系统,其中,所述神经网络模型在所述局部特征数据的提取过程中采取Faster Region-CNN的模型结构,在所述全局特征数据的提取过程中采取Cascade CNN的模型结构;
其中Faster Region-CNN(基于更快速的区域提出算法的卷积神经网络)是一种利用全卷积神经网络来实现二维图像目标识别的技术,本技术方案中Faster Region-CNN技术被应用于分析三维体素图像,快速提取其中的局部特征;
Cascade CNN(级联卷积神经网络)是另一种卷积神经网络模型,它借鉴了瀑布结构,通过多级神经网络提取图片中不同尺度上的特征,如大范围特征、中等范围特征、局部特征等;本技术方案采用Cascade CNN模型,重点获取图片的全局特征,并将其与FasterRegion-CNN技术结合,实现全局信息与局部信息的融合,提高特征点标记精度。
上述的一种三维颅面影像特征点标记分析系统,其中,所述神经网络模型接收患者的所述颅面部CBCT三维图像并提取其中的所述局部特征数据与所述全局特征数据,并以所述局部特征数据与所述全局特征数据为根据估计各特征点所在位置的概率热度图,根据所述概率热度图做出对特征点位置的判断。
上述的一种三维颅面影像特征点标记分析系统,其中,所述异常识别诊断模块内含有病例数据库;
所述异常识别诊断模块将获取的所述特征点坐标、所述量化指标数据传输至所述病例数据库内进行相似病例检索,得到检索数据,将该检索数据与所述特征点坐标和所述量化指标数据进行比对,生成所述分析数据报告。
第二方面,一种三维颅面影像特征点标记分析方法,其中,包含以下步骤:
步骤1:通过特征点标记模块将获取的颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,得到特征点坐标,借助深度学习技术对三维体素数据进行解析,综合拍摄对象的颅面部全局特征与局部信息,实现解剖结构标记点的高精度标注;
步骤2:量化指标计算模块获取特征点坐标并进行计算得出量化指标数据;
步骤3:异常识别诊断模块获取特征点坐标与量化指标数据后进行与数据库中的样例数据比对,快速识别拍摄对象可能存在的异常,生成分析数据报告,导出分析数据报告。
上述的一种三维颅面影像特征点标记分析方法,其中,所述量化指标数据包含标记点之间的距离、标记点连线夹角。
上述的一种三维颅面影像特征点标记分析方法,其中,步骤1中所述特征点标记模块需获取特征点标记模型后对所述颅面部CBCT体素图像数据进行所述颅面解剖结构特征点的标记,所述特征点标记模型的获取包含以下步骤:
步骤A1:模型预训练模块对特征点标记模型进行第一次参数调整并存储;
步骤A2:模型训练模块对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
步骤A3:特征点标记模块读取第二次参数调整后的特征点标记模型。
第三方面,一种三维颅面影像特征点标记分析装置,其中,包含至少一个处理器以及与所述至少一个处理器耦合的存储器,所述存储器存储有可执行指令;
所述可执行指令在被所述至少一个处理器执行时使得实现第二方面中任一项所述方法的步骤。
第四方面,一种芯片,其中,包含处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行:第二方面中任一项所述方法的步骤。
第五方面一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现第二方面中任一项所述方法的步骤。
第六方面,一种计算机程序产品,其中,包含计算机程序指令,该计算机程序指令使得计算机执行第二方面中任一项所述方法的步骤。
上述本发明一种三维颅面影像特征点标记分析系统及方法提供的技术方案具有以下技术效果:
在图像设备完成对图像采集对象的颅面部三维图像重建之后,本发明可以对该三维图像进行解剖特征点识别;随后本专利所述分析方法将并根据识别的特征点信息进行颅面自动分析,并将分析结果以分析报告的形式输出,该特征点识别结果和分析报告可以作为医生后续诊断的依据,明显减少医生的劳动量并缩短诊断时间;一方面提供了基于三维颅面影像完成病情自动分析的技术;另一方面,相比于颅面二维图像分析技术,本技术方案所采用的三维图像技术能够实现在三维X射线模型中对重要解剖特征的快速标记,通过快速生成分析报告的方式,协助医生获得对颅面更全面直观的认识;再一方面,相比于以往三维图像分析方法,本技术方案结合深度学习中的监督学习和无监督学习方法,能够融合三维图像中的全局和局部信息,实现更加精确的标记和诊断分析,降低错误诊断的风险,提高医生诊断的整体效率;
与专利公开号为CN110326023A的中国发明专利用于头影测量分析的方法相比,本技术方案实现了三维CBCT影像中解剖学特征自动化标记的功能,相比于上述专利用于头影测量分析的方法中需要操作员输入参考标记位置的执行流程,本技术方案大大加快了对颅面解剖特征点的定位,以便于后续的分析和报告生成;此外,特征点自动标记技术降低了对医生经验和工作状态的要求,缩短了医生在软件使用上的学习周期,有助于缩减医院的成本;
与专利授权公告号为CN100375108C的中国发明专利提供了一种人脸特征点自动定位方法、专利授权公告号为CN104463172B的中国发明专利提供了基于人脸特征点形状驱动深度模型的人脸特征提取方法、专利授权公告号为CN1731416A、专利公开号为CN110246580A的中国发明专利提供了基于神经网络和随机森林的颅侧面影像分析方法和系统相比,本技术方案使用的是经由CBCT重建得到的三维体素图像,而非上述专利中使用的二维投影图像,使用三维图像不仅有助于提升特征点识别精度,而且可以生成标记过的颅面三维模型,帮助医生建立对颅面部三维结构更准确直观的认知,此外,本技术方案还具备根据颅面部解剖结构标记点的三维位置,进行深入分析并完成报告的能力;
附图说明
图1为本发明一种三维颅面影像特征点标记分析系统的结构示意图;
图2为本发明一种三维颅面影像特征点标记分析系统中模型预训练模块的结构示意图;
图3为本发明一种三维颅面影像特征点标记分析系统中模型训练模块的结构示意图;
图4为本发明一个具体实施例的概率热度图;
图5为本发明一种三维颅面影像特征点标记分析方法的流程示意图。
其中,附图标记如下:
特征点标记模块101、量化指标计算模块102、异常识别诊断模块103、数据库104、模型预训练模块105、模型训练模块106、患者特征点坐标数据集201、神经网络模型202、全局特征203、误差数据204、三维图像数据集301、局部特征302、概率热度图303、概率热度图叠加在体素图像上效果图410、第一热度图420、第二热度图421、第三热度图422、第四热度图423、第五热度图424。
具体实施方式
为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解,下结合具体图示,进一步阐述本发明。
本发明的第一实施例是提供一种三维颅面影像特征点标记分析系统,目的是在图像设备完成对图像采集对象的颅面部三维图像重建之后,本发明可以对该三维图像进行解剖特征点识别;随后本专利所述分析方法将并根据识别的特征点信息进行颅面自动分析,并将分析结果以分析报告的形式输出,该特征点识别结果和分析报告可以作为医生后续诊断的依据,明显减少医生的劳动量并缩短诊断时间;一方面提供了基于三维颅面影像完成病情自动分析的技术;另一方面,相比于颅面二维图像分析技术,本技术方案所采用的三维图像技术能够实现在三维X射线模型中对重要解剖特征的快速标记,通过快速生成分析报告的方式,协助医生获得对颅面更全面直观的认识;再一方面,相比于以往三维图像分析方法,本技术方案结合深度学习中的监督学习和无监督学习方法,能够融合三维图像中的全局和局部信息,实现更加精确的标记和诊断分析,降低错误诊断的风险,提高医生诊断的整体效率。
如图1所示,第一方面,第一实施例,一种三维颅面影像特征点标记分析系统,其中,包含通过无线或有线依次连接进行数据传输的特征点标记模块、量化指标计算模块、异常识别诊断模块、数据库;
特征点标记模块用于获取颅面部CBCT体素图像数据,并依据该颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,生成特征点坐标,特征点需要在模块建立前进行预先选取,选取的特征点应易于识别与定位,并具备医学上对病理的解释性;
量化指标计算模块用于获取特征点坐标并依据该特征点坐标计算出量化指标数据;
异常识别诊断模块用于获取特征点坐标、量化指标数据,并将该量化指标数据与数据库中的样例数据进行比对,生成分析数据报告,可导出,便于查看与诊断。
如图2-3所示,其中,还包含通过无线或有线连接的模型预训练模块与模型训练模块,模型训练模块通过无线或有线与特征点标记模块连接,模型预训练模块与模型训练模块用于对特征点标记模型进行训练后才能进行标记使用;
模型预训练模块用于对特征点标记模型进行第一次参数调整并存储;
模型训练模块用于对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
特征点标记模块用于读取第二次参数调整后的特征点标记模型,并依据该特征点标记模型对颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记。
其中,模型预训练模块内含有患者特征点坐标数据集、神经网络模型;
患者特征点坐标数据集内存储有多组患者的颅面部各特征点坐标的人工标注数据;
神经网络模型用于获取特征点坐标数据集内的患者特征点坐标,并对该患者特征点坐标所含的信息进行提纯获得全局特征,并依据全局特征恢复出输入的各特征点坐标,比对患者特征点坐标与输入的各特征点坐标获得误差数据,模型预训练模块根据误差数据对特征点标记模型进行第一次参数调整;
神经网络模型在预训练过程中涉及的部分采用了变分自编码器的结构。
其中,模型训练模块内含有三维图像数据集;
三维图像数据集内存储有多组患者的颅面部CBCT三维图像,颅面部CBCT三维图像与患者特征点坐标数据集内的颅面部各特征点坐标一一对应;
神经网络模型用于获取三维图像数据集内患者的颅面部CBCT三维图像进行解析,并提取出颅面部CBCT三维图像中的局部特征数据与全局特征数据,并将局部特征数据与全局特征数据合成估计出各个特征点在空间中位置的概率热度图,并依据该概率热度图与患者特征点坐标数据集中真实的患者特征点坐标进行对比生成模型误差,模型训练模块根据模型误差对特征点标记模型进行第二次参数调整。
其中,神经网络模型在局部特征数据的提取过程中采取Faster Region-CNN的模型结构,在全局特征数据的提取过程中采取Cascade CNN的模型结构;
其中Faster Region-CNN(基于更快速的区域提出算法的卷积神经网络)是一种利用全卷积神经网络来实现二维图像目标识别的技术,本技术方案中Faster Region-CNN技术被应用于分析三维体素图像,快速提取其中的局部特征;
Cascade CNN(级联卷积神经网络)是另一种卷积神经网络模型,它借鉴了瀑布结构,通过多级神经网络提取图片中不同尺度上的特征,如大范围特征、中等范围特征、局部特征等;本技术方案采用Cascade CNN模型,重点获取图片的全局特征,并将其与FasterRegion-CNN技术结合,实现全局信息与局部信息的融合,提高特征点标记精度。
其中,神经网络模型接收患者的颅面部CBCT三维图像并提取其中的局部特征数据与全局特征数据,并以局部特征数据与全局特征数据为根据估计各特征点所在位置的概率热度图,根据概率热度图做出对特征点位置的判断。
其中,异常识别诊断模块内含有病例数据库;
异常识别诊断模块将获取的特征点坐标、量化指标数据传输至病例数据库内进行相似病例检索,得到检索数据,将该检索数据与特征点坐标和量化指标数据进行比对,生成分析数据报告。
如图4所示,展示了一个具体实施例进行特征点标记过程中得到的概率热度图的例子,410展示了概率热度图叠加在体素图像上的效果,其中,框内中部所示椭圆状圆球描述了根据本技术方案所公开的方法,估计患者某特征点所在位置的概率分布;椭圆球中心位置概率最高,在较接近该椭圆球的不同断面上,该特征点的概率热度图分别如图热度图420-424所示(按断面顺序排列),白色区域标出了在该断面上的高概率区域,第三热度图422对应了最高概率点所在的断面,图中最亮的位置指出了整个体素图像中该特征点所在概率最高的位置,第一热度图420、第二热度图421、第三热度图422、第四热度图423、第五热度图424的顺序与其对应断面的顺序一致,在该例中,概率热度图中的高概率区域连续且过渡平缓,有利于后续对特征点坐标的推断;
在该三维热度图中,通过一些策略可对该特征点的真实坐标做出判断,在本专利的一个优选例中,采用了极大似然的方式,即选取概率热度图中概率最大的点的坐标,作为该特征点的坐标,但是,基于本专利公开的概率热度图得到最终特征点坐标判断的类似方法,均应归结于本专利。
如图5所示,第二方面,第二实施例,一种三维颅面影像特征点标记分析方法,其中,包含以下步骤:
步骤1:通过特征点标记模块将获取的颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,得到特征点坐标,借助深度学习技术对三维体素数据进行解析,综合拍摄对象的颅面部全局特征与局部信息,实现解剖结构标记点的高精度标注;
步骤2:量化指标计算模块获取特征点坐标并进行计算得出量化指标数据;
步骤3:异常识别诊断模块获取特征点坐标与量化指标数据后进行与数据库中的样例数据比对,快速识别拍摄对象可能存在的异常,生成分析数据报告,导出分析数据报告。
其中,量化指标数据包含标记点之间的距离、标记点连线夹角。
其中,步骤1中特征点标记模块需获取特征点标记模型后对颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,特征点标记模型的获取包含以下步骤:
步骤A1:模型预训练模块对特征点标记模型进行第一次参数调整并存储;
步骤A2:模型训练模块对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
步骤A3:特征点标记模块读取第二次参数调整后的特征点标记模型。
第三方面,一种三维颅面影像特征点标记分析装置,其中,包含至少一个处理器以及与至少一个处理器耦合的存储器,存储器存储有可执行指令;
可执行指令在被至少一个处理器执行时使得实现第二方面中任一项方法的步骤。
第四方面,一种芯片,其中,包含处理器,用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行:第二方面中任一项方法的步骤。
第五方面一种计算机可读存储介质,其中,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第二方面中任一项方法的步骤。
第六方面,一种计算机程序产品,其中,包含计算机程序指令,该计算机程序指令使得计算机执行第二方面中任一项所述方法的步骤。
例如,存储器可以包括随机存储器、闪存、只读存储器、可编程只读存储器、非易失性存储器或寄存器等;
处理器可以是中央处理器(Central Processing Unit,CPU)等,或者是图像处理器(Graphic Processing Unit,GPU)存储器可以存储可执行指令;
处理器可以执行在存储器中存储的执行指令,从而实现本文描述的各个过程。
可以理解,本实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;
其中,非易失性存储器可以是ROM (Read-OnlyMemory,只读存储器)、PROM(ProgrammableROM,可编程只读存储器)、EPROM (ErasablePROM,可擦除可编程只读存储器)、EEPROM (ElectricallyEPROM,电可擦除可编程只读存储器)或闪存。
易失性存储器可以是RAM (RandomAccessMemory,随机存取存储器),其用作外部高速缓存;
通过示例性但不是限制性说明,许多形式的RAM可用,例如SRAM (StaticRAM,静态随机存取存储器)、DRAM (DynamicRAM,动态随机存取存储器)、SDRAM (SynchronousDRAM,同步动态随机存取存储器)、DDRSDRAM (DoubleDataRate SDRAM,双倍数据速率同步动态随机存取存储器)、ESDRAM (Enhanced SDRAM,增强型同步动态随机存取存储器)、SLDRAM(SynchlinkDRAM,同步连接动态随机存取存储器)和DRRAM (DirectRambusRAM,直接内存总线随机存取存储器)。本文描述的存储器205旨在包括但不限于这些和任意其它适合类型的存储器205。
在一些实施方式中,存储器存储了如下的元素,升级包、可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统和应用程序;
其中,操作系统,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
应用程序,包含各种应用程序,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序中。
本领域技术人员可以明白的是,结合本文中所公开的实施例描述的各示例的单元及算法步骤能够以电子硬件、或者软件和电子硬件的结合来实现;
这些功能是以硬件还是软件方式来实现,取决于技术方案的特定应用和设计约束条件;
本领域技术人员可以针对每个特定的应用,使用不同的方式来实现所描述的功能,但是这种实现并不应认为超出本申请的范围。
在本申请实施例中,所公开的系统、装置和方法可以通过其它方式来实现;
例如,单元的划分仅仅为一种逻辑功能划分,在实际实现时还可以有另外的划分方式;
例如,多个单元或组件可以进行组合或者可以集成到另一个系统中;
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是单独的物理存在等等。
应理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施例的实施过程构成任何限定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在机器可读存储介质中;
因此,本申请的技术方案可以以软件产品的形式来体现,该软件产品可以存储在机器可读存储介质中,其可以包括若干指令用以使得电子设备执行本申请实施例所描述的技术方案的全部或部分过程;
上述存储介质可以包括ROM、RAM、可移动盘、硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
综上,本发明的一种三维颅面影像特征点标记分析系统及方法,能够在图像设备完成对图像采集对象的颅面部三维图像重建之后,本发明可以对该三维图像进行解剖特征点识别;随后本专利所述分析方法将并根据识别的特征点信息进行颅面自动分析,并将分析结果以分析报告的形式输出,该特征点识别结果和分析报告可以作为医生后续诊断的依据,明显减少医生的劳动量并缩短诊断时间;一方面提供了基于三维颅面影像完成病情自动分析的技术;另一方面,相比于颅面二维图像分析技术,本技术方案所采用的三维图像技术能够实现在三维X射线模型中对重要解剖特征的快速标记,通过快速生成分析报告的方式,协助医生获得对颅面更全面直观的认识;再一方面,相比于以往三维图像分析方法,本技术方案结合深度学习中的监督学习和无监督学习方法,能够融合三维图像中的全局和局部信息,实现更加精确的标记和诊断分析,降低错误诊断的风险,提高医生诊断的整体效率。
以上对发明的具体实施例进行了描述。需要理解的是,发明并不局限于上述特定实施方式,其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施;本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换,这并不影响发明的实质内容。
Claims (14)
1.一种三维颅面影像特征点标记分析系统,其特征在于,包含通过无线或有线依次连接进行数据传输的特征点标记模块、量化指标计算模块、异常识别诊断模块、数据库;
所述特征点标记模块用于获取颅面部CBCT体素图像数据,并依据该颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,生成特征点坐标;
所述量化指标计算模块用于获取所述特征点坐标并依据该特征点坐标计算出量化指标数据;
所述异常识别诊断模块用于获取所述特征点坐标、所述量化指标数据,并将该量化指标数据与所述数据库中的样例数据进行比对,生成分析数据报告。
2.如权利要求1所述的一种三维颅面影像特征点标记分析系统,其特征在于,还包含通过无线或有线连接的模型预训练模块与模型训练模块,所述模型训练模块通过无线或有线与所述特征点标记模块连接;
所述模型预训练模块用于对特征点标记模型进行第一次参数调整并存储;
所述模型训练模块用于对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
所述特征点标记模块用于读取第二次参数调整后的特征点标记模型,并依据该特征点标记模型对所述颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记。
3.如权利要求2所述的一种三维颅面影像特征点标记分析系统,其特征在于,所述模型预训练模块内含有患者特征点坐标数据集、神经网络模型;
所述患者特征点坐标数据集内存储有多组患者的颅面部各特征点坐标的人工标注数据;
所述神经网络模型用于获取所述特征点坐标数据集内的患者特征点坐标,并对该患者特征点坐标所含的信息进行提纯获得全局特征,并依据所述全局特征恢复出输入的各特征点坐标,比对所述患者特征点坐标与输入的所述各特征点坐标获得误差数据,所述模型预训练模块根据所述误差数据对所述特征点标记模型进行第一次参数调整。
4.如权利要求3所述的一种三维颅面影像特征点标记分析系统,其特征在于,所述模型训练模块内含有三维图像数据集;
所述三维图像数据集内存储有多组患者的颅面部CBCT三维图像,所述颅面部CBCT三维图像与所述患者特征点坐标数据集内的所述颅面部各特征点坐标一一对应;
所述神经网络模型用于获取所述三维图像数据集内患者的颅面部CBCT三维图像进行解析,并提取出所述颅面部CBCT三维图像中的局部特征数据与全局特征数据,并将所述局部特征数据与所述全局特征数据合成估计出各个特征点在空间中位置的概率热度图,并依据该概率热度图与所述患者特征点坐标数据集中真实的患者特征点坐标进行对比生成模型误差,所述模型训练模块根据所述模型误差对所述特征点标记模型进行第二次参数调整。
5.如权利要求4所述的一种三维颅面影像特征点标记分析系统,其特征在于,所述神经网络模型在所述局部特征数据的提取过程中采取Faster Region-CNN的模型结构,在所述全局特征数据的提取过程中采取Cascade CNN的模型结构。
6.如权利要求4或5所述的一种三维颅面影像特征点标记分析系统,其特征在于,所述神经网络模型接收患者的所述颅面部CBCT三维图像并提取其中的所述局部特征数据与所述全局特征数据,并以所述局部特征数据与所述全局特征数据为根据估计各特征点所在位置的概率热度图,根据所述概率热度图做出对特征点位置的判断。
7.如权利要求1所述的一种三维颅面影像特征点标记分析系统,其特征在于,所述异常识别诊断模块内含有病例数据库;
所述异常识别诊断模块将获取的所述特征点坐标、所述量化指标数据传输至所述病例数据库内进行相似病例检索,得到检索数据,将该检索数据与所述特征点坐标和所述量化指标数据进行比对,生成所述分析数据报告。
8.一种三维颅面影像特征点标记分析方法,其特征在于,包含以下步骤:
步骤1:通过特征点标记模块将获取的颅面部CBCT体素图像数据进行颅面解剖结构特征点的标记,得到特征点坐标;
步骤2:量化指标计算模块获取特征点坐标并进行计算得出量化指标数据;
步骤3:异常识别诊断模块获取特征点坐标与量化指标数据后进行与数据库中的样例数据比对,生成分析数据报告,导出分析数据报告。
9.如权利要求8所述的一种三维颅面影像特征点标记分析方法,其特征在于,所述量化指标数据包含标记点之间的距离、标记点连线夹角。
10.如权利要求8所述的一种三维颅面影像特征点标记分析方法,其特征在于,步骤1中所述特征点标记模块需获取特征点标记模型后对所述颅面部CBCT体素图像数据进行所述颅面解剖结构特征点的标记,所述特征点标记模型的获取包含以下步骤:
步骤A1:模型预训练模块对特征点标记模型进行第一次参数调整并存储;
步骤A2:模型训练模块对第一次参数调整后的特征点标记模型进行第二次参数调整并存储;
步骤A3:特征点标记模块读取第二次参数调整后的特征点标记模型。
11.一种三维颅面影像特征点标记分析装置,其特征在于,包含至少一个处理器以及与所述至少一个处理器耦合的存储器,所述存储器存储有可执行指令;
所述可执行指令在被所述至少一个处理器执行时使得实现根据权利要求8-10中任一项所述方法的步骤。
12.一种芯片,其特征在于,包含处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行:如权利要求8-10中任一项所述方法的步骤。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求8-10中任一项所述方法的步骤。
14.一种计算机程序产品,其特征在于,包含计算机程序指令,该计算机程序指令使得计算机执行如权利要求8-10中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473219.9A CN111599432B (zh) | 2020-05-29 | 2020-05-29 | 一种三维颅面影像特征点标记分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010473219.9A CN111599432B (zh) | 2020-05-29 | 2020-05-29 | 一种三维颅面影像特征点标记分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599432A true CN111599432A (zh) | 2020-08-28 |
CN111599432B CN111599432B (zh) | 2024-04-02 |
Family
ID=72192366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010473219.9A Active CN111599432B (zh) | 2020-05-29 | 2020-05-29 | 一种三维颅面影像特征点标记分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599432B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287951A (zh) * | 2020-12-08 | 2021-01-29 | 萱闱(北京)生物科技有限公司 | 基于图像分析的数据输出方法、装置、介质和计算设备 |
CN113053517A (zh) * | 2021-03-29 | 2021-06-29 | 深圳大学 | 一种基于动态区域量化指标的面瘫级别评估方法 |
CN113065552A (zh) * | 2021-03-29 | 2021-07-02 | 天津大学 | 自动定位头影测量标志点的方法 |
CN113822921A (zh) * | 2021-11-22 | 2021-12-21 | 四川大学 | 一种基于深度神经网络的侧位片智能头影测量方法 |
CN115311407A (zh) * | 2022-04-19 | 2022-11-08 | 北京和华瑞博医疗科技有限公司 | 一种特征点标记方法、装置、设备及存储介质 |
CN115830128A (zh) * | 2023-02-15 | 2023-03-21 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130217996A1 (en) * | 2010-09-16 | 2013-08-22 | Ramot At Tel-Aviv University Ltd. | Method and system for analyzing images |
US20140100485A1 (en) * | 2012-10-04 | 2014-04-10 | Marius G. LINGURARU | Quantitative assessment of the skull |
US20160364862A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Performing Image Analytics Using Graphical Reporting Associated with Clinical Images |
US20170330319A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training |
CN108205806A (zh) * | 2016-12-20 | 2018-06-26 | 北京大学 | 一种锥束ct图像三维颅面结构的自动解析方法 |
CN108846866A (zh) * | 2018-05-29 | 2018-11-20 | 南京医科大学附属口腔医院 | 基于光学成像的颅颌面软组织矢状向中轴面确定方法及系统 |
CN109146845A (zh) * | 2018-07-16 | 2019-01-04 | 中南大学 | 基于卷积神经网络的头颅影像标志点检测方法 |
CN109166177A (zh) * | 2018-08-27 | 2019-01-08 | 清华大学 | 一种颅颌面外科手术的术中导航方法 |
CN109461188A (zh) * | 2019-01-30 | 2019-03-12 | 南京邮电大学 | 一种二维x射线头影测量图像解剖特征点自动定位方法 |
CN109920002A (zh) * | 2019-05-15 | 2019-06-21 | 南京邮电大学 | 基于三维随机森林模型的头影测量图像中特征点定位方法 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
CN110264562A (zh) * | 2019-05-23 | 2019-09-20 | 吴薇 | 颅骨模型特征点自动标定方法 |
US20190295710A1 (en) * | 2018-03-26 | 2019-09-26 | Budi Kusnoto | Dento-craniofacial clinical cognitive diagnosis and treatment system and method |
CN111083922A (zh) * | 2018-08-21 | 2020-04-28 | 数码牙科集线 | 用于矫正诊断的牙科影像分析方法及利用其的装置 |
-
2020
- 2020-05-29 CN CN202010473219.9A patent/CN111599432B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130217996A1 (en) * | 2010-09-16 | 2013-08-22 | Ramot At Tel-Aviv University Ltd. | Method and system for analyzing images |
US20140100485A1 (en) * | 2012-10-04 | 2014-04-10 | Marius G. LINGURARU | Quantitative assessment of the skull |
US20160364862A1 (en) * | 2015-06-12 | 2016-12-15 | Merge Healthcare Incorporated | Methods and Systems for Performing Image Analytics Using Graphical Reporting Associated with Clinical Images |
US20170330319A1 (en) * | 2016-05-12 | 2017-11-16 | Siemens Healthcare Gmbh | Multiple landmark detection in medical images based on hierarchical feature learning and end-to-end training |
CN108205806A (zh) * | 2016-12-20 | 2018-06-26 | 北京大学 | 一种锥束ct图像三维颅面结构的自动解析方法 |
US20190295710A1 (en) * | 2018-03-26 | 2019-09-26 | Budi Kusnoto | Dento-craniofacial clinical cognitive diagnosis and treatment system and method |
CN108846866A (zh) * | 2018-05-29 | 2018-11-20 | 南京医科大学附属口腔医院 | 基于光学成像的颅颌面软组织矢状向中轴面确定方法及系统 |
CN109146845A (zh) * | 2018-07-16 | 2019-01-04 | 中南大学 | 基于卷积神经网络的头颅影像标志点检测方法 |
CN111083922A (zh) * | 2018-08-21 | 2020-04-28 | 数码牙科集线 | 用于矫正诊断的牙科影像分析方法及利用其的装置 |
CN109166177A (zh) * | 2018-08-27 | 2019-01-08 | 清华大学 | 一种颅颌面外科手术的术中导航方法 |
CN109461188A (zh) * | 2019-01-30 | 2019-03-12 | 南京邮电大学 | 一种二维x射线头影测量图像解剖特征点自动定位方法 |
CN109920002A (zh) * | 2019-05-15 | 2019-06-21 | 南京邮电大学 | 基于三维随机森林模型的头影测量图像中特征点定位方法 |
CN110264562A (zh) * | 2019-05-23 | 2019-09-20 | 吴薇 | 颅骨模型特征点自动标定方法 |
CN110246580A (zh) * | 2019-06-21 | 2019-09-17 | 上海优医基医疗影像设备有限公司 | 基于神经网络和随机森林的颅侧面影像分析方法和系统 |
Non-Patent Citations (2)
Title |
---|
HANSANG LEE等: "Cephalometric Landmark Detection in Dental X-ray Images Using Convolutional Neural Networks", PROCEEDING OF SPIE, vol. 10134, pages 1 - 6, XP060086612, DOI: 10.1117/12.2255870 * |
杨斌!广州, 黄洪章, 张涤生, 李晶, 江贵平: "颅面结构立体可视化和颅面整形手术仿真模拟的研究", 中华医学美容杂志, no. 02, pages 24 - 27 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287951A (zh) * | 2020-12-08 | 2021-01-29 | 萱闱(北京)生物科技有限公司 | 基于图像分析的数据输出方法、装置、介质和计算设备 |
CN112287951B (zh) * | 2020-12-08 | 2021-04-06 | 萱闱(北京)生物科技有限公司 | 基于图像分析的数据输出方法、装置、介质和计算设备 |
CN113053517A (zh) * | 2021-03-29 | 2021-06-29 | 深圳大学 | 一种基于动态区域量化指标的面瘫级别评估方法 |
CN113065552A (zh) * | 2021-03-29 | 2021-07-02 | 天津大学 | 自动定位头影测量标志点的方法 |
CN113822921A (zh) * | 2021-11-22 | 2021-12-21 | 四川大学 | 一种基于深度神经网络的侧位片智能头影测量方法 |
CN113822921B (zh) * | 2021-11-22 | 2022-03-04 | 四川大学 | 一种基于深度神经网络的侧位片智能头影测量方法 |
CN115311407A (zh) * | 2022-04-19 | 2022-11-08 | 北京和华瑞博医疗科技有限公司 | 一种特征点标记方法、装置、设备及存储介质 |
CN115311407B (zh) * | 2022-04-19 | 2023-09-12 | 北京和华瑞博医疗科技有限公司 | 一种特征点标记方法、装置、设备及存储介质 |
CN115830128A (zh) * | 2023-02-15 | 2023-03-21 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
CN115830128B (zh) * | 2023-02-15 | 2023-05-12 | 成都全景德康医学影像诊断中心有限公司 | 一种面部定位测量方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111599432B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599432A (zh) | 一种三维颅面影像特征点标记分析系统及方法 | |
US11937888B2 (en) | Artificial intelligence intra-operative surgical guidance system | |
RU2699499C2 (ru) | Системы и способы сегментации медицинских изображений на основании признаков, основанных на анатомических ориентирах | |
CN108744306A (zh) | 被检体定位装置、被检体定位方法、被检体定位程序和放射线治疗系统 | |
CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
JP2016513486A (ja) | スキャン範囲決定装置 | |
KR102450931B1 (ko) | 이미지 정합 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
CN111080573A (zh) | 肋骨图像检测方法、计算机设备和存储介质 | |
Campomanes-Alvarez et al. | Computer vision and soft computing for automatic skull–face overlay in craniofacial superimposition | |
US9489736B2 (en) | Visualization of image transformation | |
Dai et al. | Locating anatomical landmarks on 2D lateral cephalograms through adversarial encoder-decoder networks | |
JP7083191B2 (ja) | セファロ画像における計測点の自動認識方法 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
CN114792326A (zh) | 一种基于结构光的手术导航点云分割与配准方法 | |
CN110490841B (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN111192268A (zh) | 医学图像分割模型构建方法与cbct图像骨分割方法 | |
CN111466952B (zh) | 一种超声内镜与ct三维图像实时转化方法和系统 | |
CN113826140B (zh) | 血管造影数据分析 | |
CN115461790A (zh) | 用于对图像中的结构进行分类的方法和装置 | |
KR102545906B1 (ko) | 학습 모델을 이용한 데이터 처리 방법 | |
KR102442093B1 (ko) | 수술용 내비게이션 시스템에서의 표면 정합 개선 방법 | |
Meng et al. | A weakly supervised framework for 2D/3D vascular registration oriented to incomplete 2D blood vessels | |
CN115552479A (zh) | 用于对图像中的结构进行分类的方法和装置 | |
Torres et al. | 3D facial landmark localization for cephalometric analysis | |
US11664116B2 (en) | Medical image data |
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 |