CN112150473A - 基于ct的三维颌骨图像分割建模方法、装置及终端设备 - Google Patents
基于ct的三维颌骨图像分割建模方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112150473A CN112150473A CN202011018678.4A CN202011018678A CN112150473A CN 112150473 A CN112150473 A CN 112150473A CN 202011018678 A CN202011018678 A CN 202011018678A CN 112150473 A CN112150473 A CN 112150473A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolutional neural
- network model
- jaw bone
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- 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
- G06T2207/10072—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像模型领域,其实施方式提供了一种基于CT的三维颌骨图像分割建模方法,所述方法包括:构建卷积神经网络模型;将已分割标记颌骨的CT图像预处理后,从中提取图像子序列作为训练样本,对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;所述训练好的卷积神经网络模型用于获取从待分割的CT图像提取的图像子序列,处理后得到所述图像子序列对应的分割结果;所述分割结果用于整合后得到所述待分割的CT图像的三维颌骨分割结果。同时还提供了对应的基于CT的三维颌骨图像分割建模装置,以及一种终端设备。本发明提供的实施方式适用于建立一个从CT图像提取出三维颌骨区域的分割模型。
Description
技术领域
本发明涉及图像模型领域,特别涉及一种基于CT的三维颌骨图像分割建模方法、一种基于CT的三维颌骨图像分割建模装置、一种终端设备以及对应的存储介质。
背景技术
颌面部骨折作为一类常见的结构复杂的骨折,仅依靠临床症状及体征的诊断难度较大,常需要影像学的辅助诊断。相比于传统X线片,颌面部CT的三维影像能够更加清晰、直观地表现骨折的位置及移位的方向,被认为是颌面部骨折诊断的“金标准”。但是由于CT图像中包含较大信息,基于此方法的诊疗模式依赖于熟练掌握影像学知识的人员和专业的设备及诊治场所,且仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此,传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。
近年来,深度学习技术已逐步用于医学领域,在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术,其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足,在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。将深度学习技术应用于基于CT的颌面部骨折诊断,形成智能化的颌面部骨折诊疗平台,将使得事故现场及时、专业、准确的诊治成为可能。
在基于CT的颌面部骨折诊断的相关技术中,上下颌骨分割及三维可视化对于合面外科诊断具有重要意义,目前主要的方法是借助相关软件,由专业医师进行半自动的方式(通常是阈值法或区域生长法)分割上下颌骨,现有软件的分割精度较差。
发明内容
有鉴于此,本发明旨在提出一种基于CT的三维颌骨图像分割建模方法、装置及终端设备,对颌面部骨折螺旋CT数据模型进行深度学习训练,测试集模型验证,实现三维颌骨的人工智能区域识别,进而通过此发明实现深度学习人工智能辅助冻伤和颌面创伤诊断,形成智能化诊断平台,提高疾病诊治的稳定性和反应效率,为未来颌面部创伤的螺旋CT智能诊断的临床应用提供参考,并至少解决背景技术中的问题。
在本发明的第一方面,提供了一种基于CT的三维颌骨图像分割建模方法,所述方法包括:构建卷积神经网络模型;将已分割标记颌骨的CT图像预处理后,从中提取图像子序列作为训练样本,对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;所述训练好的卷积神经网络模型用于获取从待分割的CT图像提取的图像子序列,处理后得到所述图像子序列对应的分割结果;所述分割结果用于整合后得到所述待分割的CT图像的三维颌骨分割结果。
可选的,所述卷积神经网络模型,包括:3D-Unet、V-Net和2D-Unet中的其中一种。
可选的,所述将已分割标记颌骨的CT图像预处理,包括:将所述已分割标记颌骨的CT图像的亨氏单位值映射至至预设亨氏单位值范围。
可选的,提取图像子序列包括以下步骤:以预设宽度的滑窗和预设步长得到多个单层图像子序列;对所述单层图像子序列复制预设次数;得到所述图像子序列。
可选的,在对所述卷积神经网络模型进行训练之前,所述方法还包括:将所述训练样本的灰度值映射至预设灰度值范围。
可选的,将所述训练样本的灰度值映射至预设灰度值范围之后,所述方法还包括:对所述训练样本采用以下方式中的至少一种进行增广:旋转角度、添加随机噪声和左右镜像。
可选的,所述对所述卷积神经网络模型进行训练,包括:将所述训练样本分为训练集和验证集;将所述卷积神经网络模型的参数初始化后,采用所述训练集中的训练样本和梯度下降算法对所述卷积神经网络模型进行迭代训练;采用所述验证集中的训练样本确定所述卷积神经网络模型的最优参数。
在本发明的第二方面,还提供了一种基于CT的三维颌骨图像分割建模装置,所述装置包括:模型构建模块,用于构建卷积神经网络模型;样本获取模块,用于获取已分割标记颌骨的CT图像,并进行标准化处理;图像子序列提取模块,用于从所述已分割标记颌骨的CT图像提取图像子序列,形成训练样本集合;模型训练模块,用于使用所述训练样本集合对所述卷积神经网络模型进行训练,生成所述训练好的卷积神经网络模型;所述训练好的卷积神经网络模型用于执行基于CT的三维颌骨图像分割。
可选的,所述装置还包括:图像输入模块,用于获取待分割的CT图像,并提取图像子序列;模型运算模块,用于将所述图像子序列所述输入训练好的卷积神经网络模型,得到所述图像子序列对应的分割结果;图像输出模块,用于将所述分割结果整合得到所述待分割的CT图像的三维颌骨分割结果,并进行输出。
在本发明的第三方面,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的基于CT的三维颌骨图像分割建模方法的步骤。
在本发明第四方面,还提供一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的基于CT的三维颌骨图像分割建模方法。
通过本发明提供的上述技术方案,具有以下有益效果:本发明提出的基于CT的三维颌骨的人工智能区域识别方法,基于卷积神经网络算法,对颌面部骨折CT数据模型进行深度学习训练,测试集模型验证,借助人类经验学习人工智能识别骨折区域,结合后续的骨折诊断模型实现人工智能诊断,辅助冻伤和颌面创伤诊治,形成智能化诊疗平台,提高了疾病诊治的稳定性和反应效率。解决了传统诊疗依赖于专业医师和特定诊疗场所的局限性,使得在诸如体育赛事等要求快速反应、准确判断、及时就地处理的事故现场的即时诊治成为可能。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一种实施方式提供的基于CT的三维颌骨图像分割建模方法的流程示意图;
图2是本发明一种实施方式提供的基于CT的三维颌骨图像分割建模装置的结构示意图;
图3是本发明一种实施方式提供的终端设备的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的基于CT的三维颌骨图像分割建模方法的流程示意图,如图1所示。在本发明的一种实施方式中,提供了一种基于CT的三维颌骨图像分割建模方法,所述方法包括:构建卷积神经网络模型;将已分割标记颌骨的CT图像预处理后,从中提取图像子序列作为训练样本,对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;所述训练好的卷积神经网络模型用于获取从待分割的CT图像提取的图像子序列,处理后得到所述图像子序列对应的分割结果;所述分割结果用于整合后得到所述待分割的CT图像的三维颌骨分割结果。在实际的实施方式中,上述的步骤可分为训练好的卷积神经网络模型的构建步骤和使用步骤,即构建和使用可以是分离的。通过本实施方式构建的可用于CT图像分割的训练好的卷积神经网络模型并对其训练,即属于本发明的一种实施方式。以及,将CT图像输入训练好的卷积神经网络模型,并由此得到对应的分割后的图像也属于本发明的一种实施方式。
如此,利用卷积神经网络的智能的图像处理特性,将输入的CT图像进行分割。本发明提供的实施方式通过训练好的卷积神经网络,从CT图像中分割出三维颌骨,并较好地保留原图像的特征信息,同时还具有转换快速和信息损失小的优点。
在本发明提供的一种实施方式中,所述卷积神经网络模型,包括:3D-Unet、V-Net和2D-Unet中的其中一种。采用3D-Unet分割卷积神经网络结构,记该模型为BoneNet,模型的输入为CT影像子序列,输出为对应的分割结果序列。其中本步骤的3D-Unet可以替换成V-Net或者2D-Unet等其它分割模型,进行卷积神经网络模型的设计和训练。
在本发明提供的一种实施方式中,所述将已分割标记颌骨的CT图像预处理,包括:将所述已分割标记颌骨的CT图像的亨氏单位值映射至至预设亨氏单位值范围。其中,已分割标记的CT图像可以采用以下步骤得到:步骤1,样本选择及标注:选择300例CT影像样本,每个样本的层数记为N,N的分布大致为200层左右,分辨率为512×512。步骤2,样本标注:先由一位口腔影像专业医师A进行下颌骨和上颌骨影像勾画,软件采用mimics research19.0.*,之后再由另一位口腔影像医师B对勾画的影像进行修改及确认,以此作为影像分割的金标准。由以上步骤标记后的CT图像的亨氏单位值按照线性映射至[0,255],映射公式如下:
y=(x-xmin)/(xmax-xmin)*255
其中,y表示映射后的值,x表示原始亨氏单位值,xmin表示CT图像中的最小的亨氏单位值,xmax表示CT最大的亨氏单位值。
在本发明提供的一种实施方式中,提取图像子序列包括以下步骤:以预设宽度的滑窗和预设步长得到多个单层图像子序列;对所述单层图像子序列复制预设次数;得到所述图像子序列。由于不同样本序列的层数变化较大,这里通过滑窗的方式生成子序列图像,滑窗的宽度W取值32,步长S取值24,即每两个滑窗有8层图像的重叠,则滑窗个数(即图像子序列个数)K为:K=(N-W)/S+1;如果K为整数,则取计算出的K值;如果K不为整数,则取ceil(K)作为K值。即当K为非整数时,需要对K进行向上取整,同时需要对图像序列进行延伸,即复制最后一层,复制K*S+W-N次。通过以上步骤,一个原始图像序列,将得到K个32层的图像子序列。
在本发明提供的一种实施方式中,在对所述卷积神经网络模型进行训练之前,所述方法还包括:将所述训练样本的灰度值映射至预设灰度值范围。为了使得模型训练能够快速收敛,需要将图像按照下述公式进行归一化处理。其处理公式为:y=(x/255-0.5)*2;其中,x表示原始灰度值,y表示归一化后的灰度值。
在本发明提供的一种实施方式中,将所述训练样本的灰度值映射至预设灰度值范围之后,所述方法还包括:对所述训练样本采用以下方式中的至少一种进行增广:旋转角度、添加随机噪声和左右镜像。对训练样本中每个CT样本,以一定概率进行旋转,添加高斯噪声和左右镜像,其中旋转角度可选:-10度至10度,以此增加训练样本数量,满足深度学习对训练样本量的需求。
在本发明提供的一种实施方式中,所述对所述卷积神经网络模型进行训练,包括:将所述训练样本分为训练集和验证集;将所述卷积神经网络模型的参数初始化后,采用所述训练集中的训练样本和梯度下降算法对所述卷积神经网络模型进行迭代训练;采用所述验证集中的训练样本确定所述卷积神经网络模型的最优参数。具体的,将训练样本的20%,即60个样本,作为验证集,其余作为训练集;模型参数采用kaiming_he随机初始化方法,并采用梯度下降算法Adam对模型进行迭代训练,根据在验证集上的Dice值来确定模型的最优参数。
由于模型的输入是图像子序列,即一个CT图像序列的K个图像子序列会对应得到K个分割结果,需要对这个K个结果进行整合得到最终的三维颌骨分割结果。此处的整合步骤为前述的提取图像子序列的步骤的逆运算,以还原图像。
在本发明提供的一种实施方式中,还提供了一种基于CT的三维颌骨图像分割建模装置,图2是本发明一种实施方式提供的基于CT的三维颌骨图像分割建模装置的结构示意图,如图2所示。所述装置包括:模型构建模块,用于构建卷积神经网络模型;样本获取模块,用于获取已分割标记颌骨的CT图像,并进行标准化处理;图像子序列提取模块,用于从所述已分割标记颌骨的CT图像提取图像子序列,形成训练样本集合;模型训练模块,用于使用所述训练样本集合对所述卷积神经网络模型进行训练,生成所述训练好的卷积神经网络模型。
上述的基于CT的三维颌骨图像分割建模装置的具体限定可以参见上文中对于基于CT的三维颌骨图像分割建模方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
进一步地,同样如图2所示,所述装置还包括:图像输入模块,用于获取待分割的CT图像,并提取多个图像子序列;模型运算模块,用于将多个图像子序列所述输入训练好的卷积神经网络模型,对应得到多个分割结果;图像输出模块,用于将所述分割结果整合得到所述待分割的CT图像的三维颌骨分割结果,并进行输出。
同样地,本实施方式中的基于CT的三维颌骨图像分割建模装置的以上附加模块的具体限定可以参见上文中对于基于CT的三维颌骨图像分割建模方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本发明的第三方面,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的基于CT的三维颌骨图像分割建模方法的步骤。
图3是本发明一种实施方式提供的终端设备的示意图,如图3所示。所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图3仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本发明提供的实施方式针对现有的CT图像分割颌骨区域的处理方法不便的问题,提供了一种基于CT的三维颌骨图像分割建模方法及装置,该建模方法提供的神经网络模型,提高了图像分割处理的速度,提升了分割效果。本发明的提供的实施方式应用于医学图像处理系统。
在本发明提供的一种实施方式中,还提供一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的基于CT的三维颌骨图像分割建模方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于CT的三维颌骨图像分割建模方法,其特征在于,所述方法包括:
构建卷积神经网络模型;
将已分割标记颌骨的CT图像预处理后,从中提取图像子序列作为训练样本,对所述卷积神经网络模型进行训练,得到训练好的卷积神经网络模型;
所述训练好的卷积神经网络模型用于获取从待分割的CT图像中提取的图像子序列,处理后得到所述图像子序列对应的分割结果;
所述分割结果用于经整合后得到所述待分割的CT图像的三维颌骨分割结果。
2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型,包括:3D-Unet、V-Net和2D-Unet中的其中一种。
3.根据权利要求1所述的方法,其特征在于,所述将已分割标记颌骨的CT图像预处理,包括:
将所述已分割标记颌骨的CT图像的亨氏单位值映射至预设亨氏单位值范围。
4.根据权利要求3所述的方法,其特征在于,提取图像子序列包括以下步骤:
以预设宽度的滑窗和预设步长得到多个单层图像子序列;
对所述单层图像子序列复制预设次数;
得到所述图像子序列。
5.根据权利要求4所述的方法,其特征在于,在对所述卷积神经网络模型进行训练之前,所述方法还包括:将所述训练样本的灰度值映射至预设灰度值范围。
6.根据权利要求5所述的方法,其特征在于,将所述训练样本的灰度值映射至预设灰度值范围之后,所述方法还包括:对所述训练样本采用以下方式中的至少一种进行增广:旋转角度、添加随机噪声和左右镜像。
7.根据权利要求6所述的方法,其特征在于,所述对所述卷积神经网络模型进行训练,包括:
将所述训练样本分为训练集和验证集;
将所述卷积神经网络模型的参数初始化后,采用所述训练集中的训练样本和梯度下降算法对所述卷积神经网络模型进行迭代训练;
采用所述验证集中的训练样本确定所述卷积神经网络模型的最优参数。
8.一种基于CT的三维颌骨图像分割建模装置,其特征在于,所述装置包括:
模型构建模块,用于构建卷积神经网络模型;
样本获取模块,用于获取已分割标记颌骨的CT图像,并进行标准化处理;
图像子序列提取模块,用于从所述已分割标记颌骨的CT图像提取图像子序列,形成训练样本集合;
模型训练模块,用于使用所述训练样本集合对所述卷积神经网络模型进行训练,生成训练好的卷积神经网络模型;所述训练好的卷积神经网络模型用于执行基于CT的三维颌骨图像分割。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
图像输入模块,用于获取待分割的CT图像,并提取图像子序列;
模型运算模块,用于将所述图像子序列输入所述训练好的卷积神经网络模型,得到所述图像子序列对应的分割结果;
图像输出模块,用于将所述分割结果整合得到所述待分割的CT图像的三维颌骨分割结果,并进行输出。
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于CT的三维颌骨图像分割建模方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018678.4A CN112150473A (zh) | 2020-09-24 | 2020-09-24 | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011018678.4A CN112150473A (zh) | 2020-09-24 | 2020-09-24 | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112150473A true CN112150473A (zh) | 2020-12-29 |
Family
ID=73896833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011018678.4A Pending CN112150473A (zh) | 2020-09-24 | 2020-09-24 | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150473A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469945A (zh) * | 2021-06-03 | 2021-10-01 | 山东大学 | 基于ct与mri显像融合的骶神经建模方法及系统 |
CN113869443A (zh) * | 2021-10-09 | 2021-12-31 | 新大陆数字技术股份有限公司 | 基于深度学习的颌骨密度分类方法、系统及介质 |
WO2023142956A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换术前规划系统 |
CN116843648A (zh) * | 2023-07-04 | 2023-10-03 | 北京大学口腔医学院 | 基于锥形束ct影像的髁突骨改建三维自动定量测量系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
CN111311613A (zh) * | 2020-03-03 | 2020-06-19 | 北京推想科技有限公司 | 图像分割模型训练方法、图像分割方法及装置 |
CN111369576A (zh) * | 2020-05-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、图像分割方法、装置及设备 |
CN112150472A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于cbct的三维颌骨图像分割方法、装置及终端设备 |
-
2020
- 2020-09-24 CN CN202011018678.4A patent/CN112150473A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
CN110458799A (zh) * | 2019-06-24 | 2019-11-15 | 上海皓桦科技股份有限公司 | 基于肋骨展开图的肋骨骨折自动检测方法 |
CN111311613A (zh) * | 2020-03-03 | 2020-06-19 | 北京推想科技有限公司 | 图像分割模型训练方法、图像分割方法及装置 |
CN111311626A (zh) * | 2020-05-11 | 2020-06-19 | 南京安科医疗科技有限公司 | 基于ct图像的颅骨骨折自动检测方法及电子介质 |
CN111369576A (zh) * | 2020-05-28 | 2020-07-03 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、图像分割方法、装置及设备 |
CN112150472A (zh) * | 2020-09-24 | 2020-12-29 | 北京羽医甘蓝信息技术有限公司 | 基于cbct的三维颌骨图像分割方法、装置及终端设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469945A (zh) * | 2021-06-03 | 2021-10-01 | 山东大学 | 基于ct与mri显像融合的骶神经建模方法及系统 |
CN113469945B (zh) * | 2021-06-03 | 2024-03-26 | 山东大学 | 基于ct与mri显像融合的骶神经建模方法及系统 |
CN113869443A (zh) * | 2021-10-09 | 2021-12-31 | 新大陆数字技术股份有限公司 | 基于深度学习的颌骨密度分类方法、系统及介质 |
WO2023142956A1 (zh) * | 2022-01-27 | 2023-08-03 | 北京长木谷医疗科技有限公司 | 基于深度学习的全髋关节置换术前规划系统 |
CN116843648A (zh) * | 2023-07-04 | 2023-10-03 | 北京大学口腔医学院 | 基于锥形束ct影像的髁突骨改建三维自动定量测量系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
US11651850B2 (en) | Computer vision technologies for rapid detection | |
WO2022037696A1 (zh) | 基于深度学习的骨骼分割方法和系统 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
WO2021114130A1 (zh) | 一种无监督自适应乳腺病变分割方法 | |
CN112365980B (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
JP7346553B2 (ja) | 深層学習を使用する3dデータセット内のオブジェクトの成長率の決定 | |
WO2020118618A1 (zh) | 一种乳腺肿块图像识别方法及装置 | |
WO2022213654A1 (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
Pushparaj et al. | Dental radiographs and photographs in human forensic identification | |
KR20210115223A (ko) | 인공지능 기술을 이용한 혈관 구조 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Qiao et al. | Fully automated left atrium cavity segmentation from 3D GE-MRI by multi-atlas selection and registration | |
JP2021052999A (ja) | 評価システム、評価方法、学習方法、学習済みモデル、プログラム | |
CN111967539B (zh) | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 | |
Liu et al. | Tracking-based deep learning method for temporomandibular joint segmentation | |
Pal et al. | A fully connected reproducible SE-UResNet for multiorgan chest radiographs segmentation | |
WO2022172817A1 (ja) | 学習装置、学習方法、学習済みモデル、及びプログラム | |
CN111967540B (zh) | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 | |
JPWO2019208130A1 (ja) | 医療文書作成支援装置、方法およびプログラム、学習済みモデル、並びに学習装置、方法およびプログラム | |
CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
Sohail et al. | A modified U-net based framework for automated segmentation of Hippocampus region in brain MRI |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201229 |