CN112308867B - 牙齿图像的处理方法及装置、电子设备和存储介质 - Google Patents

牙齿图像的处理方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112308867B
CN112308867B CN202011246718.0A CN202011246718A CN112308867B CN 112308867 B CN112308867 B CN 112308867B CN 202011246718 A CN202011246718 A CN 202011246718A CN 112308867 B CN112308867 B CN 112308867B
Authority
CN
China
Prior art keywords
instance
pixel
tooth
image
dental
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
Application number
CN202011246718.0A
Other languages
English (en)
Other versions
CN112308867A (zh
Inventor
刘畅
赵亮
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202011246718.0A priority Critical patent/CN112308867B/zh
Publication of CN112308867A publication Critical patent/CN112308867A/zh
Priority to KR1020227001270A priority patent/KR20220012991A/ko
Priority to PCT/CN2021/089058 priority patent/WO2022100005A1/zh
Priority to JP2021576347A priority patent/JP2023504957A/ja
Application granted granted Critical
Publication of CN112308867B publication Critical patent/CN112308867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • 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
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种牙齿图像的处理方法及装置、电子设备和存储介质。所述方法包括：对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。

Description

牙齿图像的处理方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机视觉技术领域，尤其涉及一种牙齿图像的处理方法及装置、电子设备和存储介质。
背景技术
锥形束计算机断层扫描(Cone Beam Computed Tomography，CBCT)是一种获得三维影像的方法。相比于CT(Computed Tomography，电子计算机断层扫描)，CBCT具有辐射剂量小、扫描时间短、图像空间分辨率高等优点，在口腔医学领域得到了越来越广泛的应用。对CBCT图像进行自动化的牙位定位，对于口腔医学领域具有重要意义。
发明内容
本公开提供了一种牙齿图像的处理技术方案。
根据本公开的一方面，提供了一种牙齿图像的处理方法，包括：
对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；
基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
在本公开实施例中，通过对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，并基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，由此基于不仅能区分牙齿和背景、还能区分不同牙齿的牙实例分割结果进行牙位定位，能够提高牙位定位的准确性。
在一种可能的实现方式中，所述对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，包括：
从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果；
根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果。
在该实现方式中，通过从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，并根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果，由此能够得到准确的牙实例分割结果，有效应对CBCT图像中的噪声干扰、牙齿界限模糊、牙根与颌骨灰度值接近等复杂情况。
在一种可能的实现方式中，所述从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，包括：
从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；
根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果。
在该实现方式中，通过从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果，由此能够提高所得到的任一牙实例包含的像素的预测结果的准确性。
在一种可能的实现方式中，所述从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，包括：
从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素；
在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
通过从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素，并在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，由此能够较准确地确定牙实例的中心像素，从而有助于准确地进行牙实例分割。
在一种可能的实现方式中，所述在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，包括：
在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在该实现方式中，在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，并基于所述第一像素继续进行预测；在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数小于所述第二预设值的情况下，可以停止预测，由此能够提高预测效率和准确性。
在一种可能的实现方式中，所述根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，包括：
确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；
根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率；
根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合。
通过确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率，根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，由此能够从多个待处理像素中准确地预测属于目标牙实例的像素。
在一种可能的实现方式中，所述确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，包括：
确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量；
根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标。
在一种可能的实现方式中，所述根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率，包括：
预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；
根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率。
通过确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率，根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，由此能够从多个待处理像素中准确地预测属于目标牙实例的像素。
在一种可能的实现方式中，所述方法还包括：
将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率。
通过第一神经网络对所述待处理图像进行处理，能够提高所得到的预测偏移量、聚类参数和像素位于牙实例中心的概率的准确性，并能提高得到预测偏移量、聚类参数和像素位于牙实例中心的概率的速度。
在一种可能的实现方式中，所述第一神经网络包括第一解码器和第二解码器；
所述将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率，包括：
将所述待处理图像输入第一神经网络，经由所述第一解码器得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，以及所述第二像素所属的牙实例的聚类参数，经由所述第二解码器得到所述第二像素位于牙实例中心的概率。
根据该实现方式，能够进一步提高所得到的预测偏移量、聚类参数和像素位于牙实例中心的概率的准确性。
在一种可能的实现方式中，在所述将所述待处理图像输入第一神经网络之前，所述方法还包括：
将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，其中，所述第三像素表示所述训练图像中的任一像素，所述第一牙实例表示所述第三像素所属的牙实例；
根据所述第三像素的坐标，以及所述第三像素到所述第一牙实例的中心像素的预测偏移量，确定所述第三像素所指向的牙实例中心的预测坐标，其中，所述第三像素所指向的牙实例中心的预测坐标表示基于所述第三像素预测的所述第一牙实例的中心像素的坐标；
根据所述第三像素所指向的牙实例中心的预测坐标，属于所述第一牙实例的不同像素所指向的牙实例中心的预测坐标，以及所述第一牙实例对应的聚类参数，确定所述第三像素属于所述第一牙实例的中心的概率；
根据所述第三像素位于牙实例中心的概率，所述第三像素属于所述第一牙实例的中心的概率，以及所述第三像素属于牙齿内部的真值，训练所述第一神经网络。
通过该实现方式训练第一神经网络，能够使第一神经网络学习到分割牙齿图像中不同的牙实例的能力。采用该实现方式训练得到的第一神经网络进行牙实例分割，能够在复杂场景中得到稳定、准确的牙实例分割结果，例如，能够应对CBCT图像中牙齿灰度分布不均匀、牙齿边界模糊、非常规形态的牙齿、牙内低密度影等情况。
在一种可能的实现方式中，所述基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，包括：
预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，其中，所述第二牙实例表示所述牙实例分割结果中的任一牙实例；
根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别。
在该实现方式中，通过预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，并根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别，由此能够准确地确定所述第二牙实例所属的牙位类别。
在一种可能的实现方式中，
在所述对待处理图像进行牙实例分割之前，所述方法还包括：将待分割图像降采样至第一分辨率，得到第一图像；根据所述第一图像，得到所述待处理图像；
在所述得到所述待处理图像的牙实例分割结果之后，所述方法还包括：根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率；根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，其中，所述第三牙实例表示所述牙实例分割结果中的任一牙实例；对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。
根据该实现方式，能够先在较低的分辨率上快速进行牙实例分割和牙位定位，并能获得各个牙实例在较高的分辨率下的分割结果。
在一种可能的实现方式中，在所述对待处理图像进行牙实例分割之前，所述方法还包括：
根据待分割图像进行上下牙分割，确定所述待分割图像中的感兴趣区域；
根据所述感兴趣区域，对所述待分割图像进行裁剪，得到所述待处理图像。
根据该实现方式得到的待处理图像能够保留待分割图像中大部分的牙齿信息，且能去除待分割图像中的大部分无关信息(例如背景信息)，从而有助于后续进行牙实例分割、牙位定位等的效率和准确性。
根据本公开的一方面，提供了一种牙齿图像的处理装置，包括：
牙实例分割模块，用于对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；
牙位定位模块，用于基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
在一种可能的实现方式中，所述牙实例分割模块用于：
从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果；
根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果。
在一种可能的实现方式中，所述牙实例分割模块用于：
从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；
根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果。
在一种可能的实现方式中，所述牙实例分割模块用于：
从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素；
在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在一种可能的实现方式中，所述牙实例分割模块用于：
在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在一种可能的实现方式中，所述牙实例分割模块用于：
确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；
根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率；
根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合。
在一种可能的实现方式中，所述牙实例分割模块用于：
确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量；
根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标。
在一种可能的实现方式中，所述牙实例分割模块用于：
预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；
根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率。
在一种可能的实现方式中，所述装置还包括：
第一预测模块，用于将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率。
在一种可能的实现方式中，所述第一神经网络包括第一解码器和第二解码器；
所述第一预测模块用于：
将所述待处理图像输入第一神经网络，经由所述第一解码器得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，以及所述第二像素所属的牙实例的聚类参数，经由所述第二解码器得到所述第二像素位于牙实例中心的概率。
在一种可能的实现方式中，所述装置还包括：
第二预测模块，用于将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，其中，所述第三像素表示所述训练图像中的任一像素，所述第一牙实例表示所述第三像素所属的牙实例；
第一确定模块，用于根据所述第三像素的坐标，以及所述第三像素到所述第一牙实例的中心像素的预测偏移量，确定所述第三像素所指向的牙实例中心的预测坐标，其中，所述第三像素所指向的牙实例中心的预测坐标表示基于所述第三像素预测的所述第一牙实例的中心像素的坐标；
第二确定模块，用于根据所述第三像素所指向的牙实例中心的预测坐标，属于所述第一牙实例的不同像素所指向的牙实例中心的预测坐标，以及所述第一牙实例对应的聚类参数，确定所述第三像素属于所述第一牙实例的中心的概率；
训练模块，用于根据所述第三像素位于牙实例中心的概率，所述第三像素属于所述第一牙实例的中心的概率，以及所述第三像素属于牙齿内部的真值，训练所述第一神经网络。
在一种可能的实现方式中，所述牙位定位模块用于：
预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，其中，所述第二牙实例表示所述牙实例分割结果中的任一牙实例；
根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别。
在一种可能的实现方式中，所述装置还包括：
降采样模块，用于将待分割图像降采样至第一分辨率，得到第一图像；根据所述第一图像，得到所述待处理图像；
第三确定模块，用于根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率；
第一裁剪模块，用于根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，其中，所述第三牙实例表示所述牙实例分割结果中的任一牙实例；
第一分割模块，用于对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。
在一种可能的实现方式中，所述装置还包括：
第二分割模块，用于根据待分割图像进行上下牙分割，确定所述待分割图像中的感兴趣区域；
第二裁剪模块，用于根据所述感兴趣区域，对所述待分割图像进行裁剪，得到所述待处理图像。
根据本公开的一方面，提供了一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，通过对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，并基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，由此基于不仅能区分牙齿和背景、还能区分不同牙齿的牙实例分割结果进行牙位定位，能够提高牙位定位的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的牙齿图像的处理方法的一种应用场景的示意图。
图2示出本公开实施例提供的牙齿图像的处理方法的流程图。
图3示出待处理图像的牙实例分割结果的一示意图。
图4示出存在高亮伪影的CBCT横断面图像的示意图。
图5示出存在缺牙的CBCT横断面图像的示意图。
图6示出本公开实施例提供的牙齿图像的处理装置的框图。
图7示出本公开实施例提供的一种电子设备800的框图。
图8示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
由于不同患者具有不同的缺牙、种植体、残根等情况，因此，自动获得准确的牙位定位结果的难度较大。相关技术中，依赖于牙科医生手动勾画牙齿的三维模型，需要大量的时间，且存在随机误差。
为了解决类似上文所述的技术问题，本公开实施例提供了一种牙齿图像的处理方法及装置、电子设备和存储介质，通过对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，并基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，由此基于不仅能区分牙齿和背景、还能区分不同牙齿的牙实例分割结果进行牙位定位，能够提高牙位定位的准确性。
下面通过一个具体的应用场景说明本公开实施例提供的牙齿图像的处理方法。图1示出本公开实施例提供的牙齿图像的处理方法的一种应用场景的示意图。如图1所示，可以先获取待分割图像(即原始数据)。在获取待分割图像之后，可以根据待分割图像进行上下牙分割，确定待分割图像中的感兴趣区域。可以将待分割图像降采样至第一分辨率，得到第一图像，根据所述感兴趣区域，对所述第一图像进行裁剪，得到待处理图像，并对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果。在得到所述待处理图像的牙实例分割结果之后，可以先对待处理图像中的单侧牙(例如右侧牙)进行牙位分类(即牙位定位)，再将待处理图像左右翻转后，对另一侧牙(例如左侧牙)进行牙位分类，从而得到所述待处理图像的牙位定位结果。在得到牙实例分割结果或者牙位定位结果之后，可以根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率。可以根据所述牙实例分割结果中的任一牙实例的中心像素的坐标，从所述第二图像中，裁剪出该牙实例对应的图像，并对该牙实例对应的图像进行分割，得到该牙实例在所述第二分辨率下的分割结果，由此能获得各个牙实例在较高的分辨率下的分割结果。
下面结合附图对本公开实施例提供的牙齿图像的处理方法进行详细的说明。
图2示出本公开实施例提供的牙齿图像的处理方法的流程图。在一种可能的实现方式中，所述牙齿图像的处理方法可以由终端设备或服务器或其它处理设备执行。其中，终端设备可以是用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中，所述牙齿图像的处理方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，所述牙齿图像的处理方法包括步骤S21至步骤S22。
在步骤S21中，对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息。
在本公开实施例中，待处理图像可以表示需要处理的牙齿图像，其中，牙齿图像可以表示至少包含部分牙齿信息的图像。所述待处理图像可以是CBCT图像。其中，所述CBCT图像可以通过锥形束投照计算机重组断层影像设备等设备采集得到。当然，所述待处理图像还可以是CT图像或者其他包含牙齿信息的图像，在此不作限定。所述待处理图像可以是三维图像或者二维图像。例如，所述待处理图像可以是三维CBCT图像。
在本公开实施例中，牙实例分割可以表示分割不同的牙齿。即，通过牙实例分割不仅能区分牙齿和背景、还能区分不同的牙齿。对待处理图像进行牙实例分割可以表示将待处理图像中的不同牙齿分割出来，得到待处理图像中的各个牙齿包含的像素集合。
在一种可能的实现方式中，在所述牙实例分割结果中，所述待处理图像中的像素所属的牙实例的信息可以采用类别来表示。例如，所述待处理图像中包括32个牙实例，则所述牙实例分割结果可以包括33个类别，分别是32个牙实例类别和背景类别。其中，任一牙实例类别对应于一个牙实例，背景类别表示不属于牙齿内部。在所述牙实例分割结果中，所述待处理图像中的任一像素可以属于33个类别中的任一类别。
在本公开实施例中，所述牙实例分割结果可以采用图像、表格、矩阵等数据形式来表示，只要能够表示所述待处理图像中的像素所属的牙实例的信息即可，本公开实施例对此不作限定。图3示出待处理图像的牙实例分割结果的一示意图。在图3中，待处理图像中不属于牙齿内部(即属于背景部分)的像素的像素值为0，属于不同牙实例的像素的像素值的灰度值不同，属于同一牙实例的像素的像素值相同。
在步骤S22中，基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
在本公开实施例中，牙位定位可以表示确定牙实例所属的牙位的信息，和/或，可以表示确定待处理图像中的像素所属的牙位的信息。即，通过基于所述牙实例分割结果进行牙位定位，可以确定所述待处理图像中的各个牙实例分别属于哪个牙位。所述牙位定位结果可以包括所述待处理图像中的牙实例所属的牙位的信息，和/或，所述牙位定位结果可以包括所述待处理图像中的像素所属的牙位的信息。
在一种可能的实现方式中，所述牙位定位结果可以采用FDI(FédérationDentaire Internationale，国际牙科联盟)牙位表示法(ISO 3950)来表示。在其他可能的实现方式中，所述牙位定位结果还可以采用部位记录法(又称为Palmer牙位表示法)、通用记录法(Universal Numbering System)等牙位表示法来表示。
在本公开实施例中，通过对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，并基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，由此基于不仅能区分牙齿和背景、还能区分不同牙齿的牙实例分割结果进行牙位定位，能够提高牙位定位的准确性。本公开实施例通过先进行牙实例分割，再基于牙实例分割结果进行牙位定位，对于不同牙齿形态、缺牙、种植体等复杂情况均能得到较准确的牙位定位结果。
在一种可能的实现方式中，所述对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，包括：从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果；根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果。
在该实现方式中，属于任一牙实例的像素集合，可以表示该牙实例包含的像素的集合。可以从待处理图像的多个像素中，依次预测属于不同牙实例的像素，得到待处理图像中的多个牙实例包含的像素集合。例如，先预测属于第1个牙实例的像集合素，在属于第1个牙实例的像素集合预测完成后，预测属于第2个牙实例的像素集合，在属于第2个牙实例的像素集合预测完成后，预测属于第3个牙实例的像素集合，以此类推。即，在该实现方式中，每次可以仅针对一个牙实例进行预测。
在该实现方式中，任一牙实例包含的像素集合的预测结果，可以包括预测的属于该牙实例的像素的信息，例如，可以包括预测的属于该牙实例的像素的坐标。
作为该实现方式的一个示例，可以从待处理图像的多个像素中，依次预测属于各个牙实例的像素集合，得到所述待处理图像中的各个牙实例包含的像素集合的预测结果；根据所述各个牙实例包含的像素集合的预测结果，得到所述待处理图像的牙实例分割结果。当然，在其他示例中，也可以仅从待处理图像的多个像素中，预测属于部分牙实例的像素集合，而无需预测属于各个牙实例的像素集合。
作为该实现方式的一个示例，任一牙实例包含的像素集合的预测结果，可以采用该牙实例对应的预测掩膜(mask)来表示。该牙实例对应的预测掩膜的尺寸可以与待处理图像相同。在该牙实例对应的预测掩膜中，预测的属于该牙实例的像素的像素值不同于预测的不属于该牙实例的像素的像素值。例如，在该牙实例对应的预测掩膜中，预测的属于该牙实例的像素的像素值为1，预测的不属于该牙实例的像素的像素值为0。当然，还可以采用表格、矩阵等数据形式，表示任一牙实例包含的像素集合的预测结果。
由于CBCT图像存在噪声干扰、牙齿界限模糊、牙根与颌骨灰度值接近等因素，牙齿的准确分割存在较多的难点。在该实现方式中，通过从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，并根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果，由此能够得到准确的牙实例分割结果，有效应对CBCT图像中的噪声干扰、牙齿界限模糊、牙根与颌骨灰度值接近等复杂情况。
在其他可能的实现方式中，还可以并行对不同的牙实例进行预测，例如，可以同时预测属于各个牙实例的像素集合，得到所述待处理图像中的各个牙实例包含的像素集合的预测结果，再根据所述各个牙实例包含的像素集合的预测结果，得到所述待处理图像的牙实例分割结果。
在一种可能的实现方式中，所述从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，包括：从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果。
在该实现方式中，在未进行任一牙实例的预测的情况下，可以从待处理图像的所有像素中，预测目标牙实例的中心像素。即，在未进行任一牙实例的预测的情况下，可以将待处理图像的所有像素均作为待处理像素。在属于某一牙实例的像素集合预测完成后，可以从待处理图像的多个待处理像素中，预测下一牙实例(即目标牙实例)的中心像素。
在该实现方式中，被预测为属于任一牙实例的像素集合，包括预测的该牙实例的中心像素，以及被预测为属于该牙实例的其他像素(即非中心像素)。
在一个例子中，所述目标牙实例的中心像素的坐标可以记为
Figure BDA0002770274470000121
在该实现方式中，通过从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果，由此能够提高所得到的任一牙实例包含的像素集合的预测结果的准确性。
作为该实现方式的一个示例，所述从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，可以包括：从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素；在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在一个例子中，待处理图像的像素i位于牙实例中心的概率可以记为si。
在该示例中，第一像素表示多个所述待处理像素中位于牙实例中心的概率最大的像素。
在一个例子中，第一预设值可以为0.5。当然，本领域技术人员可以根据实际应用场景需求灵活设置第一预设值，在此不作限定。
在该示例中，通过从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素，并在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，由此能够较准确地确定牙实例的中心像素，从而有助于准确地进行牙实例分割。
在一个例子中，所述在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，可以包括：在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。在这个例子中，多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数，表示所述待处理图像中未被预测为属于任一牙实例的像素中，位于牙实例中心的概率大于或等于所述第一预设值的像素的数量。在这个例子中，可以根据单颗牙齿包含的像素数的均值或经验值，确定所述第二预设值。例如，所述第二预设值可以为32。当然，本领域技术人员也可以根据实际应用场景需求和/或经验灵活确定所述第二预设值，在此不作限定。在这个例子中，在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，并基于所述第一像素继续进行预测；在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数小于所述第二预设值的情况下，可以停止预测，由此能够提高预测效率和准确性。
作为该实现方式的一个示例，所述根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，可以包括：确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率；根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合。
在一个例子中，若第二像素为像素i，则第二像素所指向的牙实例中心的预测坐标可以记为ei。
在一个例子中，可以根据所述第二像素所指向的牙实例中心的预测坐标与所述目标牙实例的中心像素的坐标之间的差值，预测所述第二像素属于所述目标牙实例的中心的概率。例如，第二像素为像素i，第二像素所指向的牙实例中心的预测坐标为ei，目标牙实例的中心像素的坐标为
Figure BDA0002770274470000131
则所述第二像素所指向的牙实例中心的预测坐标与所述目标牙实例的中心像素的坐标之间的差值可以表示为
Figure BDA0002770274470000132
在该示例中，所述第二像素属于所述目标牙实例的中心的概率，可以与所述第二像素所指向的牙实例中心的预测坐标与所述目标牙实例的中心像素的坐标之间的距离负相关。即，所述第二像素所指向的牙实例中心的预测坐标与所述目标牙实例的中心像素的坐标之间的距离越小，则所述第二像素属于所述目标牙实例的中心的概率越大；所述第二像素所指向的牙实例中心的预测坐标与所述目标牙实例的中心像素的坐标之间的距离越大，则所述第二像素属于所述目标牙实例的中心的概率越小。
在该示例中，所述第二像素属于所述目标牙实例的中心的概率越大，则所述第二像素属于所述目标牙实例的概率越大；所述第二像素属于所述目标牙实例的中心的概率越小，则所述第二像素属于所述目标牙实例的概率越小。
在一个例子中，若所述第二像素属于所述目标牙实例的中心的概率大于第四预设值，则可以将所述第二像素预测为属于所述目标牙实例，即，可以预测属于所述目标牙实例的像素集合包括所述第二像素；若所述第二像素属于所述目标牙实例的中心的概率小于或等于第四预设值，则可以将所述第二像素预测为不属于所述目标牙实例，即，可以预测属于所述目标牙实例的像素集合不包括所述第二像素。例如，第四预设值可以为0.5。当然，本领域技术人员可以根据实际应用场景需求灵活设置第四预设值，在此不作限定。
在该示例中，通过确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率，根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，由此能够从多个待处理像素中准确地预测属于目标牙实例的像素。
在一个示例中，所述确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，可以包括：确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量；根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标。
在该示例中，第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，可以表示所述第二像素的坐标与所述第二像素所属的牙实例的中心像素的坐标之间的预测坐标差值。例如，所述第二像素的坐标可以记为xi，所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量可以记为oi。
在一个例子中，若所述预测偏移量为所述第二像素所属的牙实例的中心像素的坐标与所述第二像素的坐标之间的预测坐标差值，则可以将所述第二像素的坐标与所述预测偏移量之和，确定为所述第二像素所指向的牙实例中心的预测坐标。例如，所述第二像素所指向的牙实例中心的预测坐标可以记为ei，ei＝xi+oi。
在另一个例子中，若所述预测偏移量为所述第二像素的坐标与所述第二像素所属的牙实例的中心像素的坐标之间的预测坐标差值，则可以将所述第二像素的坐标与所述预测偏移量之差，确定为所述第二像素所指向的牙实例中心的预测坐标。
在该示例中，通过确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，并根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标，由此能够获得较准确的所述第二像素所指向的牙实例中心的预测坐标。
在一个示例中，所述根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率，可以包括：预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率。
在该示例中，所述目标牙实例对应的聚类参数可以是能够表示所述目标牙实例的中心像素的预测坐标的离散程度的任意参数。在一个例子中，所述目标牙实例对应的聚类参数可以表示所述目标牙实例的中心像素的预测坐标的标准差。在这个例子中，所述目标牙实例对应的聚类参数可以记为σ。在另一个例子中，所述目标牙实例对应的聚类参数可以表示所述目标牙实例的中心像素的预测坐标的方差。在这个例子中，所述目标牙实例对应的聚类参数可以记为σ2。在另一个例子中，所述目标牙实例对应的聚类参数可以与所述目标牙实例的中心像素的预测坐标的方差负相关。例如，所述目标牙实例对应的聚类参数可以为
Figure BDA0002770274470000151
在该示例中，不同的牙实例对应的聚类参数可以不同，可以针对各个牙实例分别预测对应的聚类参数。
在一个例子中，所述第二像素属于所述目标牙实例的中心的概率可以为
Figure BDA0002770274470000152
Figure BDA0002770274470000153
其中，exp(X)表示e的X次方。通过所述目标牙实例对应的聚类参数
Figure BDA0002770274470000154
可以使得到的所述第二像素属于所述目标牙实例的中心的概率在[0,1]范围内。
在该示例中，通过预测所述目标牙实例对应的聚类参数，并根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率，由此能够进一步提高所预测的第二像素属于所述目标牙实例的中心的概率的准确性。
在一个例子中，所述方法还包括：将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率。例如，在这个例子中，可以经由所述第一神经网络得到待处理图像中的各个像素到该像素所属的牙实例的中心像素的预测偏移量，所述待处理图像中的各个牙实例的聚类参数，以及所述待处理图像中的各个像素位于牙实例中心的概率。当然，所述第一神经网络也可以只对所述待处理图像中的部分像素进行处理，在此不作限定。在这个例子中，通过第一神经网络对所述待处理图像进行处理，能够提高所得到的预测偏移量、聚类参数和像素位于牙实例中心的概率的准确性，并能提高得到预测偏移量、聚类参数和像素位于牙实例中心的概率的速度。
在一个例子中，所述第一神经网络包括第一解码器和第二解码器；所述将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率，包括：将所述待处理图像输入第一神经网络，经由所述第一解码器得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，以及所述第二像素所属的牙实例的聚类参数，经由所述第二解码器得到所述第二像素位于牙实例中心的概率。根据这个例子，能够进一步提高所得到的预测偏移量、聚类参数和像素位于牙实例中心的概率的准确性。
在一个示例中，在所述将所述待处理图像输入第一神经网络之前，所述方法还可以包括：将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，其中，所述第三像素表示所述训练图像中的任一像素，所述第一牙实例表示所述第三像素所属的牙实例；根据所述第三像素的坐标，以及所述第三像素到所述第一牙实例的中心像素的预测偏移量，确定所述第三像素所指向的牙实例中心的预测坐标，其中，所述第三像素所指向的牙实例中心的预测坐标表示基于所述第三像素预测的所述第一牙实例的中心像素的坐标；根据所述第三像素所指向的牙实例中心的预测坐标，属于所述第一牙实例的不同像素所指向的牙实例中心的预测坐标，以及所述第一牙实例对应的聚类参数，确定所述第三像素属于所述第一牙实例的中心的概率；根据所述第三像素位于牙实例中心的概率，所述第三像素属于所述第一牙实例的中心的概率，以及所述第三像素属于牙齿内部的真值，以及所述第三像素属于所述第一牙实例的中心的概率，训练所述第一神经网络。
在这个示例中，训练图像可以是三维图像或者二维图像。例如，训练图像为三维图像，训练图像的尺寸为(D，H，W)，例如，D＝112，H＝128，W＝144。
例如，第一牙实例可以记为Sk，第一牙实例的中心像素可以记为ck，其中，k表示牙实例的编号。若第三像素为像素i，第三像素的坐标为xi，则第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量可以为oi＝ck-xi。其中，若训练图像是三维图像，则xi可以包括第三像素的x轴坐标、y轴坐标和z轴坐标，所述第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量可以包括所述第三像素到所述第三像素所属的第一牙实例的中心像素的x轴预测偏移量、y轴预测偏移量和z轴预测偏移量。
在这个示例中，可以由第一神经网络得到训练图像中的各个像素到其所属的牙实例的中心像素的预测偏移量，从而可以得到(3，D，H，W)的偏移量矩阵。
在这个示例中，根据属于第一牙实例的不同像素所指向的牙实例中心的预测坐标，可以得到属于第一牙实例的不同像素所指向的牙实例中心的预测坐标的均值。例如，属于第一牙实例的不同像素所指向的牙实例中心的预测坐标的均值可以表示为
Figure BDA0002770274470000161
其中，ej表示属于第一牙实例的像素j所指向的牙实例中心的预测坐标，|Sk|表示属于第一牙实例的像素总数。
例如，所述根据所述第三像素所指向的牙实例中心的预测坐标，以及属于第一牙实例的不同像素所指向的牙实例中心的预测坐标，确定所述第三像素属于所述第一牙实例的中心的概率，可以包括：确定属于第一牙实例的各个像素所指向的牙实例中心的预测坐标的均值；根据所述第三像素所指向的牙实例中心的预测坐标与所述均值之间的差值，确定所述第三像素属于所述第一牙实例的中心的概率。
在一个例子中，所述第一牙实例对应的聚类参数可以记为
Figure BDA0002770274470000162
例如，所述第三像素属于所述第一牙实例的中心的概率可以为
Figure BDA0002770274470000163
在一个例子中，所述第一神经网络可以采用交叉熵损失函数等损失函数来训练。例如，第三像素为像素i，第三像素位于牙实例中心的概率可以记为si，第三像素属于所述第一牙实例的中心的概率可以记为φk(i)，用于训练第一神经网络的损失函数可以表示为
Figure BDA0002770274470000171
其中，si∈Sk表示第三像素属于牙齿内部，即，第三像素属于牙齿内部的真值为第三像素属于牙齿内部。si∈bg表示第三像素不属于牙齿内部，即，第三像素属于牙齿内部的真值为第三像素不属于牙齿内部，即，第三像素属于背景部分。N表示待处理图像中的像素总数。
通过上述示例训练第一神经网络，能够使第一神经网络学习到分割牙齿图像中不同的牙实例的能力。采用该示例训练得到的第一神经网络进行牙实例分割，能够在复杂场景中得到稳定、准确的牙实例分割结果，例如，能够应对CBCT图像中牙齿灰度分布不均匀、牙齿边界模糊、非常规形态的牙齿、牙内低密度影等情况。
在一个例子中，所述将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，包括：将训练图像输入所述第一神经网络，经由所述第一神经网络的第一解码器得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，以及所述第一牙实例对应的聚类参数，经由所述第一神经网络的第二解码器得到所述第三像素位于牙实例中心的概率。
在一个例子中，第一神经网络采用Encoder-Decoder的结构，具体网络架构在此不作限定。
在一种可能的实现方式中，所述基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，包括：预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，其中，所述第二牙实例表示所述牙实例分割结果中的任一牙实例；根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别。
作为该实现方式的一个示例，可以预先训练用于预测像素所属的牙位类别的第二神经网络，将所述牙实例分割结果输入所述第二神经网络，或者，将所述牙实例分割结果和所述待处理图像输入所述第二神经网络，经由所述第二神经网络得到所述牙实例分割结果中的各个牙实例包含的像素所属的牙位类别，从而根据所述牙实例分割结果中的各个牙实例包含的像素所属的牙位类别，确定所述牙实例分割结果中的各个牙实例所属的牙位类别。其中，第二神经网络可以采用U-Net等结构，在此不作限定。
在一个例子中，所述第二神经网络可以用于对单侧牙进行分类，例如，所述第二神经网络可以用于对右侧牙进行分类。例如，所述第二神经网络可以用于将输入图像划分为18个类别，分别是右侧的16个牙位类别、左侧牙和背景部分。即，所述第二神经网络可以用于确定输入图像中的各个像素分别属于这18个类别中的哪个类别，从而能够得到右侧牙的牙位类别。通过对输入图像左右翻转后输入所述第二神经网络，可以得到左侧牙的牙位类别。在这个例子中，通过训练第二神经网络对单侧牙进行分类，能够降低第二神经网络的训练难度。
作为该实现方式的一个示例，可以根据所述第二牙实例包含的各个像素所属的牙位类别中，出现次数最多的牙位类别，作为所述第二牙实例所属的牙位类别。例如，所述第二牙实例包含100个像素，其中，80个像素所属的牙位类别是牙位34，10个像素所属的牙位类别是牙位33，10个像素所属的牙位类别是牙位35，则可以确定所述第二牙实例所属的牙位类别是牙位34。
在该实现方式中，通过预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，并根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别，由此能够准确地确定所述第二牙实例所属的牙位类别。
在一种可能的实现方式中，在所述对待处理图像进行牙实例分割之前，所述方法还包括：将待分割图像降采样至第一分辨率，得到第一图像；根据所述第一图像，得到所述待处理图像；在所述得到所述待处理图像的牙实例分割结果之后，所述方法还包括：根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率；根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，其中，所述第三牙实例表示所述牙实例分割结果中的任一牙实例；对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。
在该实现方式中，所述待分割图像可以表示需要分割的牙齿图像。
作为该实现方式的一个示例，所述待分割图像可以是三维图像，例如，所述待分割图像可以是三维CBCT图像，所述待分割图像的分辨率可以是0.2mm×0.2mm×0.2mm或者0.3mm×0.3mm×0.3mm等，长宽高可以是(453×755×755)或者(613×681×681)等。第一分辨率可以是空间分辨率。例如，第一分辨率可以是0.6mm×0.6mm×0.6mm。作为该实现方式的另一个示例，所述待分割图像可以是二维图像。
作为该实现方式的一个示例，可以对第一图像进行归一化，得到第一归一化图像；对第一归一化图像进行裁剪，得到待处理图像。例如，待处理图像的尺寸可以是(112,128,144)。
在一个例子中，可以基于预设区间将第一图像的像素值进行归一化，得到第一归一化图像。其中，基于预设区间将第一图像的像素值进行归一化，可以包括：对于第一图像中的第四像素，若所述第四像素的像素值小于所述预设区间的下边界值，则确定所述第四像素的归一化值为0，其中，所述第四像素表示所述第一图像中的任一像素；若所述第四像素的像素值大于或等于所述预设区间的下边界值，且小于或等于所述预设区间的上边界值，则确定所述第四像素的像素值与所述下边界值的差值，并将所述差值与所述区间长度的比值确定为所述第四像素的归一化值；若所述第四像素的像素值大于所述上边界值，则确定所述第四像素的归一化值为1。例如，预设区间为[-1000,1500]，像素i的像素值为u。若u＜-1000，则确定像素i的归一化值为0；若-1000≤u≤1500，则将
Figure BDA0002770274470000181
确定为像素i的归一化值；若u大于1500，则确定像素i的归一化值为1。通过基于预设区间将第一图像的像素值进行归一化，能够使得到的归一化图像中的像素值在区间[0,1]中。
作为该实现方式的一个示例，可以将待分割图像降采样至第二分辨率，得到第二图像。作为该实现方式的另一个示例，可以将待分割图像作为第二图像。在该示例中，待分割图像的分辨率为所述第二分辨率。例如，第二分辨率可以是0.2mm×0.2mm×0.2mm。
作为该实现方式的一个示例，在得到第二图像之后，可以对第二图像进行归一化，得到第二归一化图像；所述根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，可以包括：根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二归一化图像中，裁剪出所述第三牙实例对应的图像。
作为该实现方式的一个示例，可以所述牙实例分割结果中的第三牙实例的中心像素所在位置为几何中心，从所述第二图像中，裁剪出所述第三牙实例对应的图像。即，在该示例中，所述第三牙实例对应的图像的几何中心可以是所述牙实例分割结果中的第三牙实例的中心像素所在位置。例如，第三牙实例对应的图像的尺寸可以是(176,112,96)。当然，在其他示例中，所述第三牙实例对应的图像的几何中心也可以不是所述牙实例分割结果中的第三牙实例的中心像素所在位置。
作为该实现方式的一个示例，可以将所述第三牙实例对应的图像输入第三神经网络，经由所述第三神经网络对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。例如，所述第三神经网络可以采用U-Net等架构。
根据该实现方式，能够先在较低的分辨率上快速进行牙实例分割和牙位定位，并能获得各个牙实例在较高的分辨率下的分割结果。
在一种可能的实现方式中，在所述对待处理图像进行牙实例分割之前，所述方法还包括：根据待分割图像进行上下牙分割，确定所述待分割图像中的感兴趣区域；根据所述感兴趣区域，对所述待分割图像进行裁剪，得到所述待处理图像。
作为该实现方式的一个示例，可以根据待分割图像，得到第三图像；根据第三图像进行上下牙分割，确定所述待分割图像中的感兴趣区域。在一个例子中，可以将待分割图像降采样至第三分辨率，得到第三图像。例如，第三分辨率可以是0.2mm×0.2mm×0.2mm。在另一个例子中，可以将待分割图像作为第三图像。在一个例子中，可以对第三图像的像素值进行归一化，得到第三归一化图像；对第三归一化图像进行上下牙分割，确定所述待分割图像中的感兴趣区域。在另一个例子中，可以对第三图像进行上下牙分割，确定所述待分割图像中的感兴趣区域。
在一个例子中，可以采用第四神经网络，从横断面或者矢状面，逐层对第三归一化图像的二维(2Dimensions，2D)切片进行上下牙分割，得到第三归一化图像的各层二维切片的感兴趣区域，并根据第三归一化图像的各层二维切片的感兴趣区域，得到第三归一化图像的感兴趣区域。例如，第四神经网络可以是卷积神经网络。其中，横断面和矢状面上的牙齿边界较清晰，易于分割。例如，可以将第三归一化图像的各层二维切片的感兴趣区域重新组合得到第三归一化图像的感兴趣区域。又如，在将第三归一化图像的各层二维切片的感兴趣区域重新组合得到感兴趣的三维区域后，可以去除该感兴趣的三维区域中尺寸小于第三预设值的连通域，得到第三归一化图像的感兴趣区域。通过去除该感兴趣的三维区域中尺寸小于第三预设值的连通域，能够减少图像噪声对分割结果的影响，从而对分割结果进行优化。例如，第三预设值可以是150mm3。
作为该实现方式的一个示例，可以将待分割图像降采样至第一分辨率，得到第一图像，根据所述感兴趣区域，对所述第一图像进行裁剪，得到待处理图像。例如，裁剪得到的待处理图像可以包括所述感兴趣区域。又如，可以以所述感兴趣区域的几何中心作为待处理图像的几何中心，以预设尺寸作为待处理图像的尺寸，裁剪得到待处理图像。例如，预设尺寸可以是(112,128,144)。
根据该实现方式得到的待处理图像能够保留待分割图像中大部分的牙齿信息，且能去除待分割图像中的大部分无关信息(例如背景信息)，从而有助于后续进行牙实例分割、牙位定位等的效率和准确性。
本公开实施例中的神经网络可以采用U-Net等架构，在此不作限定。在一种可能的实现方式中，神经网络的卷积块可以由残差模块构成。在一种可能的实现方式中，所述神经网络的编解码两部分之间可以引入双维度注意力(Dual Attention)模块。
根据本公开实施例提供的牙齿图像的处理方法，即使在图像中存在缺牙、高亮伪影等的情况下，也能获得准确的牙位定位结果，从而有助于提高医生的阅片效率，例如，有助于提高医生分析患者牙齿的CBCT图像的效率。例如，可以为牙科医生阅片提供辅助，方便判断缺牙牙位。图4示出存在高亮伪影的CBCT横断面图像的示意图。图5示出存在缺牙的CBCT横断面图像的示意图。
本公开实施例通过提供准确的牙位定位结果，还可以为牙齿修补种植材料的制作等环节提供准确的牙位信息。本公开实施例还可以为设备、软件厂商等提供牙实例分割结果和/或牙位定位结果，设备、软件厂商等可以基于本公开实施例提供的牙实例分割结果和/或牙位定位结果进行一些细致的分析，例如可以基于本公开实施例提供的牙实例分割结果和/或牙位定位结果获取牙弓曲线等。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了牙齿图像的处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种牙齿图像的处理方法，相应技术方案和技术效果可参见方法部分的相应记载，不再赘述。
图6示出本公开实施例提供的牙齿图像的处理装置的框图。如图6所示，所述牙齿图像的处理装置包括：
牙实例分割模块61，用于对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；
牙位定位模块62，用于基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
在一种可能的实现方式中，所述牙实例分割模块61用于：
从待处理图像的多个像素中，依次预测属于不同牙实例的像素集合，得到所述待处理图像中的多个牙实例包含的多个像素集合的预测结果；
根据所述多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果。
在一种可能的实现方式中，所述牙实例分割模块61用于：
从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；
根据所述目标牙实例的中心像素的坐标，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果。
在一种可能的实现方式中，所述牙实例分割模块61用于：
从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素；
在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在一种可能的实现方式中，所述牙实例分割模块61用于：
在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
在一种可能的实现方式中，所述牙实例分割模块61用于：
确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；
根据所述第二像素所指向的牙实例中心的预测坐标，以及所述目标牙实例的中心像素的坐标，预测所述第二像素属于所述目标牙实例的中心的概率；
根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合。
在一种可能的实现方式中，所述牙实例分割模块61用于：
确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量；
根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标。
在一种可能的实现方式中，所述牙实例分割模块61用于：
预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；
根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率。
在一种可能的实现方式中，所述装置还包括：
第一预测模块，用于将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率。
在一种可能的实现方式中，所述第一神经网络包括第一解码器和第二解码器；
所述第一预测模块用于：
将所述待处理图像输入第一神经网络，经由所述第一解码器得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，以及所述第二像素所属的牙实例的聚类参数，经由所述第二解码器得到所述第二像素位于牙实例中心的概率。
在一种可能的实现方式中，所述装置还包括：
第二预测模块，用于将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，其中，所述第三像素表示所述训练图像中的任一像素，所述第一牙实例表示所述第三像素所属的牙实例；
第一确定模块，用于根据所述第三像素的坐标，以及所述第三像素到所述第一牙实例的中心像素的预测偏移量，确定所述第三像素所指向的牙实例中心的预测坐标，其中，所述第三像素所指向的牙实例中心的预测坐标表示基于所述第三像素预测的所述第一牙实例的中心像素的坐标；
第二确定模块，用于根据所述第三像素所指向的牙实例中心的预测坐标，属于所述第一牙实例的不同像素所指向的牙实例中心的预测坐标，以及所述第一牙实例对应的聚类参数，确定所述第三像素属于所述第一牙实例的中心的概率；
训练模块，用于根据所述第三像素位于牙实例中心的概率，所述第三像素属于所述第一牙实例的中心的概率，以及所述第三像素属于牙齿内部的真值，训练所述第一神经网络。
在一种可能的实现方式中，所述牙位定位模块62用于：
预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，其中，所述第二牙实例表示所述牙实例分割结果中的任一牙实例；
根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别。
在一种可能的实现方式中，所述装置还包括：
降采样模块，用于将待分割图像降采样至第一分辨率，得到第一图像；根据所述第一图像，得到所述待处理图像；
第三确定模块，用于根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率；
第一裁剪模块，用于根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，其中，所述第三牙实例表示所述牙实例分割结果中的任一牙实例；
第一分割模块，用于对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。
在一种可能的实现方式中，所述装置还包括：
第二分割模块，用于根据待分割图像进行上下牙分割，确定所述待分割图像中的感兴趣区域；
第二裁剪模块，用于根据所述感兴趣区域，对所述待分割图像进行裁剪，得到所述待处理图像。
在本公开实施例中，通过对待处理图像进行牙实例分割，得到所述待处理图像的牙实例分割结果，并基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，由此基于不仅能区分牙齿和背景、还能区分不同牙齿的牙实例分割结果进行牙位定位，能够提高牙位定位的准确性。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现和技术效果可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。其中，所述计算机可读存储介质可以是非易失性计算机可读存储介质，或者可以是易失性计算机可读存储介质。
本公开实施例还提出一种计算机程序，包括计算机可读代码，当所述计算机可读代码在电子设备中运行时，所述电子设备中的处理器执行用于实现上述方法。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的牙齿图像的处理方法的操作。
本公开实施例还提供一种电子设备，包括：一个或多个处理器；用于存储可执行指令的存储器；其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出本公开实施例提供的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(Wi-Fi)、第二代移动通信技术(2G)、第三代移动通信技术(3G)、第四代移动通信技术(4G)/通用移动通信技术的长期演进(LTE)、第五代移动通信技术(5G)或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出本公开实施例提供的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种牙齿图像的处理方法，其特征在于，包括：
从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；
确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；
预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；
根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率；
根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果；
根据所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；
基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
2.根据权利要求1所述的方法，其特征在于，所述从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，包括：
从待处理图像的多个待处理像素中，确定位于牙实例中心的概率最大的第一像素；
在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
3.根据权利要求2所述的方法，其特征在于，所述在所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素，包括：
在多个所述待处理像素中、位于牙实例中心的概率大于或等于所述第一预设值的像素数大于或等于第二预设值，且所述第一像素位于牙实例中心的概率大于或等于第一预设值的情况下，将所述第一像素预测为目标牙实例的中心像素。
4.根据权利要求1所述的方法，其特征在于，所述确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，包括：
确定多个所述待处理像素中的第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量；
根据所述第二像素的坐标，以及所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，确定所述第二像素所指向的牙实例中心的预测坐标。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率。
6.根据权利要求5所述的方法，其特征在于，所述第一神经网络包括第一解码器和第二解码器；
所述将所述待处理图像输入第一神经网络，经由所述第一神经网络得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，所述第二像素所属的牙实例的聚类参数，以及所述第二像素位于牙实例中心的概率，包括：
将所述待处理图像输入第一神经网络，经由所述第一解码器得到所述第二像素到所述第二像素所属的牙实例的中心像素的预测偏移量，以及所述第二像素所属的牙实例的聚类参数，经由所述第二解码器得到所述第二像素位于牙实例中心的概率。
7.根据权利要求5或6所述的方法，其特征在于，在所述将所述待处理图像输入第一神经网络之前，所述方法还包括：
将训练图像输入所述第一神经网络，经由所述第一神经网络得到所述训练图像中的第三像素到所述第三像素所属的第一牙实例的中心像素的预测偏移量，所述第一牙实例对应的聚类参数，以及所述第三像素位于牙实例中心的概率，其中，所述第三像素表示所述训练图像中的任一像素，所述第一牙实例表示所述第三像素所属的牙实例；
根据所述第三像素的坐标，以及所述第三像素到所述第一牙实例的中心像素的预测偏移量，确定所述第三像素所指向的牙实例中心的预测坐标，其中，所述第三像素所指向的牙实例中心的预测坐标表示基于所述第三像素预测的所述第一牙实例的中心像素的坐标；
根据所述第三像素所指向的牙实例中心的预测坐标，属于所述第一牙实例的不同像素所指向的牙实例中心的预测坐标，以及所述第一牙实例对应的聚类参数，确定所述第三像素属于所述第一牙实例的中心的概率；
根据所述第三像素位于牙实例中心的概率，所述第三像素属于所述第一牙实例的中心的概率，以及所述第三像素属于牙齿内部的真值，训练所述第一神经网络。
8.根据权利要求1至5中任意一项所述的方法，其特征在于，所述基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果，包括：
预测所述牙实例分割结果中的第二牙实例包含的像素所属的牙位类别，其中，所述第二牙实例表示所述牙实例分割结果中的任一牙实例；
根据所述第二牙实例包含的像素所属的牙位类别，确定所述第二牙实例所属的牙位类别。
9.根据权利要求1至5中任意一项所述的方法，其特征在于，
在所述从待处理图像的多个待处理像素中，预测目标牙实例的中心像素之前，所述方法还包括：将待分割图像降采样至第一分辨率，得到第一图像；根据所述第一图像，得到所述待处理图像；
在所述得到所述待处理图像的牙实例分割结果之后，所述方法还包括：根据所述待分割图像，得到第二图像，其中，所述第二图像的分辨率为第二分辨率，所述第二分辨率高于所述第一分辨率；根据所述牙实例分割结果中的第三牙实例的中心像素的坐标，从所述第二图像中，裁剪出所述第三牙实例对应的图像，其中，所述第三牙实例表示所述牙实例分割结果中的任一牙实例；对所述第三牙实例对应的图像进行分割，得到所述第三牙实例在所述第二分辨率下的分割结果。
10.根据权利要求1至5中任意一项所述的方法，其特征在于，在所述从待处理图像的多个待处理像素中，预测目标牙实例的中心像素之前，所述方法还包括：
根据待分割图像进行上下牙分割，确定所述待分割图像中的感兴趣区域；
根据所述感兴趣区域，对所述待分割图像进行裁剪，得到所述待处理图像。
11.一种牙齿图像的处理装置，其特征在于，包括：
牙实例分割模块，用于从待处理图像的多个待处理像素中，预测目标牙实例的中心像素，其中，所述待处理像素表示所述待处理图像中未被预测为属于任一牙实例的像素，所述目标牙实例表示当前预测的牙实例；确定多个所述待处理像素中的第二像素所指向的牙实例中心的预测坐标，其中，所述第二像素表示多个所述待处理像素中的任一像素，所述第二像素所指向的牙实例中心的预测坐标表示基于所述第二像素预测的所述第二像素所属的牙实例的中心像素的坐标；预测所述目标牙实例对应的聚类参数，其中，所述聚类参数用于表示所述目标牙实例的中心像素的预测坐标的离散程度；根据所述第二像素所指向的牙实例中心的预测坐标，所述目标牙实例的中心像素的坐标，以及所述目标牙实例对应的聚类参数，预测所述第二像素属于所述目标牙实例的中心的概率；根据所述第二像素属于所述目标牙实例的中心的概率，从多个所述待处理像素中预测属于所述目标牙实例的像素集合，得到所述目标牙实例包含的像素集合的预测结果；根据所述待处理图像中的多个牙实例包含的多个像素集合的预测结果，得到所述待处理图像的牙实例分割结果，其中，一个牙实例对应于一颗牙齿，所述牙实例分割结果包括所述待处理图像中的像素所属的牙实例的信息；
牙位定位模块，用于基于所述牙实例分割结果进行牙位定位，得到所述待处理图像的牙位定位结果。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
用于存储可执行指令的存储器；
其中，所述一个或多个处理器被配置为调用所述存储器存储的可执行指令，以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
CN202011246718.0A 2020-11-10 2020-11-10 牙齿图像的处理方法及装置、电子设备和存储介质 Active CN112308867B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011246718.0A CN112308867B (zh) 2020-11-10 2020-11-10 牙齿图像的处理方法及装置、电子设备和存储介质
KR1020227001270A KR20220012991A (ko) 2020-11-10 2021-04-22 치아 이미지 처리 방법, 장치, 전자 기기, 저장 매체 및 프로그램
PCT/CN2021/089058 WO2022100005A1 (zh) 2020-11-10 2021-04-22 牙齿图像的处理方法、装置、电子设备、存储介质及程序
JP2021576347A JP2023504957A (ja) 2020-11-10 2021-04-22 歯画像の処理方法、装置、電子機器、記憶媒体及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011246718.0A CN112308867B (zh) 2020-11-10 2020-11-10 牙齿图像的处理方法及装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112308867A CN112308867A (zh) 2021-02-02
CN112308867B true CN112308867B (zh) 2022-07-22

Family

ID=74325454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011246718.0A Active CN112308867B (zh) 2020-11-10 2020-11-10 牙齿图像的处理方法及装置、电子设备和存储介质

Country Status (2)

Country Link
CN (1) CN112308867B (zh)
WO (1) WO2022100005A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308867B (zh) * 2020-11-10 2022-07-22 上海商汤智能科技有限公司 牙齿图像的处理方法及装置、电子设备和存储介质
CN112785609B (zh) * 2021-02-07 2022-06-03 重庆邮电大学 一种基于深度学习的cbct牙齿分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110033005A (zh) * 2019-04-08 2019-07-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741288B (zh) * 2016-01-29 2017-04-12 北京正齐口腔医疗技术有限公司 牙齿图像的分割方法和装置
CN105761252B (zh) * 2016-02-02 2017-03-29 北京正齐口腔医疗技术有限公司 图像分割的方法及装置
EP3462373A1 (en) * 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
US11534272B2 (en) * 2018-09-14 2022-12-27 Align Technology, Inc. Machine learning scoring system and methods for tooth position assessment
CN109389129B (zh) * 2018-09-15 2022-07-08 北京市商汤科技开发有限公司 一种图像处理方法、电子设备及存储介质
CN109801307A (zh) * 2018-12-17 2019-05-24 中国科学院深圳先进技术研究院 一种全景分割方法、装置及设备
CN109949319B (zh) * 2019-03-12 2022-05-20 北京羽医甘蓝信息技术有限公司 基于深度学习的全景片恒牙识别的方法和装置
US10878566B2 (en) * 2019-04-23 2020-12-29 Adobe Inc. Automatic teeth whitening using teeth region detection and individual tooth location
CN110348339B (zh) * 2019-06-26 2021-11-16 西安理工大学 一种基于实例分割的手写文档文本行的提取方法
CN110516527B (zh) * 2019-07-08 2023-05-23 广东工业大学 一种基于实例分割的视觉slam回环检测改进方法
CN110619646B (zh) * 2019-07-23 2023-08-29 同济大学 一种基于全景图的单牙提取方法
CN110689564B (zh) * 2019-08-22 2022-04-08 浙江工业大学 一种基于超像素聚类的牙弓线绘制方法
CN110569854B (zh) * 2019-09-12 2022-03-29 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110969655B (zh) * 2019-10-24 2023-08-18 百度在线网络技术（北京）有限公司 用于检测车位的方法、装置、设备、存储介质以及车辆
CN110930421B (zh) * 2019-11-22 2022-03-29 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110974288A (zh) * 2019-12-26 2020-04-10 北京大学口腔医学院 一种牙周病cbct纵向数据记录及分析方法
CN111709959B (zh) * 2020-06-23 2022-07-15 杭州口腔医院集团有限公司 一种口腔正畸数字化智能诊断方法
CN112308867B (zh) * 2020-11-10 2022-07-22 上海商汤智能科技有限公司 牙齿图像的处理方法及装置、电子设备和存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110033005A (zh) * 2019-04-08 2019-07-19 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
WO2022100005A1 (zh) 2022-05-19
CN112308867A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN109829920B (zh) 图像处理方法及装置、电子设备和存储介质
US20220198775A1 (en) Image processing method and apparatus, electronic device, storage medium and computer program
CN110047078B (zh) 图像处理方法及装置、电子设备和存储介质
CN109978886B (zh) 图像处理方法及装置、电子设备和存储介质
CN111899268B (zh) 图像分割方法及装置、电子设备和存储介质
EP2977956B1 (en) Method, apparatus and device for segmenting an image
CN107692997B (zh) 心率检测方法及装置
CN113012166A (zh) 颅内动脉瘤分割方法及装置、电子设备和存储介质
CN112308867B (zh) 牙齿图像的处理方法及装置、电子设备和存储介质
CN113222038B (zh) 基于核磁图像的乳腺病灶分类和定位方法及装置
CN110705626A (zh) 一种图像处理方法及装置、电子设备和存储介质
CN112967291A (zh) 图像处理方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
WO2022022350A1 (zh) 图像处理方法及装置、电子设备、存储介质和计算机程序产品
CN112927239A (zh) 图像处理方法、装置、电子设备及存储介质
WO2021082517A1 (zh) 神经网络训练及图像分割方法、装置、设备、介质和程序
CN113344999A (zh) 深度检测方法及装置、电子设备和存储介质
JP2022548453A (ja) 画像分割方法及び装置、電子デバイス並びに記憶媒体
CN113345000A (zh) 深度检测方法及装置、电子设备和存储介质
CN112613447A (zh) 关键点检测方法及装置、电子设备和存储介质
CN106469446B (zh) 深度图像的分割方法和分割装置
WO2023050690A1 (zh) 图像处理方法、装置、电子设备、存储介质和程序
CN115457024A (zh) 冷冻电镜图像处理方法、装置、电子设备及存储介质
CN115601316A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN112802032A (zh) 图像分割网络的训练和图像处理方法、装置、设备及介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40040126

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Methods and devices for processing dental images, electronic devices, and storage media

Effective date of registration: 20231208

Granted publication date: 20220722

Pledgee: Jing'an Sub-branch of Shanghai Pudong Development Bank Co.,Ltd.

Pledgor: SHANGHAI SENSETIME INTELLIGENT TECHNOLOGY Co.,Ltd.

Registration number: Y2023310000820

PE01 Entry into force of the registration of the contract for pledge of patent right