CN113077502A - 基于标志球内部多层球面生成点的牙颌空间配准方法 - Google Patents

基于标志球内部多层球面生成点的牙颌空间配准方法 Download PDF

Info

Publication number
CN113077502A
CN113077502A CN202110411584.1A CN202110411584A CN113077502A CN 113077502 A CN113077502 A CN 113077502A CN 202110411584 A CN202110411584 A CN 202110411584A CN 113077502 A CN113077502 A CN 113077502A
Authority
CN
China
Prior art keywords
data
point
points
dental
laser scanning
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
Application number
CN202110411584.1A
Other languages
English (en)
Other versions
CN113077502B (zh
Inventor
廖胜辉
彭心雨
韩付昌
熊超
邬任重
唐一民
苑思明
彭椿淋
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202110411584.1A priority Critical patent/CN113077502B/zh
Publication of CN113077502A publication Critical patent/CN113077502A/zh
Application granted granted Critical
Publication of CN113077502B publication Critical patent/CN113077502B/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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

本发明公开了一种基于标志球内部多层球面生成点的牙颌空间配准方法，包括获取牙颌CBCT数据和激光扫描数据并进行预处理；计算每个标志球的质心并匹配关键点；将匹配后的质心进行奇异值分解得到旋转矩阵和平移矩阵，应用于激光扫描牙颌数据完成粗配准变换；在激光扫描标志球内部生成呈球面状分布的点集并赋予主观权重；进行加权迭代最近点配准；将旋转矩阵和平移矩阵应用到激光扫描牙颌上，完成牙颌空间的细配准。本发明方法能够打破CBCT数据具有的金属伪影冗杂项、低像素，以及激光扫描数据具有一定程度残缺度的局限性，有效提高牙颌CBCT数据和激光扫描数据的配准精度，具有较好的精确性和通用性，而且准确率高，快速稳定。

Description

基于标志球内部多层球面生成点的牙颌空间配准方法
技术领域
本发明属于空间配准技术领域，具体涉及一种基于标志球内部多层球面生成点的牙颌空间配准方法。
背景技术
随着经济技术的发展，人们对于口腔健康的关注度也越来越高。基于标志球的多模态图像数据的空间配准，在口腔检查等相关领域应用广泛，具有极高的应用价值和极大的应用范围。
空间配准是一种可将多模态数据进行融合的技术，其将两个或两个以上坐标系中的点，采用空间配准算法，计算出这些点间的相互变换关系，从而实现它们之间的对应统一。
根据实际的应用场合和所使用的兴趣点的类型，配准可分为两类：无标记点的配准(Marker-free)和基于标记点的配准(Marker-based)。无标记点的配准是利用患者本身的解剖标志作为标记点来完成的，基于标记点的配准是将标记物通过一定方式固定于目标区域周围来实现的。经过配准后，可实时显示经三维重建后的区域结构，以及手术器械所在位置，从而辅助调整手术器械方向及位置，进行器械的导航。
根据是否形变，空间配准又可分为非刚性和刚性两大类，目前常用的是刚性配准，即空间之间只有旋转和平移变换。目前刚性的空间配准还可根据特征点的对应状况分为基于成对标志点的空间配准和基于非成对点的空间配准。前者主要有三点法、四元数法和SVD分解法等，后者主要有Mckay和Besl的最近点迭代算法(Iterative Closest Point，ICP)，以及在其上的一些改进算法，如PLICP与NICP等等。但不论何种配准算法，都需要在设计上保证配准的精度和效率，使空间之间配准的误差尽可能的小。
针对牙颌CBCT(锥形束CT，Cone beam CT)数据和激光扫描数据之间的空间配准问题，介于标志球CBCT数据所具有的金属伪影冗杂项、低像素等特点，以及激光扫描标志球表面的残缺性，使得常规空间配准算法的使用受到了限制，并且其配准精度难以满足需求。
发明内容
本发明的目的在于提供一种准确率高，而且快速稳定的基于标志球内部多层球面生成点的牙颌空间配准方法。
本发明提供的这种基于标志球内部多层球面生成点的牙颌空间配准方法，包括如下步骤：
S1.获取牙颌CBCT数据和激光扫描数据并进行预处理，从而获取牙颌上所固定的标志球部分的数据；
S2.针对步骤S1获取的标志球部分的数据，采用连通域分析计算得到每个标志球的质心，并对质心进行关键点匹配；
S3.将步骤S2匹配后的质心进行奇异值分解，计算得到旋转矩阵和平移矩阵并应用于激光扫描牙颌数据，从而完成粗配准变换；
S4.在激光扫描标志球内部，生成若干层呈球面状分布的点集，并为每一层中通过内部检测的点集赋予主观权重；
S5.将步骤S4生成的点集和对应的权重，与标志球CBCT数据中的所有体素中心点所组成的点集，进行加权迭代最近点配准(加权ICP配准)；
S6.将步骤S5进行加权迭代最近点配准过程中得到的旋转矩阵和平移矩阵，应用到激光扫描牙颌过程，从而完成牙颌空间的细配准。
步骤S1所述的获取牙颌CBCT数据和激光扫描数据并进行预处理，从而获取牙颌上所固定的标志球部分的数据，具体为采用如下步骤获取数据：
A.获取牙颌的CBCT数据；
B.采用阈值分割方法，将步骤A得到的CBCT数据中高于设定阈值的数据分离，从而将CBCT数据中的标志球分离；
C.获取激光扫描数据；
D.将步骤C获取的激光扫描数据中的标志球进行分离。
步骤S2所述的针对步骤S1获取的标志球部分的数据，采用连通域分析计算得到每个标志球的质心，并对质心进行关键点匹配，具体为采用如下步骤计算质心并进行匹配：
a.对已经分离的标志球的体数据，进行连通域分析，从而使得每一个标志球部分的体素团成为一个连通域；
b.针对激光扫描数据，获取每个连通域网格上的顶点坐标；对于CBCT数据，获取每个连通域中的体素中心点坐标；
c.根据步骤b获取的数据，计算标志球的质心坐标；
d.采用快速距离排序匹配算法进行质心的关键点匹配。
所述的采用快速距离排序匹配算法进行质心的关键点匹配，具体为采用如下步骤进行质心的关键点匹配：
d-1.采用如下算式计算模板点集中的0号点target0和其他点的距离，并对结果和对应点的索引进行排序，同时要求所有排序方式保持一致：
Figure BDA0003024366010000041
式中num(target)为模板点集的数量；
Figure BDA0003024366010000042
为模板点集中的0号点和其他点之间的距离数组；
Figure BDA0003024366010000043
为对i＝1到num(target)-1计算出来的结果进行排序；||target0-targeti||为模板点集中的0号点和i号点之间的距离；
d-2.采用如下算式计算对源点集Source中的所有点到其他点的距离，并进行排序：
Figure BDA0003024366010000044
式中i取值为i∈[0,num(source)-1]；num(source)为源点集的数量；
Figure BDA0003024366010000045
为源点集中的i号点和其他点之间的距离数组；
Figure BDA0003024366010000046
为对j＝1到num(source)-1计算出来的结果进行排序；||sourcei-sourcej||为源点集中的i号点和j号点之间的距离；
d-3.在步骤d-2的计算过程中，每计算一次，就采用最小二乘法估计排序后的距离数据与模板点集所对应的距离数组之间的误差：
Figure BDA0003024366010000047
式中
Figure BDA0003024366010000048
为源点集中的i号点的距离数组和模板点集中的0号点的距离数组作差后各分量平方和的开根号；
d-4.根据步骤d-3计算得到的误差，获得最小误差对应的源点集中的索引Index；
d-5.采用如下算式，计算步骤d-4得到的索引Index所对应的点，与源点集中其他点之间的距离，并排序：
Figure BDA0003024366010000049
式中
Figure BDA0003024366010000051
为源点集中的index号点和其他点之间的距离数组；sourceindex为源点集中的index号点；
d-6.将排序后对应点的索引和步骤d-1中得到的点的索引相互匹配，从而完成对应的质心的关键点匹配。
步骤S4所述的为每一层中通过内部检测的点集赋予主观权重，具体为为每一层中通过内部检测的点集赋予基于半径的主观权重，并且越靠近质心权重值越高。
本发明提供的这种基于标志球内部多层球面生成点的牙颌空间配准方法，通过采集牙颌CBCT数据和激光扫描数据，进行预处理，得到标志球部分数据；对标志球数据进行连通域分析，得到每个标志球的质心坐标；使用快速距离排序匹配算法对两个数据集中的质心进行匹配；将匹配后的质心进行SVD分解，得到旋转和平移矩阵；利用旋转和平移矩阵对激光扫描牙颌进行粗配准，用以规避使用原始ICP算法陷入局部最优解的困境；在激光扫描标志球内部生成多层呈球面状分布的点集，并为其赋予基于半径的主观权重值，来提高中心点的比重，弱化边缘冗杂项；将生成的点集和对应的权重，以及CBCT标志球体数据中心点组成的点集，作为ICP配准的输入，得到旋转和平移矩阵；使用旋转和平移矩阵对激光扫描牙颌进行细配准。本发明方法能打破CBCT数据具有的金属伪影冗杂项、低像素，以及激光扫描数据具有一定程度残缺度的局限性，有效提高牙颌CBCT数据和激光扫描数据的配准精度，具有较好的精确性和通用性，而且准确率高，快速稳定。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明的对牙颌CBCT数据预处理后的可视化结果示意图。
图3为本发明的对牙颌的激光扫描数据数据预处理后的可视化结果示意图。
图4为本发明的对标志球进行粗配准后的可视化结果示意图。
图5为本发明的牙颌CBCT数据和激光扫描数据配准前的可视化结果示意图。
图6为本发明的牙颌CBCT数据和激光扫描数据配准后的可视化结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于标志球内部多层球面生成点的牙颌空间配准方法，包括如下步骤：
S1.获取牙颌CBCT数据和激光扫描数据并进行预处理，从而获取牙颌上所固定的标志球部分的数据；具体为采用如下步骤获取数据：
A.获取牙颌的CBCT数据；比如可以将CBCT数据通过VTK(visualization toolkit)中的vtkDICOMImageReader进行读入；
B.采用阈值分割方法，将步骤A得到的CBCT数据中高于设定阈值的数据分离，从而将CBCT数据中的标志球分离；
具体实施时，为了让标志球在CT扫描中更容易识别和分离，医生一般会采用氧化锆、氧化硅等合金材质，或者进行一些特殊处理，所以它的阈值一般比人体组织和骨骼的阈值要高出许多，利用这一特性通过阈值分割的方式将图CBCT数据中的标志球分离出来，经VTK体绘制后的结果如图2；实施时，可以采用VTK中的vtkImageThreshold对读入的将低于设定值部分体素的像素值设为0，也可以将高于设定的阈值的部分提取；
C.获取激光扫描数据；可以将激光扫描的网格数据通过VTK中的vtkSTLReader进行读入；
D.将步骤C获取的激光扫描数据中的标志球进行分离；分离时，可以采用三维软件进行分离，分离结果如图3所示；
S2.针对步骤S1获取的标志球部分的数据，采用连通域分析计算得到每个标志球的质心，并对质心进行关键点匹配；具体为采用如下步骤计算质心并进行匹配：
a.对已经分离的标志球的体数据，进行连通域分析，从而使得每一个标志球部分的体素团成为一个连通域；
具体实施时，对已经分离出来的标志球部分的体数据使用vtk中的vtkPolyDataConnectivityFilter进行连通域分析，这样每一个标志球部分的体素团即为一个连通域；通过以上对标志球的独立操作，可为之后每个标志球质心坐标的计算提供便利；
b.针对激光扫描数据，获取每个连通域网格上的顶点坐标；对于CBCT数据，获取每个连通域中的体素中心点坐标；
c.根据步骤b获取的数据，计算标志球的质心坐标；
对于CBCT数据，获取每个连通域(即标志球CT团)中的点坐标；并对它们进行累加和计数，从而求取质心坐标；
d.采用快速距离排序匹配算法进行质心的关键点匹配；具体为采用如下步骤进行质心的关键点匹配：
d-1.采用如下算式计算模板点集中的0号点target0和其他点的距离，并对结果和对应点的索引进行排序，同时要求所有排序方式保持一致：
Figure BDA0003024366010000081
式中num(target)为模板点集的数量；
Figure BDA0003024366010000082
为模板点集中的0号点和其他点之间的距离数组；
Figure BDA0003024366010000083
为对i＝1到num(target)-1计算出来的结果进行排序；||target0-targeti||为模板点集中的0号点和i号点之间的距离
d-2.采用如下算式计算对源点集Source中的所有点到其他点的距离，并进行排序：
Figure BDA0003024366010000084
式中i取值为i∈[0,num(source)-1]；num(source)为源点集的数量；
Figure BDA0003024366010000085
为源点集中的i号点和其他点之间的距离数组；
Figure BDA0003024366010000086
为对j＝1到num(source)-1计算出来的结果进行排序；||sourcei-sourcej||为源点集中的i号点和j号点之间的距离；
d-3.在步骤d-2的计算过程中，每计算一次，就采用最小二乘法估计排序后的距离数据与模板点集所对应的距离数组之间的误差：
Figure BDA0003024366010000087
式中
Figure BDA0003024366010000088
为源点集中的i号点的距离数组和模板点集中的0号点的距离数组作差后各分量平方和的开根号；
d-4.根据步骤d-3计算得到的误差，获得最小误差对应的源点集中的索引Index；
d-5.采用如下算式，计算步骤d-4得到的索引Index所对应的点，与源点集中其他点之间的距离，并排序：
Figure BDA0003024366010000089
式中
Figure BDA00030243660100000810
为源点集中的index号点和其他点之间的距离数组；sourceindex为源点集中的index号点；
d-6.将排序后对应点的索引和步骤d-1中得到的点的索引相互匹配，从而完成对应的质心的关键点匹配；
S3.将步骤S2匹配后的质心进行奇异值分解，计算得到旋转矩阵和平移矩阵并应用于激光扫描牙颌数据，从而完成粗配准变换，从而规避使用原始ICP算法陷入局部最优解的困境；
具体实施时，如图4所示为激光扫描标志球和CBCT标志球粗配准后的可视化图像；可以看到激光扫描标志球经粗配准得到的旋转矩阵和平移矩阵变换后，其总质心和CBCT数据、以及CBCT重建数据的总质心坐标基本一致，经计算，其粗配准后的均方误差为3.97493；
S4.在激光扫描标志球内部，生成若干层呈球面状分布的点集，并为每一层中通过内部检测的点集赋予主观权重；具体为为每一层中通过内部检测的点集赋予基于半径的主观权重，并且越靠近质心权重值越高；
具体实施时，首先以质心为球心，设置层数、每层的半径、生成点数和权重值，其中，最外层点集权重值设为1，再按照层与层之间的半径差值，从外至内，依次从大到小对每层点集赋予相应的权重，如表1所示，为实验测试例的参数设置值；再通过奇偶规则，过滤掉位于激光扫描标志球外部的生成点；
表1实验测试例的参数设置值示意表
测试例编号 层数(包括质心) 每层半径 每层对应权重 每层生成点数
1 2 0、0.5 1.5、1 600
2 2 0、0.5 1.5、1 700
3 2 0、0.5 1.5、1 800
4 2 0、0.5 1.5、1 900
5 3 0、0.25、0.5 1.5、1.25、1 200
6 3 0、0.25、0.5 1.5、1.25、1 300
7 3 0、0.25、0.5 1.5、1.25、1 600
8 4 0、0.2、0.4、0.6 1.6、1.4、1.2、1 100
9 4 0、0.2、0.4、0.6 1.6、1.4、1.2、1 200
10 4 0、0.2、0.4、0.6 1.6、1.4、1.2、1 300
S5.将步骤S4生成的点集和对应的权重，与标志球CBCT数据中的所有体素中心点所组成的点集，进行加权迭代最近点配准(加权ICP配准)；
具体实施时，如表2所示，为测试例的ICP配准结果，可以看到在层数和生成点数设置合适的情况下，ICP配准能达到较高精度。如第9个测试例，在4层，每层生成200个点的情况下，均方误差只有0.0500848；
表2测试例的ICP配准结果示意表
测试例编号 均方误差 时间(s) 迭代次数
1 0.872468 2.48 8
2 0.221432 2.72 10
3 0.221261 3.10 12
4 1.18465 3.60 15
5 0.337937 2.45 8
6 0.0775488 2.88 10
7 0.0847067 3.84 10
8 0.107763 2.47 13
9 0.0500848 2.69 8
10 0.0829351 2.86 7
S6.将步骤S5进行加权迭代最近点配准过程中得到的旋转矩阵和平移矩阵，应用到激光扫描牙颌上，从而完成牙颌空间的细配准；如图5和图6所示，是CBCT牙颌和激光扫描牙颌配准前和配准后的可视化图像。
本发明提出的这种配准方法，因采用标志球而具有普适性，所以还适用于其他带标志球的空间配准应用场景。

Claims (5)

1.一种基于标志球内部多层球面生成点的牙颌空间配准方法，包括如下步骤：
S1.获取牙颌CBCT数据和激光扫描数据并进行预处理，从而获取牙颌上所固定的标志球部分的数据；
S2.针对步骤S1获取的标志球部分的数据，采用连通域分析计算得到每个标志球的质心，并对质心进行关键点匹配；
S3.将步骤S2匹配后的质心进行奇异值分解，计算得到旋转矩阵和平移矩阵并应用于激光扫描牙颌数据，从而完成粗配准变换；
S4.在激光扫描标志球内部，生成若干层呈球面状分布的点集，并为每一层中通过内部检测的点集赋予主观权重；
S5.将步骤S4生成的点集和对应的权重，与标志球CBCT数据中的所有体素中心点所组成的点集，进行加权迭代最近点配准；
S6.将步骤S5进行加权迭代最近点配准过程中得到的旋转矩阵和平移矩阵，应用到激光扫描牙颌过程，从而完成牙颌空间的细配准。
2.根据权利要求1所述的基于标志球内部多层球面生成点的牙颌空间配准方法，其特征在于步骤S1所述的获取牙颌CBCT数据和激光扫描数据并进行预处理，从而获取牙颌上所固定的标志球部分的数据，具体为采用如下步骤获取数据：
A.获取牙颌的CBCT数据；
B.采用阈值分割方法，将步骤A得到的CBCT数据中高于设定阈值的数据分离，从而将CBCT数据中的标志球分离；
C.获取激光扫描数据；
D.将步骤C获取的激光扫描数据中的标志球进行分离。
3.根据权利要求2所述的基于标志球内部多层球面生成点的牙颌空间配准方法，其特征在于步骤S2所述的针对步骤S1获取的标志球部分的数据，采用连通域分析计算得到每个标志球的质心，并对质心进行关键点匹配，具体为采用如下步骤计算质心并进行匹配：
a.对已经分离的标志球的体数据，进行连通域分析，从而使得每一个标志球部分的体素团成为一个连通域；
b.针对激光扫描数据，获取每个连通域网格上的顶点坐标；对于CBCT数据，获取每个连通域中的体素中心点坐标；
c.根据步骤b获取的数据，计算标志球的质心坐标；
d.采用快速距离排序匹配算法进行质心的关键点匹配。
4.根据权利要求3所述的基于标志球内部多层球面生成点的牙颌空间配准方法，其特征在于所述的采用快速距离排序匹配算法进行质心的关键点匹配，具体为采用如下步骤进行质心的关键点匹配：
d-1.采用如下算式计算模板点集中的0号点target0和其他点的距离，并对结果和对应点的索引进行排序，同时要求所有排序方式保持一致：
Figure FDA0003024365000000021
式中num(target)为模板点集的数量；
Figure FDA0003024365000000022
为模板点集中的0号点和其他点之间的距离数组；
Figure FDA0003024365000000023
为对i＝1到num(target)-1计算出来的结果进行排序；||target0-targeti||为模板点集中的0号点和i号点之间的距离；
d-2.采用如下算式计算对源点集Source中的所有点到其他点的距离，并进行排序：
Figure FDA0003024365000000031
式中i取值为i∈[0,num(source)-1]；num(source)为源点集的数量；
Figure FDA0003024365000000032
为源点集中的i号点和其他点之间的距离数组；
Figure FDA0003024365000000033
为对j＝1到num(source)-1计算出来的结果进行排序；||sourcei-sourcej||为源点集中的i号点和j号点之间的距离；
d-3.在步骤d-2的计算过程中，每计算一次，就采用最小二乘法估计排序后的距离数据与模板点集所对应的距离数组之间的误差：
Figure FDA0003024365000000034
式中
Figure FDA0003024365000000035
为源点集中的i号点的距离数组和模板点集中的0号点的距离数组作差后各分量平方和的开根号；
d-4.根据步骤d-3计算得到的误差，获得最小误差对应的源点集中的索引Index；
d-5.采用如下算式，计算步骤d-4得到的索引Index所对应的点，与源点集中其他点之间的距离，并排序：
Figure FDA0003024365000000036
式中
Figure FDA0003024365000000037
为源点集中的index号点和其他点之间的距离数组；sourceindex为源点集中的index号点；
d-6.将排序后对应点的索引和步骤d-1中得到的点的索引相互匹配，从而完成对应的质心的关键点匹配。
5.根据权利要求4所述的基于标志球内部多层球面生成点的牙颌空间配准方法，其特征在于步骤S4所述的为每一层中通过内部检测的点集赋予主观权重，具体为为每一层中通过内部检测的点集赋予基于半径的主观权重，并且越靠近质心权重值越高。
CN202110411584.1A 2021-04-16 2021-04-16 基于标志球内部多层球面生成点的牙颌空间配准方法 Active CN113077502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110411584.1A CN113077502B (zh) 2021-04-16 2021-04-16 基于标志球内部多层球面生成点的牙颌空间配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110411584.1A CN113077502B (zh) 2021-04-16 2021-04-16 基于标志球内部多层球面生成点的牙颌空间配准方法

Publications (2)

Publication Number Publication Date
CN113077502A true CN113077502A (zh) 2021-07-06
CN113077502B CN113077502B (zh) 2022-09-16

Family

ID=76617919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110411584.1A Active CN113077502B (zh) 2021-04-16 2021-04-16 基于标志球内部多层球面生成点的牙颌空间配准方法

Country Status (1)

Country Link
CN (1) CN113077502B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023078169A1 (zh) * 2021-11-05 2023-05-11 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
CN117530708A (zh) * 2023-10-13 2024-02-09 骨圣元化机器人(深圳)有限公司 手术配准方法和手术配准设备
WO2024125048A1 (zh) * 2022-12-16 2024-06-20 先临三维科技股份有限公司 一种扫描处理方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089864A1 (en) * 2016-09-23 2018-03-29 Carestream Health, Inc. Cbct image processing method
US20200320685A1 (en) * 2017-10-02 2020-10-08 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
CN111862171A (zh) * 2020-08-04 2020-10-30 万申(北京)科技有限公司 基于多视图融合的cbct与激光扫描点云数据牙齿配准方法
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089864A1 (en) * 2016-09-23 2018-03-29 Carestream Health, Inc. Cbct image processing method
US20200320685A1 (en) * 2017-10-02 2020-10-08 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
CN111862171A (zh) * 2020-08-04 2020-10-30 万申(北京)科技有限公司 基于多视图融合的cbct与激光扫描点云数据牙齿配准方法
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KIM-CUONGT.NGUYEN: "Registeration of Ultrasound and CBCT Images for Enhancing Tooth-Periodontinum Visualization a Feasibility Study", 《MAPR 2019》 *
程杰: "3D计划在颌面部骨折中的应用:计算机辅助技术通过配准CBCT和CT图像设计虚拟导板", 《第十四次中国口腔颌面外科学术会议》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023078169A1 (zh) * 2021-11-05 2023-05-11 极限人工智能有限公司 医学图像标记点识别方法、装置、电子设备及存储介质
WO2024125048A1 (zh) * 2022-12-16 2024-06-20 先临三维科技股份有限公司 一种扫描处理方法、装置、设备及介质
CN117530708A (zh) * 2023-10-13 2024-02-09 骨圣元化机器人(深圳)有限公司 手术配准方法和手术配准设备

Also Published As

Publication number Publication date
CN113077502B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN113077502B (zh) 基于标志球内部多层球面生成点的牙颌空间配准方法
Choi et al. Convolutional neural network-based MR image analysis for Alzheimer’s disease classification
Hammami et al. Cycle GAN-based data augmentation for multi-organ detection in CT images via YOLO
Lamecker et al. Atlas-based 3D-shape reconstruction from X-ray images
CN105719278B (zh) 一种基于统计形变模型的医学图像分割方法
Benameur et al. A hierarchical statistical modeling approach for the unsupervised 3-D biplanar reconstruction of the scoliotic spine
US7599539B2 (en) Anatomic orientation in medical images
US8953856B2 (en) Method and system for registering a medical image
Ding et al. Classification of Alzheimer's disease based on the combination of morphometric feature and texture feature
CN111311655B (zh) 多模态图像配准方法、装置、电子设备、存储介质
Zheng et al. Scaled, patient-specific 3D vertebral model reconstruction based on 2D lateral fluoroscopy
Elnakib et al. Dyslexia diagnostics by 3-D shape analysis of the corpus callosum
CN110599442B (zh) 一种融合脑皮质厚度和边缘系统形态特征的抑郁识别系统
Kamiya Deep learning technique for musculoskeletal analysis
CN115830016B (zh) 医学图像配准模型训练方法及设备
Vandermeulen et al. Automated facial reconstruction
CN114066953A (zh) 一种针对刚性目标的三维多模态图像可变形配准方法
CN111127488B (zh) 一种基于统计形状模型自动构建患者解剖结构模型的方法
CN115578320A (zh) 一种骨科手术机器人全自动空间注册方法及系统
Vania et al. Automatic spine segmentation using convolutional neural network via redundant generation of class labels for 3D spine modeling
CN112215878B (zh) 一种基于surf特征点的x光图像配准方法
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
CN109559296A (zh) 基于全卷积神经网络和互信息的医学图像配准方法及系统
CN117078840A (zh) 基于ct图像的髋关节三维建模的自动定量计算方法
CN112598669B (zh) 一种基于数字人技术的肺叶分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant