CN113298828A - 一种基于卷积神经网络的颌骨自动分割方法 - Google Patents
一种基于卷积神经网络的颌骨自动分割方法 Download PDFInfo
- Publication number
- CN113298828A CN113298828A CN202110655119.2A CN202110655119A CN113298828A CN 113298828 A CN113298828 A CN 113298828A CN 202110655119 A CN202110655119 A CN 202110655119A CN 113298828 A CN113298828 A CN 113298828A
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- network model
- data set
- sampling
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 32
- 210000001847 jaw Anatomy 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 210000002050 maxilla Anatomy 0.000 claims abstract description 14
- 210000004373 mandible Anatomy 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 68
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000004513 dentition Anatomy 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06T2207/20—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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于卷积神经网络的颌骨自动分割方法，包括步骤：S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；S2：对上下颌骨影像数据集的影像数据进行预处理；S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；S4：利用所述测试数据集对分割网络模型进行测试；以及，S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。
Description
技术领域
本发明涉及图像分割技术领域，特别涉及一种应用于口腔颌面部数字化手术规划的基于卷积神经网络的颌骨自动分割方法。
背景技术
现有的颌骨分割方法是运用手术规划软件(Mimics/Proplan)将上、下颌骨的Dicom数据导入，通过去除上下颌骨的连接点(髁突及牙列)实现颌骨分割。该方法分割上下颌骨的误差较大，分割耗时约0.5～1小时。特别是针对于上下牙闭合的情况，现有的利用阈值分割、区域生长、水平集等的分割方法需要通过手动擦除去除上下颌骨连接部分，才能实现对颌骨的分割，存在着分割时间长，不能实现自动分割的缺点。
综上所述，有必要提供一种新的颌骨自动分割方法，从而替代现有的手术规划软件方法，以克服上述缺陷。
发明内容
本发明的目的在于提供一种基于卷积神经网络的颌骨自动分割方法，可实现上、下颌骨影像的全自动分割，可以简化颌骨分割过程，实现迅速的颌骨分割。
为了达到上述目的，根据本发明的一方面，提供一种基于卷积神经网络的颌骨自动分割方法，包括步骤：
S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；
S2：对上下颌骨影像数据集的影像数据进行预处理；
S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；
S4：利用所述测试数据集对分割网络模型进行测试；以及，
S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。
在一些实施例中，所述待分割上下颌骨影像数据及包含于上下颌骨影像数据集的上下颌骨影像数为CT数据。
在一些实施例中，在步骤S2中，对影像数据进行预处理包括：对影像数据归一化处理和增强处理，以输出尺寸为512×512×250的影像数据，作为步骤S3中搭建卷积神经网络模型的输入对象。
在一些实施例中，在步骤S3中，搭建卷积神经网络模型包括M层下采样网络层和M-1层上采样网络层，M为大于或等于2的整数。
在一些实施例中，第N层下采样网络层包括两层叠加的第一卷积层、最大池化层和第二卷积层；其中，N为大于或等于1的整数；第N层下采样网络层的输入对象通过所述两层叠加的第一卷积层输出第一特征图；基于所述第一特征图，通过所述最大池化层与所述第二卷积层特征融合，输出该第N层下采样网络层的特征压缩图以作为第N+1层下采样网络层的输入对象；并且，所述两层叠加的第一卷积层的输入端与输出端通过第一残差连接层连接，以使得该第N层下采样网络层的输入对象传输至每一第一卷积层。
在一些实施例中，所述第一卷积层的卷积核为3×3，所述第二卷积层的卷积核为2×2，所述最大池化层的大小为2×2。
在一些实施例中，第N层下采样网络层的第一特征图通过第二残差连接层传输至第M-N层上采样网络层的输入端，以与第M-N-1层上采样网络层的特征还原图进行特征融合作为第M-N层上采样网络层的输入对象。
在一些实施例中，第N层下采样网络层的特征压缩图与第M-N层上采样网络层的特征还原图的分辨率相同。
在一些实施例中，第M-N层上采样网络层包括反卷积层和两层叠加的膨胀卷积层；其中，第M-N层上采样网络层的输入对象通过所述两层叠加的膨胀卷积层输出第二特征图；基于所述第二特征图，通过所述反卷积层输出大小为所述第二特征图两倍的反卷积特征图作为该第M-N层上采样网络层的特征还原图；该第M-N层上采样网络层的特征还原图与通过第二残差连接层传输的第N-1层下采样网络层的第一特征图进行特征融合，作为第M-N+1层上采样网络层的输入对象；并且，所述两层叠加的膨胀卷积层的输入端与输出端通过第三残差连接层连接，以使得该第M-N层上采样网络层的输入对象传输至每一膨胀卷积层。
在一些实施例中，所述膨胀卷积层的卷积核为3×3，所述反卷积层的大小为2×2。
在一些实施例中，所述M-1层上采样网络层各层之间的传播采用基于Dice的损失函数进行误差调节。
在一些实施例中，所述M层下采样网络层各层及所述M-1层上采样网络层各层之后均增加一BN层。
在一些实施例中，在步骤S3中，搭建的卷积神经网络模型为二维网络模型或三维网络模型。
在一些实施例中，在步骤S3中，当搭建的卷积神经网络模型为二维网络模型时，网络训练的输入数据格式为512×512的图片；当搭建的卷积神经网络模型为三维网络模型时，网络训练的输入数据格式为512×512×16的块。
在一些实施例中，在步骤S3中，网络训练的损失参数为0.001，训练次数大于或等于5万次。
在一些实施例中，在步骤S4中，将测试数据集输入分割网络模型中，以自动分割输入数据获得自动分割结果；将自动分割结果与金标准进行对比，采用Dice和Iou的精度测量方法测量精度，当总精度大于或等于95％时，判断分割网络模型符合金标准，否则调整所述训练数据集并重复步骤S3的网络训练。
与现有技术相比，本发明的积极效果至少在于：
1)本发明所述方法可以实现快速精确地上下颌骨自动分割，经实验表明，利用本发明所述方法的最短分割时间小于1分钟，分割精度大于95％。
2)本发明所述方法只需要将CT数据输入获得的分割网络中就可以实现对上下颌的自动分割，不需要有经验的医生来手动调整，大大提高了分割的效率。
3)本发明所述方法可靠性好，对牙齿不闭合和牙齿闭合的分割均不会失效，均能对上下颌骨实现快速精确的分割。
4)本发明所述方法的鲁棒性好，可以适合对不同机器拍摄出来的CT数据进行上下颌骨的自动分割，且操作简单，易于推广。
附图说明
图1是本发明一实施例公开的基于卷积神经网络的颌骨自动分割方法的流程图；
图2是本发明一实施例在步骤S3中搭建的搭建卷积神经网络模型结构图；
图3A至图5B是利用本发明所述颌骨自动分割方法的分割效果图。
具体实施方式
现在将参照附图来详细描述本发明的示例性实施例。在这里给出和讨论的所有例子是本发明的部分实施例，而非全部的实施例。对其的描述实际上仅仅是说明性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，在本实施例中，提供一种基于卷积神经网络的颌骨自动分割方法，包括步骤：
S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；
S2：对上下颌骨影像数据集的影像数据进行预处理；
S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；
S4：利用所述测试数据集对分割网络模型进行测试；以及，
S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。
在步骤S1和步骤S5中，所述待分割上下颌骨影像数据及包含于上下颌骨影像数据集的上下颌骨影像数为CT数据。
具体地，在步骤S1中，首先收集CT影像数据集以建立上下颌骨影像数据库，随机将2/3的数据集作为训练数据集，另外1/3数据集作为测试数据集。
在步骤S2中，对影像数据进行预处理：对所有影像数据归一化处理和增强处理，将所有CT数据集的窗宽、窗位调整到图像质量最佳范围，并将所有数据重采样成512×512×250，作为步骤S3中搭建卷积神经网络模型的输入对象。
在步骤S3中，搭建卷积神经网络模型包括M层下采样网络层和M-1层上采样网络层，M为大于或等于2的整数。
以下结合图2详细描述在步骤S3中搭建的卷积神经网络模型的具体结构。
如图2所示，在本实施例中，在步骤S3中搭建的卷积神经网络模型包括6层下采样网络层10(如图2中左侧网络层所示)和5层上采样网络层20(图2中右侧网络层所示)。
以下以第一层下采样网络层和第一层上采样网络层作为范例进行详细描述。
如图2所示，每一层下采样网络层包括两层叠加的第一卷积层11、最大池化层12和第二卷积层13。所述第一卷积层11的卷积核为3×3，所述第二卷积层13的卷积核为2×2，所述最大池化层12的大小为2×2。
作为示范例，第一层下采样网络层的输入对象为经步骤S2重采样为512×512×250的数据。如图2所示，通过所述两层叠加的第一卷积层11输出第一特征图，并基于该第一特征图，通过所述最大池化层12与所述第二卷积层13特征融合，以输出第一层下采样网络层的特征压缩图以作为下一层(即第二层)下采样网络层的输入对象。所述两层叠加的第一卷积层11的输入端与输出端通过第一残差连接层连接，以使得每一层下采样网络层的输入对象传输至每一第一卷积层11。由此，本发明所搭建的卷积神经网络模型可以扩大感受野，实现更广的特征搜索。同时，采用2×2最大池化采用和2×2卷积相结合的下采样方式，通过两者处理可以使数据缩小一倍，并再通过特征融合的方式将两者的特征融合，再输入下一层网络。
如图2所示，每一层上采样网络层包括反卷积层21和两层叠加的膨胀卷积层22。所述膨胀卷积层的卷积核为3×3，所述反卷积层的大小为2×2。
作为示范例，第一层上采样网络层的输入对象通过所述两层叠加的膨胀卷积层21输出第二特征图；基于所述第二特征图，通过所述反卷积层21输出大小为所述第二特征图两倍的反卷积特征图作为该层上采样网络层的特征还原图，并与通过第二残差连接层传输的对应下采样网络层的第一特征图进行特征融合，以作为下一层上采样网络层的输入对象。所述两层叠加的膨胀卷积层22的输入端与输出端通过第三残差连接层连接，以使得每一层上采样网络层的输入对象传输至每一膨胀卷积层。即，在上采样过程中，每一层上采样网络层通过2×2的反卷积层21实现对特征图的还原，数据比原来扩增一倍。作为一个实施例，在上采样过程中，各层上采样网络层各层之间的传播采用基于Dice的损失函数进行误差调节。损失函数公式为：
如图2所示，在本实施例搭建的卷积神经网络模型中，6层下采样网络层10与5层上采样网络层20是对称设置的，其中第N层下采样网络层的第一特征图通过第二残差连接层传输至第M-N层上采样网络层的输入端，以与第M-N-1层上采样网络层的特征还原图进行特征融合作为第M-N层上采样网络层的输入对象。即，例如图2所示，第2层下采样网络层的第一卷积层112输出的第一特征图通过第二残差连接层传输至第4层上采样网络层的输入端，以与第3层上采样网络层通过膨胀卷积层213及膨胀卷积层223处理后输出的第3层上采样网络层特征还原图进行特征融合，作为第4层上采样网络层的输入对象。
由此，在本实施例搭建的卷积神经网络模型的下采样过程和上采用过程中，实现了输入数据的分辨率由压缩到扩增的变化，表现过程为：512×512，256×256，128×128，64×64，32×32，16×16，32×32，64×64，128×128，256×256，512×512，最终实现输出的分割图像与输入图像分辨率一致。即，第N层下采样网络层的特征压缩图与第M-N层上采样网络层的特征还原图的分辨率相同。
此外，在本实施例搭建的卷积神经网络模型中，通过第一残差连接层和第三残差连接层，实现将输入对象的信息跳跃叠加到第二个第一卷积层(第二个膨胀卷积层)结果中，防止信息的丢失，改善网络的特征搜索，加速网络收敛。同时，在本实施例搭建的卷积神经网络模型中，通过第二残差连接层，将下采样网络层的第一卷积层输出第一特征图融合叠加到了对称的上采样网络层的特征还原图中，实现浅层特征与深层特征的融合，减少了信息的丢失。在每个卷积中，激活函数都采用了Rule函数。同时，下采样网络层各层及上采样网络层各层之后均增加一BN层来避免网络陷入局部最优，加速网络的收敛。
在本实施例搭建的卷积神经网络模型是在tensorflow的深度学习框架下搭建的，计算机采用了NVidia GTX1080T显卡，Ubuntu 18.04操作系统配置。
搭建的卷积神经网络模型为二维网络模型或三维网络模型。在步骤S3中，在搭建好卷积神经网络模型后，利用所述训练数据集对搭建的卷积神经网络模型进行网络训练。当搭建的卷积神经网络模型为二维网络模型时，网络训练的输入数据格式为512×512的图片；当搭建的卷积神经网络模型为三维网络模型时，网络训练的输入数据格式为512×512×16的块。网络训练的损失参数为0.001，训练次数大于或等于5万次，最终获得分割网络模型。
在步骤S4中，将测试数据集输入分割网络模型中，以自动分割输入数据获得自动分割结果；将自动分割结果与金标准进行对比，采用Dice和Iou的精度测量方法测量精度，当总精度大于或等于95％时，判断分割网络模型符合金标准，否则调整所述训练数据集并重复步骤S3的网络训练。
在步骤S4中，由有经验的医生对步骤S1建立上下颌骨影像数据集的数据进行精确的手动标注，标注结果作为分割的金标准。
最后，在步骤S5中，选取任意待分割的CT数据，并将数据重采样成512×512×250，然后输入分割网络模型中，利用训练好的分割网络模型即可实现对上下颌骨的自动分割。
为了验证本发明所述基于卷积神经网络的颌骨自动分割方法的分割效果，申请人以图3A所示的上颌骨影像数据(CT数据)和图3B所示的下颌骨影像数据(CT数据)作为输入图片，获得了如图4A所示的上颌骨分割结果及分割轮廓，和图4B所示的下颌骨分割结果及分割轮廓。图5A和图5B则是由有经验的医生分别图3A和图3B所示的上下颌骨影像数据(CT数据)进行精确的手动标注，而获得的图5A所示的上颌骨分割金标准及图5B所示的下颌骨分割金标准。由图5A与图4A之间的对比，以及图5B与图4B之间的对比可见，本发明所述基于卷积神经网络的颌骨自动分割方法可以实现快速精确地上下颌骨自动分割。
Claims (15)
1.一种基于卷积神经网络的颌骨自动分割方法，其特征在于，所述颌骨自动分割方法包括步骤：
S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；
S2：对上下颌骨影像数据集的影像数据进行预处理；
S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；
S4：利用所述测试数据集对分割网络模型进行测试；以及，
S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。
2.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S2中，对影像数据进行预处理包括：对影像数据归一化处理和增强处理，以输出尺寸为512×512×250的影像数据，作为步骤S3中搭建卷积神经网络模型的输入对象。
3.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，搭建卷积神经网络模型包括M层下采样网络层和M-1层上采样网络层，M为大于或等于2的整数。
4.如权利要求3所述的颌骨自动分割方法，其特征在于，第N层下采样网络层包括两层叠加的第一卷积层、最大池化层和第二卷积层；其中，N为大于或等于1的整数；
第N层下采样网络层的输入对象通过所述两层叠加的第一卷积层输出第一特征图；基于所述第一特征图，通过所述最大池化层与所述第二卷积层特征融合，输出该第N层下采样网络层的特征压缩图以作为第N+1层下采样网络层的输入对象；并且，所述两层叠加的第一卷积层的输入端与输出端通过第一残差连接层连接，以使得该第N层下采样网络层的输入对象传输至每一第一卷积层。
5.如权利要求4所述的颌骨自动分割方法，其特征在于，所述第一卷积层的卷积核为3×3，所述第二卷积层的卷积核为2×2，所述最大池化层的大小为2×2。
6.如权利要求4所述的颌骨自动分割方法，其特征在于，第N层下采样网络层的第一特征图通过第二残差连接层传输至第M-N层上采样网络层的输入端，以与第M-N-1层上采样网络层的特征还原图进行特征融合作为第M-N层上采样网络层的输入对象。
7.如权利要求6所述的颌骨自动分割方法，其特征在于，第N层下采样网络层的特征压缩图与第M-N层上采样网络层的特征还原图的分辨率相同。
8.如权利要求6所述的颌骨自动分割方法，其特征在于，第M-N层上采样网络层包括反卷积层和两层叠加的膨胀卷积层；其中，
第M-N层上采样网络层的输入对象通过所述两层叠加的膨胀卷积层输出第二特征图；基于所述第二特征图，通过所述反卷积层输出大小为所述第二特征图两倍的反卷积特征图作为该第M-N层上采样网络层的特征还原图；
该第M-N层上采样网络层的特征还原图与通过第二残差连接层传输的第N-1层下采样网络层的第一特征图进行特征融合，作为第M-N+1层上采样网络层的输入对象；并且，所述两层叠加的膨胀卷积层的输入端与输出端通过第三残差连接层连接，以使得该第M-N层上采样网络层的输入对象传输至每一膨胀卷积层。
9.如权利要求8所述的颌骨自动分割方法，其特征在于，所述膨胀卷积层的卷积核为3×3，所述反卷积层的大小为2×2。
10.如权利要求8所述的颌骨自动分割方法，其特征在于，所述M-1层上采样网络层各层之间的传播采用基于Dice的损失函数进行误差调节。
11.如权利要求8所述的颌骨自动分割方法，其特征在于，所述M层下采样网络层各层及所述M-1层上采样网络层各层之后均增加一BN层。
12.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，搭建的卷积神经网络模型为二维网络模型或三维网络模型。
13.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，当搭建的卷积神经网络模型为二维网络模型时，网络训练的输入数据格式为512×512的图片；当搭建的卷积神经网络模型为三维网络模型时，网络训练的输入数据格式为512×512×16的块。
14.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S3中，网络训练的损失参数为0.001，训练次数大于或等于5万次。
15.如权利要求1所述的颌骨自动分割方法，其特征在于，在步骤S4中，将测试数据集输入分割网络模型中，以自动分割输入数据获得自动分割结果；将自动分割结果与金标准进行对比，采用Dice和Iou的精度测量方法测量精度，当总精度大于或等于95％时，判断分割网络模型符合金标准，否则调整所述训练数据集并重复步骤S3的网络训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110655119.2A CN113298828B (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积神经网络的颌骨自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110655119.2A CN113298828B (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积神经网络的颌骨自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298828A true CN113298828A (zh) | 2021-08-24 |
| CN113298828B CN113298828B (zh) | 2023-09-22 |
Family
ID=77328377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110655119.2A Active CN113298828B (zh) | 2021-06-11 | 2021-06-11 | 一种基于卷积神经网络的颌骨自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298828B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113781636A (zh) * | 2021-09-14 | 2021-12-10 | 杭州柳叶刀机器人有限公司 | 盆骨建模方法与系统、存储介质、计算机程序产品 |
| CN116883428A (zh) * | 2023-07-07 | 2023-10-13 | 东北大学 | 一种下颌骨螺旋ct影像分区分割方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
| CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
| CN111967540A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 |
| 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 |
| CN112288749A (zh) * | 2020-10-20 | 2021-01-29 | 贵州大学 | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 |
| CN112419338A (zh) * | 2020-12-08 | 2021-02-26 | 深圳大学 | 一种基于解剖先验知识的头颈部危及器官的分割方法 |
| CN112561864A (zh) * | 2020-12-04 | 2021-03-26 | 深圳格瑞健康管理有限公司 | 龋齿图像分类模型的训练方法、系统和存储介质 |
-
2021
- 2021-06-11 CN CN202110655119.2A patent/CN113298828B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
| CN110570431A (zh) * | 2019-09-18 | 2019-12-13 | 东北大学 | 一种基于改进的卷积神经网络的医学图像分割方法 |
| 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 |
| CN111967540A (zh) * | 2020-09-29 | 2020-11-20 | 北京大学口腔医学院 | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 |
| CN112288749A (zh) * | 2020-10-20 | 2021-01-29 | 贵州大学 | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 |
| CN112561864A (zh) * | 2020-12-04 | 2021-03-26 | 深圳格瑞健康管理有限公司 | 龋齿图像分类模型的训练方法、系统和存储介质 |
| CN112419338A (zh) * | 2020-12-08 | 2021-02-26 | 深圳大学 | 一种基于解剖先验知识的头颈部危及器官的分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIANGCHANG XU ET AL.: "Automatic CT image segmentation of maxillary sinus based on VGG network and improved V-Net", 《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》 * |
| JIANGCHANG XU ET AL.: "Automatic CT image segmentation of maxillary sinus based on VGG network and improved V-Net", 《INTERNATIONAL JOURNAL OF COMPUTER ASSISTED RADIOLOGY AND SURGERY》, 16 July 2020 (2020-07-16), pages 1457 - 1465, XP037216861, DOI: 10.1007/s11548-020-02228-6 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113781636A (zh) * | 2021-09-14 | 2021-12-10 | 杭州柳叶刀机器人有限公司 | 盆骨建模方法与系统、存储介质、计算机程序产品 |
| CN113781636B (zh) * | 2021-09-14 | 2023-06-20 | 杭州柳叶刀机器人有限公司 | 盆骨建模方法与系统、存储介质、计算机程序产品 |
| CN116883428A (zh) * | 2023-07-07 | 2023-10-13 | 东北大学 | 一种下颌骨螺旋ct影像分区分割方法 |
| CN116883428B (zh) * | 2023-07-07 | 2024-05-31 | 东北大学 | 一种下颌骨螺旋ct影像分区分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298828B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7458711B2 (ja) | ディープラーニングを用いた歯科用ｃａｄの自動化 | |
| US11291532B2 (en) | Dental CAD automation using deep learning | |
| US11232573B2 (en) | Artificially intelligent systems to manage virtual dental models using dental images | |
| CN113298828A (zh) | 一种基于卷积神经网络的颌骨自动分割方法 | |
| CN110473243B (zh) | 基于深度轮廓感知的牙齿分割方法、装置及计算机设备 | |
| CN113628223B (zh) | 基于深度学习的牙科cbct三维牙齿分割方法 | |
| JP2021535493A (ja) | 深層学習を使用した自動化矯正治療計画 | |
| CN113744275B (zh) | 一种基于特征变换的三维cbct牙齿图像的分割方法 | |
| Reesu et al. | Automated Identification from Dental Data (AutoIDD): A new development in digital forensics | |
| CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
| CN114926470A (zh) | 一种基于深度学习的阻生齿医学图像分割系统和方法 | |
| CN113221945A (zh) | 基于口腔全景片和双重注意力模块的龋齿识别方法 | |
| CN115578406B (zh) | 基于上下文融合机制的cbct颌骨区域分割方法及系统 | |
| CN114119547A (zh) | 一种三维肝胆管图像分割算法及系统 | |
| US20240169532A1 (en) | Misalignment Classification, Detection of Teeth Occlusions and Gaps, and Generating Final State Teeth Aligner Structure File | |
| TW202409874A (zh) | 牙齒復原自動化技術 | |
| CN116630621A (zh) | 一种融合多尺度特征的图像分割方法 | |
| US20240070980A1 (en) | Automated method for generating prothesis from three dimensional scan data and computer readable medium having program for performing the method | |
| Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
| Broll et al. | Generative deep learning approaches for the design of dental restorations: A narrative review | |
| CN113554607A (zh) | 一种牙体检测模型、生成方法及牙体分割方法 | |
| CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
| CN115760674A (zh) | 产生表示目标牙齿布局的数字数据集的方法 | |
| CN117999615A (zh) | 牙科修复工作流程中的自动牙齿管理 | |
| KR102610716B1 (ko) | 3차원 스캔 데이터로부터 보철물을 자동으로 생성하는 방법 및 이를 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체 |
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 |