CN113643446A - 一种下颌神经管自动标记方法、装置和电子设备 - Google Patents

一种下颌神经管自动标记方法、装置和电子设备 Download PDF

Info

Publication number
CN113643446A
CN113643446A CN202110920756.8A CN202110920756A CN113643446A CN 113643446 A CN113643446 A CN 113643446A CN 202110920756 A CN202110920756 A CN 202110920756A CN 113643446 A CN113643446 A CN 113643446A
Authority
CN
China
Prior art keywords
data
dimensional
dimensional panorama
mandibular
panorama data
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
CN202110920756.8A
Other languages
English (en)
Other versions
CN113643446B (zh
Inventor
左飞飞
李晓芸
王亚杰
张文宇
吴宏新
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.)
BEIJING LANGSHI INSTRUMENT CO LTD
Original Assignee
BEIJING LANGSHI INSTRUMENT 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 BEIJING LANGSHI INSTRUMENT CO LTD filed Critical BEIJING LANGSHI INSTRUMENT CO LTD
Priority to CN202110920756.8A priority Critical patent/CN113643446B/zh
Publication of CN113643446A publication Critical patent/CN113643446A/zh
Application granted granted Critical
Publication of CN113643446B publication Critical patent/CN113643446B/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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Hardware Design (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

本申请的实施例公开了一种下颌神经管自动标记方法、装置和电子设备，用以实现较高精准度标记下颌神经管数据。所述方法，包括：获取牙周的曲面体的第一三维全景图数据；将所述第一三维全景图数据展开为长方体的第二三维全景图数据；使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到；将标记的下颌神经管映射到所述第一三维全景图数据上。

Description

一种下颌神经管自动标记方法、装置和电子设备
技术领域
本申请的实施例涉及图像处理技术领域，并且更具体地，涉及一种下颌神经管自动标记方法、装置和电子设备。
背景技术
下颌神经管是人体口腔中的重要解剖结构。在种植、正畸等领域，精确定位神经管对拔牙、种植手术及正畸治疗有重要意义。常见的下颌神经管定位方式是在三维全景图上逐层人工手动标记目标点，再把目标点重建成神经管三维模型。
针对上述中的相关技术，发明人认为，以上的标记方法精确度不高，且较为繁琐。
发明内容
本申请的实施例提供了一种下颌神经管自动标记方法、装置和电子设备，能够解决现有下颌神经管的标记方法精确度不高问题。
在本申请的第一方面，提供了一种下颌神经管自动标记方法，包括：
获取牙周的曲面体的第一三维全景图数据；
将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到；
将标记的下颌神经管映射到所述第一三维全景图数据上。
通过采用以上技术方案，本申请实施例提供的一种下颌神经管自动标记方法、装置和电子设备中，在展开的长方体的第二三维全景图数据中标记比在曲面体的第一三维全景图数据中标记的下颌神经管数据更为精准，能够解决现有下颌神经管的标记方法精确度不高的问题，达到提高标记下颌神经管数据精确度的效果。
在一种可能的实现方式中，所述获取牙周的曲面体的第一三维全景图数据，包括：
在所述第一三维全景图数据中的一个横截面上拟合出牙弓曲线；
以所述牙弓曲线为中心，以及根据预设的范围阈值，在所述横截面上，确定出所述牙弓曲线两侧的第一外围线和第二外围线；其中，所述横截面为上下颚方向的横截面；
基于所述第一外围线和所述第二外围线，在所述横截面的垂直方向上，确定第一纵剖面和第二纵剖面，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，得到过滤后的第一三维全景图数据。
在一种可能的实现方式中，所述将所述第一三维全景图数据展开为长方体的第二三维全景图数据，包括：
在所述第一三维全景图数据中的一个横截面的一条曲线M上，选取n个点pj，获取每个点pj的法线Lj上的数据；其中，所述曲线M与所述第一三维全景图数据中的外围线平行；
将所述n个点pj变换为点p’j，使得将所述曲线M展开为直线M′；
根据n条法线Lj，以相应的点p’j为基准，在直线M′的垂直方向上，重新构建垂线L’j；
遍历所述第一三维全景图数据中的多个横截面，将每个横截面上的每条垂线L’j组合，得到长方体的第二三维全景图数据。
在一种可能的实现方式中，所述将标记的下颌神经管映射到所述第一三维全景图数据上，包括：
基于L’j到Lj的变换关系，将标记的下颌神经管映射到所述第一三维全景图数据上。
在一种可能的实现方式中，在使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记之前，所述方法还包括：
保留所述第二三维全景图数据中下颌部分区域数据。
在一种可能的实现方式中，所述保留所述第二三维全景图数据中下颌部分区域数据，包括：
根据所述第二三维全景图数据，在竖直方向进行投影，生成最大密度投影图像；其中，所述竖直方向为上下颚方向；
获得所述最大密度投影图像的灰度直方图；
确定所述直方图中的波峰；
将所述波峰作为二值化阈值，对最大密度投影图像进行二值化处理，得到牙齿区域；
确定所述牙齿区域的最高点；
基于所述最高点对第二三维全景图数据进行横切，获得下颌部分区域数据。
在一种可能的实现方式中，所述3D神经网络模型是基于标记有半侧下颌神经管的长方体的三维全景图数据，训练得到；
所述使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管，包括：
将所述第二三维全景图数据按照中线分割为两部分，分别得到两个第二子三维全景图数据；
使用训练完成的3D神经网络模型分别对所述两个第二子三维全景图数据进行推理，得到下颌神经管。
在一种可能的实现方式中，所述3D神经网络模型是通过以下方式训练得到的：
获取牙周的曲面体的第一三维全景图数据；所述第一三维全景图数据标记有下颌神经管；
将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
用所述第二三维全景图数据对3D神经网络模型进行训练。
在本申请的第二方面，提供了一种下颌神经管自动标记装置，包括：
获取模块，用于获取牙周的曲面体的第一三维全景图数据；
展开模块，用于将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
标记模块，使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到；
映射模块，用于将标记的下颌神经管映射到所述第一三维全景图数据上。
在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本申请实施例中一种下颌神经管自动标记方法流程图；
图2示出了本申请实施例中第一三维全景图数据中一个横截面的结构示意图；
图3示出了本申请实施例中长方体的第二三维全景图数据中一个横断面的结构示意图；
图4示出了本申请实施例中长方体的第二三维全景图数据在竖直方向进行投影的最大密度投影图像；
图5示出了本申请实施例中最大密度投影图像的灰度直方图；
图6示出了本申请实施例中对最大密度投影图像进行二值化处理得到的牙齿区域的示意图；
图7示出了本申请实施例中标记的下颌神经管在原始数据中显示的示意图；
图8示出了本申请实施例中一种下颌神经管自动标记装置结构图；
图9示出了适于用来实现本申请实施例的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的一种下颌神经管自动标记方法可以应用于图像处理技术领域，例如实际精准标记下颌神经管数据中对牙周的三维全景图数据进行标记等场景。但是，在上述场景中应用最重要的，同时也是最耗时的就是如何提高在牙周的三维全景图数据中标记下颌神经管数据的精准度。因此，如何精准的标记牙周的三维全景图数据中下颌神经管数据是一个很重要的技术问题。
为解决这个技术问题，本申请的实施例提供了一种下颌神经管自动标记方法。在一些实施例中，该下颌神经管自动标记方法可以由电子设备执行。
图1示出了本申请实施例中一种下颌神经管自动标记方法流程图。参见图1，本实施例中一种下颌神经管自动标记方法包括：
步骤101：获取牙周的曲面体的第一三维全景图数据。
步骤102：将所述第一三维全景图数据展开为长方体的第二三维全景图数据。
步骤103：使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到。
步骤104：将标记的下颌神经管映射到所述第一三维全景图数据上。
本实施例中，通过在展开的长方体的第二三维全景图数据中标记下颌神经管数据，比在曲面体的第一三维全景图数据中标记下颌神经管数据更为精准，能够解决现有下颌神经管的标记方法精确度不高的问题，达到提高标记下颌神经管数据精确度的效果。
本实施例中，使用CBCT(Cone beam CT，锥形束CT)设备对需要采集牙周数据的牙周区域进行扫描，CBCT设备将扫描的牙周数据发送给计算机，计算机接收CBCT设备扫描的牙周数据，获取牙周的第一三维全景图数据。第一三维全景图数据包括了下颌神经管区域的数据，但是此时不知道下颌神经管区域的具体位置。
在一些实施例中，所述步骤101包括步骤A1-步骤A3。
步骤A1：在所述第一三维全景图数据中的一个横截面上拟合出牙弓曲线。
步骤A2：以所述牙弓曲线为中心，以及根据预设的范围阈值，在所述横截面上，确定出所述牙弓曲线两侧的第一外围线X和第二外围线Y；其中，所述横截面为上下颚方向的横截面。
步骤A3：基于所述第一外围线X和所述第二外围线Y，在所述横截面的垂直方向上，确定第一纵剖面和第二纵剖面，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，得到过滤后的第一三维全景图数据。
本实施例中，图2示出了本申请实施例中第一三维全景图数据中一个横截面的结构示意图。参见图2，横截面示出了自动拟合出的牙弓曲线，设定预设的范围阈值可以为20mm。以牙弓曲线为中心，以20mm为范围阈值向两侧描定，确定第一外围线X和第二外围线Y。删除第一外围线X和第二外围线Y以外的数据，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，相当于对第一三维全景图数据进行了过滤。
本实施例中，过滤后的第一三维全景图数据仍然是曲面体的三维全景图数据。截取第一三维全景图数据，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，可排冗余的数据，减少干扰项，使得步骤102中第一三维全景图数据展开为长方体的第二三维全景图数据的过程更为简便。
在一些实施例中，所述步骤102包括步骤B1-步骤B4。
步骤B1：在所述第一三维全景图数据中的一个横截面的一条曲线M上，选取n个点pj，获取每个点pj的法线Lj上的数据；其中，所述曲线M与所述第一三维全景图数据中的外围线平行。
步骤B2：将所述n个点pj变换为点p’j，使得将所述曲线M展开为直线M′；
步骤B3：根据n条法线Lj，以相应的点p’j为基准，在直线M′的垂直方向上，重新构建垂线L’j。
步骤B4：遍历所述第一三维全景图数据中的多个横截面，将每个横截面上的每条垂线L’j组合，得到长方体的第二三维全景图数据。
本实施例中，图2示出了本申请实施例中第一三维全景图数据中一个横截面的结构示意图；图3示出了本申请实施例中长方体的第二三维全景图数据中一个横断面的结构示意图。参见图2、图3,曲线M可以是牙弓曲线，也可以是与牙弓曲线平行的一条曲线，也可以是第一外围线X和所述第二外围线Y。曲线M上的点pj与直线M′上的点p’j一一对应，存在空间变换的对应关系。
本实施例中，采用步骤B1-步骤B4展开曲面体的第一三维全景图数据，数据对应的更为精准，展开后变为长方体的第二三维全景图数据更加便于步骤103中训练完成的3D神经网络模型进行标记。
经过步骤103，实现了在长方体的第二三维全景图数据上标记了下颌神经管。此时下颌神经管是第二三维全景图数据中的一条曲线(也可能是直线)区域。而真正的牙周模型是第一三维全景图数据，所以还需要将标记的下颌神经管映射到第一三维全景图数据中，实现在第一三维全景图数据中标记下颌神经管。
在一些实施例中，所述方法还包括：
基于L’j到Lj的变换关系，将标记的下颌神经管映射到所述第一三维全景图数据上。
本实施例中，与步骤B1-步骤B4的变化方式类似，长方体的第二三维全景图数据也可逆变换到第一三维全景图数据上，在长方体的第二三维全景图数据标记的下颌神经管数据也与第一三维全景图数据上的数据一一对应，从而将标记的下颌神经管映射到第一三维全景图数据上。
本实施例中，步骤104包括：基于L’j到Lj的变换关系，将标记的下颌神经管映射到所述第一三维全景图数据上。
本实施例中，采取以上的逆变换的方式使得标记在长方体的第二三维全景图数据上的下颌神经管数据，逆向复位构建变换到第一三维全景图数据上，更加便于与手动标记的高精度的下颌神经管数据作样本对比，同时利于3D神经网络模型的训练。
在一些实施例中，使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记之前，所述步骤102包括：
步骤C：保留所述第二三维全景图数据中下颌部分区域数据。
本实施例中，可以不对第二三维全景图数据做保留处理，也可以得到所需要的数据，但得出的数据，相比不做保留处理，数据处理的更为繁琐。在使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记之前，做数据保留处理使得使用训练完成的3D神经网络模型进行标记更为高效。
在一些实施例中，所述步骤C包括步骤D1-步骤D6。
步骤D1：根据所述第二三维全景图数据，在竖直方向进行投影，生成最大密度投影图像；其中，所述竖直方向为上下颚方向。
步骤D2：获得所述最大密度投影图像的亮度的直方图。
步骤D3：确定所述直方图中的波峰。
步骤D4：将所述波峰作为二值化阈值，对最大密度投影图像进行二值化处理，得到牙齿区域。
步骤D5：确定所述牙齿区域的最高点。
步骤D6：基于所述最高点对第二三维全景图数据进行横切，获得下颌部分区域数据。
本实施例中，图4示出了本申请实施例中长方体的第二三维全景图数据在竖直方向进行投影的最大密度投影图像。参见图4，在竖直方向对长方体的第二三维全景图数据进行投影得到最大密度投影图像可完成的看到牙齿区域的分布情况，以及下颌神经管存在的大致范围。
本实施例中，图5示出了本申请实施例中最大密度投影图像的灰度直方图。其中，最大密度投影图像为灰度图像，如果之前得到的最大密度投影图像不是灰度图像，还需要进行像素变换，以得到灰度图像。参见图5，亮度直方图的横坐标代表0-255,一共256个亮度像素值，纵坐标代表对应像素的个数。从直方图上看，数值越大，代表的亮度越高。其中0代表纯黑色的最暗区域，255代表最亮的纯白色。确定的直方图中的波峰为直方图最右边的波峰，该波峰可表示牙齿对应的像素区域，可通过该波峰的峰值将牙齿区域和牙齿区域以外的区域划分开来。图6示出了本申请实施例中对最大密度投影图像进行二值化处理得到的牙齿区域的示意图。参见图6，以示出的牙齿区域的最高点为横切的基点。
本实施例切割方式比较简单。也可以删除整个牙齿区域，去除更多的冗余数据，但是切割方式相对复杂。
本实施例中，采用步骤D1-步骤D6对第二三维全景图数据做保留处理，排除第二三维全景图数据中冗余的数据，利于步骤103中3D神经网络模型的训练。
在一些实施例中，所述步骤103包括步骤E1-步骤E2。
所述3D神经网络模型是基于标记有半侧下颌神经管的长方体的三维全景图数据，训练得到。
所述使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管，包括：
步骤E1：将所述第二三维全景图数据按照中线分割为两部分，分别得到两个第二子三维全景图数据；
步骤E2：使用训练完成的3D神经网络模型分别对所述两个第二子三维全景图数据进行推理，得到下颌神经管。
本实施例中，分别使用两个第二子三维全景图数据对3D神经网络模型进行训练，其中，两个第二子三维全景图数据需预先经过一层层手工标记下颌神经管数据。
基于分割后的两个第二子三维全景图数据的不同，使用训练完成的3D神经网络模型分别对两个不同的第二子三维全景图数据进行标记，获得两个第二子三维全景图数据的两组数据，根据这两组数据组合得到一组完整的下颌神经管数据。
本实施例中，采用步骤E1-步骤E2，将完整的下颌神经管分割为两个部分，使用训练完成的3D神经网络模型分别对两个部分进行标记，可达到提高减少计算量，提高原计算速度的效果。
本实施例中，图7示出了本申请实施例中标记的下颌神经管在原始数据中显示的示意图。参见图7，采用以上步骤E1-步骤E2对下颌神经管进行标记，标记后最后输出的一组下颌神经管数据可通过与步骤B1-步骤B4的变化方式一样，将标记后的下颌神经管数据映射到第一三维全景图数据上。
在一些实施例中，所述方法还包括：3D神经网络模型是通过步骤F1-步骤F3的方式训练获得。
步骤F1：获取牙周的曲面体的第一三维全景图数据；所述第一三维全景图数据标记有下颌神经管。
步骤F2：将所述第一三维全景图数据展开为长方体的第二三维全景图数据。
步骤F3：用所述第二三维全景图数据对3D神经网络模型进行训练。
本实施例中，采用上述步骤F1-步骤F3对3D神经网络模型进行训练，在在展开的长方体的第二三维全景图数据中标记比在曲面体的第一三维全景图数据中标记的下颌神经管数据更为精准，从而3D神经网络模型训练的更为精准。
本实施例中，在对3D神经网络模型训练过程中，3D神经网络模型对展开成长方体的三维全景图数据进行标记时，将得到的下颌神经管数据样本与直接在三维全景图数据中进行高精度手动标记的样本作对比，以评价标记下颌神经管的结果的质量。
本实施例中，对于标记过程中的评价标准主要采用戴斯相似系数(DiceSimilariy Coefficient,DSC)。Dice相似系数是一种集合相似度度量指标,通常用于计算两个样本的相似度,值的范围为0-1,分割结果最好时值为1,最差时值为0。
同时，在使用同一数据集而采用不同的训练算法的情况下，使用3D图像分割神经网络(UNet 3D)在CBCT上进行神经管标记的Dice度量，比使用同样的网络模型在三维全景数据标记神经管的Dice度量低0.1左右。
在一些实施例中，训练完成的3D神经网络模型所选用的3D神经网络可以是3D图像分割神经网络(UNet 3D)、语义分割神经网络(SegNet)或目标检测神经网络(Mask R-CNN)中的任意一种。
在本实施例中，采用训练完成的3D神经网络模型自动分割的数据变换到原始数据中后，对比使用同样的网络模型在CBCT上进行神经管分割的Dice度量，使用同样的网络模型在曲面体的三维全景数据分割神经管的Dice度量高；对比使用同样的网络模型在曲面体的三维全景数据分割神经管的Dice度量，使用展开的长方体的三维全景数据分割神经管的Dice度量高。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图，8示出了本申请实施例的一种下颌神经管自动标记装置结构图。参见图2，该一种下颌神经管自动标记装置800包括获取模块801、展开模块802、标记模块803和映射模块804。
获取模块801，用于获取牙周的曲面体的第一三维全景图数据。
展开模块802，用于将所述第一三维全景图数据展开为长方体的第二三维全景图数据。
标记模块803，使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到。
映射模块804，用于将标记的下颌神经管映射到所述第一三维全景图数据上。
在一些实施例中，获取模块801包括拟合子模块、确定子模块和保留子模块。
拟合子模块：用于在所述第一三维全景图数据中的一个横截面上拟合出牙弓曲线；
确定子模块：用于以所述牙弓曲线为中心，以及根据预设的范围阈值，在所述横截面上，确定出所述牙弓曲线两侧的第一外围线和第二外围线；其中，所述横截面为上下颚方向的横截面；
过滤子模块：用于基于所述第一外围线和所述第二外围线，在所述横截面的垂直方向上，确定第一纵剖面和第二纵剖面，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，得到过滤后的第一三维全景图数据。
在一些实施例中，展开模块802包括选取子模块、变换子模块、构建子模块和遍历子模块。
选取子模块，用于在所述第一三维全景图数据中的一个横截面的一条曲线M上，选取n个点pj，获取每个点pj的法线Lj上的数据；其中，所述曲线M与所述第一三维全景图数据中的外围线平行。
变换子模块，用于将所述n个点pj变换为点p’j，使得将所述曲线M展开为直线M′。
构建子模块，用于根据n条法线Lj，以相应的点p’j为基准，在直线M′的垂直方向上，重新构建垂线L’j。
遍历子模块，用于遍历所述第一三维全景图数据中的多个横截面，将每个横截面上的每条垂线L’j组合，得到长方体的第二三维全景图数据。
在一些实施例中，标记模块803包括保留子模块、标记子模块和训练子模块。
保留子模块包括投影单元、获得单元、第一确定单元、处理单元、第二确定单元和横切单元。
投影单元，用于根据所述第二三维全景图数据，在竖直方向进行投影，生成最大密度投影图像；其中，所述竖直方向为上下颚方向。
获得单元，用于获得所述最大密度投影图像的亮度的直方图。
第一确定单元，用于确定所述直方图中的波峰。
处理单元，用于将所述波峰作为二值化阈值，对最大密度投影图像进行二值化处理，得到牙齿区域。
第二确定单元，用于确定所述牙齿区域的最高点。
横切单元，用于基于所述最高点对第二三维全景图数据进行横切，获得下颌部分区域数据。
标记子模块包括分割单元和标记单元。
分割单元，用于将所述第二三维全景图数据按照中线分割为两部分，得到两个第二子三维全景图数据。
标记单元，用于使用训练完成的3D神经网络模型对所述两个第二子三维全景图数据中至少一个进行标记，得到下颌神经管。
训练子模块包括获取单元、展开单元和训练单元。
获取单元，用于获取牙周的曲面体的第一三维全景图数据；所述第一三维全景图数据标记有下颌神经管。
展开单元，用于将所述第一三维全景图数据展开为长方体的第二三维全景图数据。
训练单元，用于用所述第二三维全景图数据对3D神经网络模型进行训练。
在一些实施例中，映射模块804包括映射子模块。
映射子模块，用于基于L’j到Lj的变换关系，将标记的下颌神经管映射到所述第一三维全景图数据上。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图9示出了适于用来实现本申请实施例的电子设备的9结构示意图。如图9所示，图9所示的电子设备900包括：处理器901和存储器903。其中，处理器901和存储器903相连。可选地，电子设备900还可以包括收发器904。需要说明的是，实际应用中收发器904不限于一个，该电子设备900的结构并不构成对本申请实施例的限定。
处理器901可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器901也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线902可包括一通路，在上述组件之间传送信息。总线902可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线902可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器903可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memor y，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Mem ory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器903用于存储执行本申请方案的应用程序代码，并由处理器901来控制执行。处理器901用于执行存储器903中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与现有技术相比，本申请实施例中，在展开的长方体的第二三维全景图数据中标记比在曲面体的第一三维全景图数据中标记的下颌神经管数据更为精准，能够解决现有下颌神经管的标记方法精确度不高的问题，达到提高标记下颌神经管数据精确度的效果。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种下颌神经管自动标记方法，其特征在于，包括：
获取牙周的曲面体的第一三维全景图数据；
将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到；
将标记的下颌神经管映射到所述第一三维全景图数据上。
2.根据权利要求1所述的一种下颌神经管自动标记方法，其特征在于，所述获取牙周的曲面体的第一三维全景图数据，包括：
在所述第一三维全景图数据中的一个横截面上拟合出牙弓曲线；
以所述牙弓曲线为中心，以及根据预设的范围阈值，在所述横截面上，确定出所述牙弓曲线两侧的第一外围线和第二外围线；其中，所述横截面为上下颚方向的横截面；
基于所述第一外围线和所述第二外围线，在所述横截面的垂直方向上，确定第一纵剖面和第二纵剖面，保留所述第一纵剖面和所述第二纵剖面之间的三维全景图数据，得到过滤后的第一三维全景图数据。
3.根据权利要求1或2所述的一种下颌神经管自动标记方法，其特征在于，所述将所述第一三维全景图数据展开为长方体的第二三维全景图数据，包括：
在所述第一三维全景图数据中的一个横截面的一条曲线M上，选取n个点pj，获取每个点pj的法线Lj上的数据；其中，所述曲线M与所述第一三维全景图数据中的外围线平行；
将所述n个点pj变换为点p’j，使得将所述曲线M展开为直线M′；
根据n条法线Lj，以相应的点p’j为基准，在直线M′的垂直方向上，重新构建垂线L’j；
遍历所述第一三维全景图数据中的多个横截面，将每个横截面上的每条垂线L’j组合，得到长方体的第二三维全景图数据。
4.根据权利要求3所述的一种下颌神经管自动标记方法，其特征在于，所述将标记的下颌神经管映射到所述第一三维全景图数据上，包括：
基于L’j到Lj的变换关系，将标记的下颌神经管映射到所述第一三维全景图数据上。
5.根据权利要求1所述的一种下颌神经管自动标记方法，其特征在于，在使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记之前，所述方法还包括：
保留所述第二三维全景图数据中下颌部分区域数据。
6.根据权利要求5所述的一种下颌神经管自动标记方法，其特征在于，所述保留所述第二三维全景图数据中下颌部分区域数据，包括：
根据所述第二三维全景图数据，在竖直方向进行投影，生成最大密度投影图像；其中，所述竖直方向为上下颚方向；
获得所述最大密度投影图像的灰度直方图；
确定所述直方图中的波峰；
将所述波峰作为二值化阈值，对最大密度投影图像进行二值化处理，得到牙齿区域；
确定所述牙齿区域的最高点；
基于所述最高点对第二三维全景图数据进行横切，获得下颌部分区域数据。
7.根据权利要求1所述的一种下颌神经管自动标记方法，其特征在于，所述3D神经网络模型是基于标记有半侧下颌神经管的长方体的三维全景图数据，训练得到；
所述使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管，包括：
将所述第二三维全景图数据按照中线分割为两部分，分别得到两个第二子三维全景图数据；
使用训练完成的3D神经网络模型分别对所述两个第二子三维全景图数据进行推理，得到下颌神经管。
8.根据权利要求1所述的一种下颌神经管自动标记方法，其特征在于，所述3D神经网络模型是通过以下方式训练得到的：
获取牙周的曲面体的第一三维全景图数据；所述第一三维全景图数据标记有下颌神经管；
将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
用所述第二三维全景图数据对3D神经网络模型进行训练。
9.一种下颌神经管自动标记装置，其特征在于，包括：
获取模块，用于获取牙周的曲面体的第一三维全景图数据；
展开模块，用于将所述第一三维全景图数据展开为长方体的第二三维全景图数据；
标记模块，使用训练完成的3D神经网络模型对所述第二三维全景图数据进行标记，得到下颌神经管；其中，所述3D神经网络模型是基于标记有下颌神经管的长方体的三维全景图数据，训练得到；
映射模块，用于将标记的下颌神经管映射到所述第一三维全景图数据上。
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
CN202110920756.8A 2021-08-11 2021-08-11 一种下颌神经管自动标记方法、装置和电子设备 Active CN113643446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110920756.8A CN113643446B (zh) 2021-08-11 2021-08-11 一种下颌神经管自动标记方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110920756.8A CN113643446B (zh) 2021-08-11 2021-08-11 一种下颌神经管自动标记方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113643446A true CN113643446A (zh) 2021-11-12
CN113643446B CN113643446B (zh) 2022-03-29

Family

ID=78420852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110920756.8A Active CN113643446B (zh) 2021-08-11 2021-08-11 一种下颌神经管自动标记方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113643446B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677374A (zh) * 2022-05-27 2022-06-28 杭州键嘉机器人有限公司 一种下颌神经管中心线提取与半径计算的方法
CN114897786A (zh) * 2022-04-13 2022-08-12 四川锋准机器人科技有限公司 一种下颌骨神经管自动提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120064484A1 (en) * 2010-09-14 2012-03-15 Ali Hassani Inferior alveolar nerve (ian) protector instrument
CN108470375A (zh) * 2018-04-26 2018-08-31 重庆市劢齐医疗科技有限责任公司 基于深度学习的神经导管自动检测算法
CN110610198A (zh) * 2019-08-22 2019-12-24 浙江工业大学 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法
CN112842379A (zh) * 2020-12-31 2021-05-28 北京朗视仪器股份有限公司 一种口腔骨密度测量方法及其设备
CN113223010A (zh) * 2021-04-22 2021-08-06 北京大学口腔医学院 口腔图像多组织全自动分割的方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120064484A1 (en) * 2010-09-14 2012-03-15 Ali Hassani Inferior alveolar nerve (ian) protector instrument
CN108470375A (zh) * 2018-04-26 2018-08-31 重庆市劢齐医疗科技有限责任公司 基于深度学习的神经导管自动检测算法
CN110610198A (zh) * 2019-08-22 2019-12-24 浙江工业大学 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法
CN112842379A (zh) * 2020-12-31 2021-05-28 北京朗视仪器股份有限公司 一种口腔骨密度测量方法及其设备
CN113223010A (zh) * 2021-04-22 2021-08-06 北京大学口腔医学院 口腔图像多组织全自动分割的方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GYEHYUN KIM: "Automatic Extraction of Inferior Alveolar Nerve Canal Using Feature-Enhancing Panoramic Volume Rendering", 《 IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
付玲: "基于CT影像的管状组织分割与中心线提取研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *
贠照强: "口腔种植规划中CBCT影像处理与智能分析方法研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897786A (zh) * 2022-04-13 2022-08-12 四川锋准机器人科技有限公司 一种下颌骨神经管自动提取方法
CN114897786B (zh) * 2022-04-13 2024-04-16 四川锋准机器人科技有限公司 一种下颌骨神经管自动提取方法
CN114677374A (zh) * 2022-05-27 2022-06-28 杭州键嘉机器人有限公司 一种下颌神经管中心线提取与半径计算的方法

Also Published As

Publication number Publication date
CN113643446B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN113643446B (zh) 一种下颌神经管自动标记方法、装置和电子设备
CN102833460B (zh) 图像处理方法、图像处理设备及扫描仪
CN115187540B (zh) 一种人体三维椎体松质骨图像的自动分割方法及系统
CN111595850B (zh) 切片缺陷检测方法、电子装置及可读存储介质
CN111833237B (zh) 基于卷积神经网络和局部单应性变换的图像配准方法
US20160180501A1 (en) Efficient lens re-distortion
CN109285142B (zh) 一种头颈部肿瘤检测方法、装置及计算机可读存储介质
CN111932518A (zh) 一种深度学习的全景牙片病灶检测及分割方法及装置
CN111932673A (zh) 一种基于三维重建的物体空间数据增广方法及系统
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN108108293A (zh) 一种测试拖尾时间的方法和系统
CN114723636A (zh) 基于多特征融合的模型生成方法、装置、设备及存储介质
CN114155285B (zh) 基于灰度直方图的图像配准方法
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN115953359A (zh) 一种数字化口腔模型标志点识别方法、装置及电子设备
CN113793316B (zh) 一种超声扫查区域提取方法、装置、设备和存储介质
CN112634439B (zh) 一种3d信息展示方法及装置
CN115019297A (zh) 一种基于颜色增广的实时车牌检测识别方法和装置
CN116524552A (zh) 一种图像生成方法、终端及存储介质
CN112652056A (zh) 一种3d信息展示方法及装置
JP2000011146A (ja) 画像処理装置、ｃｔスキャナ及びフラクタル次元測定方法
CN111325106A (zh) 生成训练数据的方法及装置
CN112102205A (zh) 图像去模糊方法、装置、电子设备及存储介质
CN109410224B (zh) 一种图像分割方法、系统、装置及存储介质
CN112907708B (zh) 人脸卡通化方法、设备及计算机存储介质

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
GR01 Patent grant
GR01 Patent grant