CN113869443A - 基于深度学习的颌骨密度分类方法、系统及介质 - Google Patents

基于深度学习的颌骨密度分类方法、系统及介质 Download PDF

Info

Publication number
CN113869443A
CN113869443A CN202111175568.3A CN202111175568A CN113869443A CN 113869443 A CN113869443 A CN 113869443A CN 202111175568 A CN202111175568 A CN 202111175568A CN 113869443 A CN113869443 A CN 113869443A
Authority
CN
China
Prior art keywords
bone density
jaw bone
jaw
value
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111175568.3A
Other languages
English (en)
Inventor
梁琦晖
王欢
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.)
Newland Digital Technology Co ltd
Original Assignee
Newland Digital 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 Newland Digital Technology Co ltd filed Critical Newland Digital Technology Co ltd
Priority to CN202111175568.3A priority Critical patent/CN113869443A/zh
Publication of CN113869443A publication Critical patent/CN113869443A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于深度学习的颌骨密度分类方法，包括以下步骤，步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；步骤二，构建颌骨密度分类网络模型并训练：将CT值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；所述颌骨密度分类网络模型采用nested‑unet作为骨干网络，并在网络模型的末尾加入self‑attention网络；步骤三，颌骨密度预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。

Description

基于深度学习的颌骨密度分类方法、系统及介质
技术领域
本发明涉及人工智能领域，特别涉及一种基于深度学习的颌骨密度分类方法。
背景技术
种植牙是迄今最理想的缺牙修复方式，其实施过程也相当复杂，在种植牙之前首先需要患者对预种植部位进行放射线成像检查来进行多方面的评估，其中，种植区的骨密度评估是取得牙种植术成功的关键步骤，如何对颌骨骨密度进行精确、有效、实用的测量，对种植及牙周手术的制定及预后的判定具有非常重要的指导作用。
口腔锥形束CT已成为口腔医学领域应用广泛的成像设备，相较螺旋CT，CBCT辐射剂量大幅下降，且其图像质量可靠，是一种精确且快速用于测量骨小梁细微结构的高分辨率的数字影像。并且，口腔锥形束CT能获得一个三维方向上的骨结构重建。
目前在口腔CT的临床诊断和治疗中，医生或技师是依靠重建图像中骨小梁的空间排布的稀疏程度来进行颌骨骨密度的判别，且只能根据经验做分级判别，没有具体的骨密度数值作为精准参考。现有技术中的口腔CT设备不能表示单位骨体积或面积的骨矿物质含量，即骨密度指标。而且，由于CBCT采用X射线锥束扫描成像的原因，导致其图像的CT值不稳定，现有技术中的通过CT值作为反映骨密度的参数，从而测量骨密度的方式，用来评估骨密度还具有不准确的问题。
发明内容
本发明要解决的技术问题是提供一种可以自动对口腔颌面CT切片图像进行自动划分骨密度的颌骨密度分类方法，采用的技术方案如下
一种基于深度学习的颌骨密度分类方法，包括以下步骤，
步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；
步骤二，构建颌骨密度分类网络模型并训练：将CT值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；
所述颌骨密度分类网络模型采用nested-unet作为骨干网络，并在网络模型的末尾加入self-attention网络；
步骤三，颌骨密度预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。
进一步的，所述颌骨密度分类网络模型的损失函数由
Figure 136165DEST_PATH_IMAGE001
损失函数和
Figure 883541DEST_PATH_IMAGE002
损失函数加权后得出，损失函数
Figure 275033DEST_PATH_IMAGE003
表示为：
Figure 486572DEST_PATH_IMAGE004
，其中，
Figure 445432DEST_PATH_IMAGE005
表示
Figure 414525DEST_PATH_IMAGE001
损失函数；
Figure 163038DEST_PATH_IMAGE006
表示
Figure 416034DEST_PATH_IMAGE002
损失函数，
Figure 263904DEST_PATH_IMAGE007
和
Figure 454714DEST_PATH_IMAGE008
分别表示
Figure 6918DEST_PATH_IMAGE005
和
Figure 786524DEST_PATH_IMAGE006
的权重系数。
进一步的，所述损失函数中，
Figure 602033DEST_PATH_IMAGE009
；
其中，y表示标签，
Figure 93189DEST_PATH_IMAGE010
表示预测结果，平衡因子
Figure 121187DEST_PATH_IMAGE011
用于平衡正负样本比例不均，取值0.25，
Figure 833929DEST_PATH_IMAGE012
为一常数，系数用于减少易分样本的损失，关注困难样本，取值2。
进一步的，
Figure 289181DEST_PATH_IMAGE013
，
其中，A和B分别表示预测结果和GT，
Figure 766167DEST_PATH_IMAGE014
表示AB的交集，
Figure 863436DEST_PATH_IMAGE015
、
Figure 165105DEST_PATH_IMAGE016
分别表示A、B的元素个数。
进一步的，所述self-attention网络的公式表示为:
Figure 791258DEST_PATH_IMAGE017
。
进一步的，所述第口腔颌面CT切片图像数据预处理的具体步骤包括：
根据医学经验设置CT值的最大值和最小值，将CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值；而后对CT值作归一化处理；
预设颌骨密度等级标准，对颌骨密度数据按预设标准进行分类。
进一步的，所述颌骨密度等级标准是根据密质骨和松质骨的含量比例以及松质骨的疏密程度进行划分，划分出5个密度等级。
一种颌骨密度分类系统，包括处理器和存储器，所述存储器上存储有可被所述处理器执行的计算机可读程序，所述处理器执行计算机可读程序时实现基于深度学习的颌骨密度等级分类方法中的步骤。
一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行以实现上述任一步骤所述的基于深度学习的颌骨密度等级分类方法中的步骤。
采用上述技术方案，本发明通过构建颌骨密度分类网络，将颌骨CBCT切片输入训练完成的网络就可以对切片中的颌骨自动进行密度等级分类，并直观的展示出来，解决了颌骨密度判断完全依靠医生经验为之，临床中分类不统一的问题。为了使网络输出的结果更加精准，还在骨干网络的末尾加入了self-attention网络，将nested-unet的输出作为self-attention的输入，通过该操作寻找其各个位置影像之间的内在联系，以便得到更加准确的等级分类。
附图说明
图1为本发明颌骨密度分类方法步骤流程图；
图2为本发明一种实施例中颌骨分类效果图；
图3为本发明另一种实施例中颌骨分类效果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
参见图1，一种基于深度学习的颌骨密度分类方法，包括以下步骤，
S1：步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；
优选的，所述第口腔颌面CT切片图像数据预处理的具体步骤包括：
S11：根据医学经验设置CT值的最大值和最小值，将CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值；而后对CT值数据作归一化处理；
本实施例中，口腔颌面CT切片图像是通过口腔锥形束CT（即CBCT）获取到，CT值的单位是HU，数值跨度非常大，有些过高以及过低的数值对预测没有帮助，因此，根据医学经验设置数据的最大值为1000，最小值为-200，将数据中CT值大于最大值的统一设定为最大值1000，小于最小值的统一设置为最小值-200。
S12：预设颌骨密度等级标准，对颌骨密度数据按预设标准进行分类。
具体的，等级标准的预设是通过多个有多年临床经验的医生专业知识以及对颌骨密度数据进行聚类分析后得出的，所述颌骨密度等级标准是根据密质骨和松质骨的含量比例以及松质骨的疏密程度进行划分，划分出5个密度等级。
S2：步骤二，构建颌骨密度分类网络模型并训练：将CT数值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；
本发明实施例中，所述颌骨密度分类网络模型采用nested-unet（也称unet++）作为骨干网络，并在网络模型的末尾加入self-attention网络；
nested-unet网络是将不同层级的unet堆叠起来类，并在其中增加了密集的短连接（上采样和下采样），进行深浅层特征的融合，实现了对尺度信息的提取和融合，特征提取效果更好。为了使网络输出的结果更加精准，在划分颌骨密度等级时不能单纯参考当前像素的信息，还需要结合周围像素的信息，因此，本实施例中还在骨干网络的末尾加入了self-attention网络，将nested-unet的输出作为self-attention的输入，通过该操作寻找其各个位置影像之间的内在联系，以便得到更加准确的等级分类。
所述颌骨密度分类网络模型的损失函数由
Figure 460268DEST_PATH_IMAGE001
损失函数和
Figure 892386DEST_PATH_IMAGE002
损失函数加权后得出，损失函数
Figure 579719DEST_PATH_IMAGE003
表示为：
Figure 897480DEST_PATH_IMAGE004
，其中，
Figure 506316DEST_PATH_IMAGE005
表示
Figure 7705DEST_PATH_IMAGE001
损失函数；
Figure 18386DEST_PATH_IMAGE006
表示
Figure 517501DEST_PATH_IMAGE002
损失函数，
Figure 613633DEST_PATH_IMAGE007
和
Figure 75969DEST_PATH_IMAGE008
分别表示
Figure 737894DEST_PATH_IMAGE005
和
Figure 876752DEST_PATH_IMAGE006
的权重系数。
使用Pixel-Level的 focalLoss和 Class-Level的
Figure 788076DEST_PATH_IMAGE002
，然后将两个loss按照一定的权重加权后得到所述损失函数，单独使用diceloss会降低训练稳定性，加入focalloss一方面可以解决正负样本比例失衡的问题加速收敛，另一方面，通过两个不同维度的loss进行优化可以帮助模型更好的理解任务。
上述损失函数中，
Figure 818218DEST_PATH_IMAGE009
；
其中，y表示标签，
Figure 803491DEST_PATH_IMAGE010
表示预测结果，平衡因子
Figure 378829DEST_PATH_IMAGE011
用于平衡正负样本比例不均，取值0.25，
Figure 449553DEST_PATH_IMAGE012
为一常数，系数用于减少易分样本的损失，关注困难样本，取值2；
上述损失函数中，
Figure 830856DEST_PATH_IMAGE018
，
其中，A和B分别表示预测结果和GT（Ground Truth），
Figure 952527DEST_PATH_IMAGE019
表示AB的交集，
Figure 698766DEST_PATH_IMAGE020
、
Figure 522366DEST_PATH_IMAGE021
分别表示A、B的元素个数。
所述self-attention网络的公式表示为:
Figure 956627DEST_PATH_IMAGE022
S3：步骤三，颌骨密度等级预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。
预测过程中，首先将颌骨区域和非颌骨区域分割出来，在口腔颌面CT切片图像中，没有CT数值的区域，被划分为非颌骨区域，在划分的基础上，再进行颌骨密度等级预测。参见，2-3分别为两张颌骨切片以及识别效果图，图片中，最左侧为颌骨矢状面影像原图，中间为医生对颌骨矢状面影像进行标注后的效果图，最右边为采用本发明网络输出的颌骨识别效果图。
第二方面，本发明提供一种颌骨密度分类系统，包括处理器和存储器，所述存储器上存储有可被所述处理器执行的计算机可读程序，所述处理器执行计算机可读程序时实现上述任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。
第三方面，本发明提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行以实现上述任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。
以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (9)

1.一种基于深度学习的颌骨密度分类方法，其特征在于：包括以下步骤，
步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；
步骤二，构建颌骨密度分类网络模型并训练：将CT值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；
所述颌骨密度分类网络模型采用nested-unet作为骨干网络，并在网络模型的末尾加入self-attention网络；
步骤三，颌骨密度预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。
2.如权利要求1所述的一种基于深度学习的颌骨密度分类方法，其特征在于：所述颌骨密度分类网络模型的损失函数由
Figure 945175DEST_PATH_IMAGE001
损失函数和
Figure 127895DEST_PATH_IMAGE002
损失函数加权后得出，损失函数
Figure 189523DEST_PATH_IMAGE003
表示为：
Figure 584732DEST_PATH_IMAGE004
，
其中，
Figure 664684DEST_PATH_IMAGE005
表示
Figure 752725DEST_PATH_IMAGE001
损失函数；
Figure 347655DEST_PATH_IMAGE006
表示
Figure 326981DEST_PATH_IMAGE002
损失函数，
Figure 995860DEST_PATH_IMAGE007
和
Figure 254803DEST_PATH_IMAGE008
分别表示
Figure 618919DEST_PATH_IMAGE005
和
Figure 621510DEST_PATH_IMAGE006
的权重系数。
3.如权利要求2所述的一种基于深度学习的颌骨密度分类方法，其特征在于：所述损失函数中，
Figure 144895DEST_PATH_IMAGE009
；
其中，y表示标签，
Figure 105898DEST_PATH_IMAGE010
表示预测结果，平衡因子
Figure 190267DEST_PATH_IMAGE011
用于平衡正负样本比例不均，取值0.25，
Figure 996549DEST_PATH_IMAGE012
为一常数，系数用于减少易分样本的损失，关注困难样本，取值2。
4.如权利要求3所述的一种基于深度学习的颌骨密度分类方法，其特征在于：
Figure 171178DEST_PATH_IMAGE013
，
其中，A和B分别表示预测结果和GT，
Figure 584973DEST_PATH_IMAGE014
表示AB的交集，
Figure 579474DEST_PATH_IMAGE015
、
Figure 766610DEST_PATH_IMAGE016
分别表示A、B的元素个数。
5.如权利要求4所述的一种基于深度学习的颌骨密度分类方法，其特征在于：所述self-attention网络的公式表示为:
Figure 795746DEST_PATH_IMAGE017
。
6.如权利要求1-5任意一项所述的一种基于深度学习的颌骨密度分类方法，其特征在于：所述口腔颌面CT切片图像数据预处理的具体步骤包括：
根据医学经验设置CT值的最大值和最小值，将CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值；而后对CT值作归一化处理；
预设颌骨密度等级标准，对颌骨密度数据按预设标准进行分类。
7.如权利要求6所述的一种基于深度学习的颌骨密度分类方法，其特征在于：所述颌骨密度等级标准是根据密质骨和松质骨的含量比例以及松质骨的疏密程度进行划分，划分出5个密度等级。
8.一种颌骨密度分类系统，包括处理器和存储器，其特征在于：所述存储器上存储有可被所述处理器执行的计算机可读程序，所述处理器执行计算机可读程序时实现如权利要求1-7中任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。
9.一种计算机可读存储介质，用于存储计算机程序，其特征在于：所述计算机程序被处理器执行以实现如权利要求1-7中任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。
CN202111175568.3A 2021-10-09 2021-10-09 基于深度学习的颌骨密度分类方法、系统及介质 Pending CN113869443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111175568.3A CN113869443A (zh) 2021-10-09 2021-10-09 基于深度学习的颌骨密度分类方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111175568.3A CN113869443A (zh) 2021-10-09 2021-10-09 基于深度学习的颌骨密度分类方法、系统及介质

Publications (1)

Publication Number Publication Date
CN113869443A true CN113869443A (zh) 2021-12-31

Family

ID=79002126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111175568.3A Pending CN113869443A (zh) 2021-10-09 2021-10-09 基于深度学习的颌骨密度分类方法、系统及介质

Country Status (1)

Country Link
CN (1) CN113869443A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116458909A (zh) * 2023-04-10 2023-07-21 清华大学 使用锥形束dr设备测量三维骨密度分布的方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190050982A1 (en) * 2017-08-09 2019-02-14 Shenzhen Keya Medical Technology Corporation System and method for automatically detecting a physiological condition from a medical image of a patient
WO2019098399A1 (ko) * 2017-11-15 2019-05-23 주식회사 뷰노 골밀도 추정 방법 및 이를 이용한 장치
WO2020027481A1 (ko) * 2018-08-03 2020-02-06 고려대학교 산학협력단 인공지능 기반의 치과방사선사진을 이용한 골밀도 예측시스템 및 이에 의한 골밀도 예측 방법
CN112150473A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于ct的三维颌骨图像分割建模方法、装置及终端设备
CN112770838A (zh) * 2019-10-01 2021-05-07 深透医疗公司 使用自关注深度学习进行图像增强的系统和方法
CN113139627A (zh) * 2021-06-22 2021-07-20 北京小白世纪网络科技有限公司 纵隔肿物识别方法、系统及装置
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法
CN113487587A (zh) * 2021-07-21 2021-10-08 华中科技大学 CT图像分割与骨密度t值预测方法、系统、计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190050982A1 (en) * 2017-08-09 2019-02-14 Shenzhen Keya Medical Technology Corporation System and method for automatically detecting a physiological condition from a medical image of a patient
WO2019098399A1 (ko) * 2017-11-15 2019-05-23 주식회사 뷰노 골밀도 추정 방법 및 이를 이용한 장치
WO2020027481A1 (ko) * 2018-08-03 2020-02-06 고려대학교 산학협력단 인공지능 기반의 치과방사선사진을 이용한 골밀도 예측시스템 및 이에 의한 골밀도 예측 방법
CN112770838A (zh) * 2019-10-01 2021-05-07 深透医疗公司 使用自关注深度学习进行图像增强的系统和方法
CN112150473A (zh) * 2020-09-24 2020-12-29 北京羽医甘蓝信息技术有限公司 基于ct的三维颌骨图像分割建模方法、装置及终端设备
CN113221631A (zh) * 2021-03-22 2021-08-06 西安电子科技大学 基于卷积神经网络的序列脉冲抗干扰目标检测方法
CN113139627A (zh) * 2021-06-22 2021-07-20 北京小白世纪网络科技有限公司 纵隔肿物识别方法、系统及装置
CN113487587A (zh) * 2021-07-21 2021-10-08 华中科技大学 CT图像分割与骨密度t值预测方法、系统、计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116458909A (zh) * 2023-04-10 2023-07-21 清华大学 使用锥形束dr设备测量三维骨密度分布的方法及装置
CN116458909B (zh) * 2023-04-10 2024-05-07 清华大学 使用锥形束dr设备测量三维骨密度分布的方法及装置

Similar Documents

Publication Publication Date Title
Orhan et al. Evaluation of artificial intelligence for detecting periapical pathosis on cone‐beam computed tomography scans
Aminoshariae et al. Artificial intelligence in endodontics: current applications and future directions
De Tobel et al. An automated technique to stage lower third molar development on panoramic radiographs for age estimation: a pilot study.
US20200364624A1 (en) Privacy Preserving Artificial Intelligence System For Dental Data From Disparate Sources
Pauwels et al. Artificial intelligence for detection of periapical lesions on intraoral radiographs: Comparison between convolutional neural networks and human observers
Saghiri et al. A new approach for locating the minor apical foramen using an artificial neural network
Khan et al. Automated feature detection in dental periapical radiographs by using deep learning
Yasa et al. An artificial intelligence proposal to automatic teeth detection and numbering in dental bite-wing radiographs
Duan et al. Refined tooth and pulp segmentation using U-Net in CBCT image
JP2021002339A (ja) 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム
Vallaeys et al. 3D dento-maxillary osteolytic lesion and active contour segmentation pilot study in CBCT: semi-automatic vs manual methods
Sherwood et al. A deep learning approach to segment and classify C-shaped canal morphologies in mandibular second molars using cone-beam computed tomography
Gerlach et al. Evaluation of the potential of automatic segmentation of the mandibular canal using cone-beam computed tomography
Gerlach et al. Accuracy of bone surface size and cortical layer thickness measurements using cone beam computerized tomography
Tassoker et al. Comparison of five convolutional neural networks for predicting osteoporosis based on mandibular cortical index on panoramic radiographs
Kanuri et al. Trainable WEKA (Waikato Environment for Knowledge Analysis) segmentation tool: machine-learning-enabled segmentation on features of panoramic radiographs
Salunke et al. Customized convolutional neural network to detect dental caries from radiovisiography (RVG) images
CN113869443A (zh) 基于深度学习的颌骨密度分类方法、系统及介质
Jaiswal et al. Multi oral disease classification from panoramic radiograph using transfer learning and XGBoost
Orhan et al. Determining the reliability of diagnosis and treatment using artificial intelligence software with panoramic radiographs
Nassef et al. Extraction of human mandible bones from multi-slice computed tomographic data
Raitz et al. Parameters in panoramic radiography for differentiation of radiolucent lesions
Jayasinghe et al. Effectiveness of Using Radiology Images and Mask R-CNN for Stomatology
Gullberg et al. The challenge of applying digital image processing software on intraoral radiographs for osteoporosis risk assessment
Zhu et al. An algorithm for automatically extracting dental arch curve

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