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 PDFInfo
- 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
Links
- 230000037182 bone density Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 24
- 210000000988 bone and bone Anatomy 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 6
- 239000004053 dental implant Substances 0.000 description 4
- 239000007943 implant Substances 0.000 description 3
- 210000000214 mouth Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
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self-attention网络的公式表示为:
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。
使用Pixel-Level的 focalLoss和 Class-Level的,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。
所述self-attention网络的公式表示为:
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。
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。
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)
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)
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 |
-
2021
- 2021-10-09 CN CN202111175568.3A patent/CN113869443A/zh active Pending
Patent Citations (8)
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)
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 |