CN114037665A - 下颌神经管的分割方法、装置、电子设备及存储介质 - Google Patents

下颌神经管的分割方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114037665A
CN114037665A CN202111260911.4A CN202111260911A CN114037665A CN 114037665 A CN114037665 A CN 114037665A CN 202111260911 A CN202111260911 A CN 202111260911A CN 114037665 A CN114037665 A CN 114037665A
Authority
CN
China
Prior art keywords
image
target
segmentation
mandible
oral cavity
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
CN202111260911.4A
Other languages
English (en)
Inventor
陶艳
陈云
刘技
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.)
Suzhou Dikaier Medical Technology Co ltd
Original Assignee
Suzhou Dikaier Medical 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 Suzhou Dikaier Medical Technology Co ltd filed Critical Suzhou Dikaier Medical Technology Co ltd
Priority to CN202111260911.4A priority Critical patent/CN114037665A/zh
Publication of CN114037665A publication Critical patent/CN114037665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种下颌神经管的分割方法、装置、电子设备及存储介质，该方法包括：获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像；根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。本发明实施例的技术方案，能够实现下颌神经管全自动的精确分割，提高了由于外界因素影响而降低的下颌神经管的识别效率。

Description

下颌神经管的分割方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种下颌神经管的分割方法、装置、电子设备及存储介质。
背景技术
近年来，随着人口老龄化加剧以及人均可支配收入的不断提高，加上医疗技术的发展，中国口腔医疗市场得以快速发展，种植牙手术也越来越普及。在种植牙手术中，下颌神经管的位置和走行是口腔外科牙齿种植必须注意的问题，手术过程中需要避开下颌神经管以免造成下颌神经的损伤，进而导致下颌麻木等一些问题。
目前现有技术中，下颌神经管定位完全依赖口腔科医生的判断，需要具备一定的专业知识和经验，人工识别效率低、且存在对人工经验的依赖。
发明内容
本发明实施例提供了一种下颌神经管的分割方法、装置、电子设备及存储介质，以实现下颌神经管的自动分割。
第一方面，本发明实施例提供了一种下颌神经管的分割方法，该方法包括：
获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；
根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像；
根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；
根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。
第二方面，本发明实施例还提供了一种下颌神经管的分割装置，该装置包括：
预处理模块，用于获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；
分割图像确定模块，用于根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像；
定位图像确定模块，用于根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；
分割结果确定模块，用于根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的下颌神经管的分割方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的下颌神经管的分割方法。
本发明实施例的技术方案，通过获取预处理后的目标口腔图像，将目标口腔图像输入至预先建立的下颌骨粗分割模型，得到目标下颌骨图像，并将其输入至预先建立的颏孔检测模型，得到目标颏孔定位图像，进一步地，将目标颏孔定位图像输入至预先建立的神经管分割模型中，最终得到目标对象的下颌神经管分割结果，解决了现有技术中下颌神经管识别困难，且人工经验依赖性高等问题，实现了下颌神经管全自动的精确分割，基于深度学习分割网络对下颌神经管进行分割有效缩短了分割时间，提高了分割准确率。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种下颌神经管的分割方法的流程示意图；
图2为本发明实施例二所提供的一种下颌神经管的分割方法的流程示意图；
图3为本发明实施例二所提供的一种应用场景下下颌神经管的分割方法的流程示意图；
图4为本发明实施例三所提供的一种下颌神经管的分割装置的结构示意图；
图5为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一所提供的一种下颌神经管的分割方法的流程示意图，本实施例可适用于对图像定位分割的情况，该方法可以由下颌神经管的分割装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的下颌神经管的分割方法。
如图1所示，本实施例的方法具体可包括：
S110、获取目标对象的原始口腔图像，对原始口腔图像进行预处理，得到目标口腔图像。
其中，目标对象可以理解为当前时刻需要进行下颌神经管定位的对象。示例性地，目标对象可以是人，也可以是动物，本实施例对此不作限定。目标对象的口腔图像可以指反映目标对象口腔内牙齿及根管系统的解剖形态及结构的图像。在本发明实施例中，原始口腔图像可以理解为获取到的未处理的口腔图像，或者是说，处理前的口腔图像。示例性地，原始口腔图像可以是口腔电子计算机断层扫描(Computed Tomography，CT)图像，也可以是口腔锥形束电子计算机断层扫描(Cone beam Computer Tomography，CBCT)图像，还可以是口腔磁共振成像(Magnetic Resonance Imaging，MRI)图像，本实施例对此不作限定。例如，原始口腔图像为口腔CT图像，可以从三维角度对组织情况进行反映，可以发现口腔X光片的投照角度不能发现的、或者更细微的病变，能够对骨组织情况、下颌关节情况进行准确评价。需要说明的是，原始口腔图像可以是从医学影像设备中实时获取，也可以是从影像数据库中，还可以是接收于外部设备的口腔数据传输，本实施例对此不作限定。
其中，对原始口腔图像进行预处理可以为对原始口腔图像进行重采样和归一化等处理。示例性地，重采样处理可以理解为将图像从原始分辨率采样到其他分辨率的过程。归一化处理是指对图像进行一系列标准的处理变换，使其变换为固定标准形式的过程，例如，选取合适的上下阈值，将原始口腔图像归一化到0～1或者-1～1的图像。可以理解的是，目标口腔图像就可以指原始口腔图像在经过预处理后，得到的可以使后续操作更好实现的口腔图像。例如，目标口腔图像可以是经过预处理后得到的符合预先建立的下颌骨粗分割模型的分割要求的口腔图像。可选地，对原始口腔图像进行预处理还可以包括图像裁剪和/或滤波等，具体的图像预处理方式可以根据实际需求设置，在此并不做限定。
具体地，在图像处理终端设备获取目标对象的原始口腔图像后，对原始口腔图像进行一系列的重采样和归一化等预处理，得到目标口腔图像，从而可以在目标口腔图像的基础上继续实现对下颌神经管的自动分割操作。
S120、根据目标口腔图像和预先建立的下颌骨粗分割模型确定目标对象的目标下颌骨图像。
其中，预先建立的下颌骨粗分割模型可以是已经训练完成的，用于进行口腔下颌骨粗略分割的神经网络模型。具体地，下颌骨粗分割模型可以通过对预先建立的待训练的下颌骨粗分割模型进行训练来实现。在训练下颌骨粗分割模型时，首先，获取用于训练的原始口腔样本图像数据集，以及通过对原始口腔样本图像中的下颌骨位置进行标注得到的下颌骨标注图像，其中，下颌骨标注图像可以理解为表征真值(Ground Truth)图像，可以用于作为评价后续预测结果的依据；其次，对原始口腔样本图像数据集进行预处理，得到可以用于输入至待训练的下颌骨粗分割模型的输入样本图像数据集；然后，将输入样本图像数据集输入至待训练的下颌骨粗分割模型中，得到初始训练结果；基于预设的下颌骨标注图像和初始训练结果生成的损失函数对下颌骨粗分割模型进行参数调节，直至满足训练结束条件，得到训练好的下颌骨粗分割模型。
需要说明的是，图像预处理可以包括重采样以及归一化等操作。例如，原始口腔图像的分辨率为0.25mm×0.25mm×0.25mm，将其重新采样到分辨率为 1.2mm×1.2mm×1.2mm的口腔图像，然后进行归一化处理，并输入至待训练的下颌骨粗分割模型中。
示例性地，下颌骨粗分割模型可以是由全卷积神经网络、循环神经网络或者深度神经网络结构等中的至少一个构成，损失函数可以为交叉熵损失函数、均方差损失函数或者Dice损失函数等中的至少一个，本实施例对下颌骨粗分割模型的具体结构以及应用的损失函数均不作限定。例如，下颌骨粗分割模型为基于V-net网络建立的深度卷积神经网络模型，损失函数采用交叉熵损失函数与 Dice系数损失函数的加权和。
其中，目标下颌骨图像可以理解为经过下颌骨粗分割模型分割处理后，得到的可以表示目标口腔图像中下颌骨位置的图像。需要说明的是，目标下颌骨图像可以是根据下颌骨粗分割模型的输出结果对目标口腔图像进行裁剪得到的，还可以是根据下颌骨粗分割模型的输出结果将目标口腔图像中下颌骨位置标注出来作为感兴趣区域，并将感兴趣区域区别显示，本实施例对此不作限定。
具体地，将预处理后的目标口腔图像输入至预先建立的下颌骨粗分割模型中，得到目标下颌骨图像，这样做的目的是，一方面，可以减小后续操作中输入图像的尺寸，以实现减小显存占用以及减小后续算法运行时间的效果；另一方面，可以在目标下颌骨图像中大致定位下颌神经管的位置，有利于后续下颌神经管的精准分割。
S130、根据目标下颌骨图像和预先建立的颏孔检测模型确定目标对象的目标颏孔定位图像。
其中，预先建立的颏孔检测模型可以理解为已经训练完成，用于定位颏孔位置的神经网络模型。具体地，颏孔检测模型的建立可以通过对待训练的颏孔检测模型进行训练来实现。在训练颏孔检测模型时，首先，获取用于训练的原始口腔样本图像数据集，以及通过对原始口腔样本图像中的颏孔位置进行标注得到的颏孔标注坐标信息；其次，对原始口腔样本图像数据集进行预处理，得到可以用于输入待训练的颏孔检测模型中的输入样本图像数据集；然后，将输入样本图像数据集输入至颏孔检测模型中，得到初始训练结果；基于预设的颏孔标注位置和初始训练结果生成的损失函数对颏孔检测模型进行参数调节，直至满足训练结束条件，得到训练好的颏孔检测模型。类似地，图像预处理可以包括重采样以及归一化等操作。例如，原始口腔图像的分辨率为0.25mm× 0.25mm×0.25mm，将其重新采样到分辨率为1.0mm×1.0mm×1.0mm的口腔图像，然后进行归一化处理，并输入至颏孔检测模型中进行训练。
示例性地，颏孔检测模型可以是由全卷积神经网络、循环神经网络或者深度神经网络结构等中的至少一个构成，损失函数可以为交叉熵损失函数、均方差损失函数或者Dice损失函数等中的至少一个，本实施例对颏孔检测模型的结构以及损失函数的构成均不作限定。在本实施例中，可选地，颏孔检测模型包括高斯热图回归模型，损失函数为weighted Adaptive Wing loss。
其中，高斯热图回归模型可以理解为应用于图像关键点检测的一种全卷积回归模型。通过高斯热图可以简单地聚合大量数据，并使用一种渐变的色带来表现，最终效果一般优于离散点的直接表示，可以很直观地展现空间数据的疏密程度或频率高低。weightedAdaptive Wing loss则是在训练高斯热图回归模型时采用的一种损失函数。
其中，目标颏孔定位图像可以理解为用于显示下颌骨图像中颏孔位置的图像信息。可选地，目标颏孔定位图像可以包括左侧颏孔定位图像和右侧颏孔定位图像。需要说明的是，目标颏孔定位图像可以是根据颏孔检测模型的输出结果对目标下颌骨图像进行裁剪得到的，还可以是根据颏孔检测模型的输出结果将目标下颌骨图像中颏孔位置作为感兴趣区域，并将其区别显示等，本实施例对此不作限定。
具体地，将目标下颌骨分割图像输入至颏孔检测模型中，应用颏孔检测模型对目标下颌骨分割图像中的颏孔位置进行定位，并输出左侧颏孔定位图像和右侧颏孔定位图像，以便可以根据左右侧颏孔位置信息定位左右侧神经管。
S140、根据目标颏孔定位图像和预先建立的神经管分割模型确定目标对象的下颌神经管的分割结果。
其中，预先建立的神经管分割模型可以理解为已经训练完成，可以用于分割神经管的神经网络模型。具体地，神经管分割模型的建立可以通过对待训练的神经管分割模型进行训练来实现。在训练神经管分割模型时，首先，获取用于训练的原始口腔样本图像数据集，以及对原始口腔样本图像中下颌神经管位置进行标注得到的下颌神经管标注图像；其次，对原始口腔样本图像数据集进行预处理，得到输入样本图像数据集；然后，将输入样本图像数据集输入至待训练的神经管分割模型中，得到初始训练结果；基于预设的下颌神经管标注图像和初始训练结果生成的损失函数对神经管分割模型进行参数调节，直至满足训练结束条件，得到训练好的神经管分割模型。类似地，图像预处理可以包括重采样以及归一化等操作。例如，原始口腔图像的分辨率为0.25mm×0.25mm ×0.25mm，将其重新采样到分辨率为0.3mm×0.3mm×0.3mm的口腔图像，然后进行归一化处理，并输入至待训练的神经管分割模型中。
示例性地，神经管分割模型可以是由全卷积神经网络、循环神经网络或者深度神经网络结构等中的至少一个构成，损失函数可以为交叉熵损失函数、均方差损失函数或者Dice损失函数等中的至少一个，本实施例对神经管分割模型的具体结构以及应用的损失函数均不作限定。例如，神经管分割模型为基于 V-net网络建立的全卷积神经网络模型，损失函数为交叉熵损失函数、Dice损失函数和clDice损失函数的加权和。
其中，下颌神经管的分割结果可以理解为用于表示口腔图像中下颌神经管的具体位置以及轮廓信息的图像或者是数据信息。需要说明的是，下颌神经管的分割结果可以是能够反映下颌神经管位置或轮廓信息的图像或数据信息，也可以是将下颌神经管部分作为感兴趣区域标注出来，并将其与非感兴趣区域进行区别显示，本实施例对此不作限定。
具体地，将目标对象的目标颏孔定位图像输入至预先建立的神经管分割模型中，则可以输出目标对象的下颌神经管的分割结果，进而可以根据分割结果得到目标对象的下颌神经管的具体位置以及轮廓信息。
需要说明的是，在训练上述3种神经网络模型时，为了避免训练样本图像数据使后续得到的3种神经网络模型出现过拟合，可以对口腔样本图像进行数据增强处理，以扩展输入样本图像的数量，增强神经网络模型的泛化功能。其中，数据增强处理方法可以包括随机缩放、随机弹性变形、平移、旋转、灰度直方图调整以及镜像数据等。
还需说明的是，上述3种模型的训练过程可以相互独立，可以同时进行，也可以依次进行，本实施例对此不作限定。
本发明实施例的技术方案，通过获取预处理后的目标口腔图像，将目标口腔图像输入至预先建立的下颌骨粗分割模型，得到目标下颌骨图像，并将其输入至预先建立的颏孔检测模型，得到目标颏孔定位图像，进一步地，将目标颏孔定位图像输入至预先建立的神经管分割模型中，最终得到目标对象的下颌神经管分割结果，解决了现有技术中下颌神经管识别困难，且人工经验依赖性高等问题，实现了下颌神经管全自动的精确分割，基于深度学习分割网络对下颌神经管进行分割有效缩短了分割时间，提高了分割准确率。
实施例二
图2为本发明实施例二所提供的一种下颌神经管的分割方法的流程示意图，在上述技术方案的基础上，本实施例的技术方案可以进行进一步细化，可选地，所述根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像，包括：将所述目标口腔图像输入至建立的下颌骨粗分割模型中，得到下颌骨掩膜图像；基于所述下颌骨掩膜图像对所述目标口腔图像进行裁剪，得到目标下颌骨图像。
在上述各可选技术方案的基础上，进一步地，所述目标颏孔定位图像可以包括左侧颏孔定位图像和右侧颏孔定位图像；所述根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像，可包括：将所述目标下颌骨图像输入至预先建立的颏孔检测模型中，得到初步颏孔定位图像，其中，所述初步颏孔定位图像包括左侧颏孔的第一颏孔位置信息和右侧颏孔的第二颏孔位置信息；根据所述第一颏孔位置信息和所述第二颏孔位置信息对所述目标下颌骨图像进行裁剪，分别得到与目标对象的左侧下颌神经管对应的左侧颏孔定位图像以及与右侧下颌神经管对应的右侧颏孔定位图像。
在上述各可选技术方案的基础上，可选地，所述根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果，包括：根据所述左侧颏孔定位图像、所述右侧颏孔定位图像和预先建立的神经管分割模型，确定所述目标对象的左侧神经管分割图像和右侧神经管分割图像；根据所述左侧神经管分割图像和所述右侧神经管分割图像确定所述目标对象的下颌神经管的分割结果。
上述技术方案的具体的实施方式可以参见本实施例的详细阐述。其中，与上述实施例中相同或相似的技术术语不再赘述。
参见图2所示，本发明实施例的方法具体可以包括如下步骤：
S210、获取目标对象的原始口腔图像，对原始口腔图像进行预处理，得到目标口腔图像。
S220、将目标口腔图像输入至建立的下颌骨粗分割模型中，得到下颌骨掩膜图像。
其中，下颌骨掩膜图像可以理解为用于识别口腔图像中下颌骨位置以及轮廓的滤镜模板，可以通过遮挡口腔图像中的其他部分，筛选出口腔图像中的下颌骨部分。示例性地，下颌骨掩膜图像中可以是包括关于下颌骨位置的关键点信息，也可以是包括下颌骨的轮廓信息，还可以是包括下颌骨位置标识数据信息，本实施例对此不作限定。
其中，将目标口腔图像输入至建立的下颌骨粗分割模型中得到的下颌骨掩膜图像的尺寸往往与目标口腔图像的尺寸相同。
S230、基于下颌骨掩膜图像对目标口腔图像进行裁剪，得到目标下颌骨图像。
在具体实施中，将预处理后的目标口腔图像输入至下颌骨粗分割模型中，可以得到下颌骨掩膜图像，根据下颌骨掩膜图像可以确定最接近下颌骨外界部分的边框，进而，根据确定的下颌骨外界框对目标口腔图像进行裁剪，即可得到能反映下颌骨的位置以及轮廓信息的目标下颌骨图像，剔除目标口腔图像中的背景数据，减少背景数据的干扰，以及减少背景数据导致的计算量。
S240、将目标下颌骨图像输入至预先建立的颏孔检测模型中，得到初步颏孔定位图像。
其中，初步颏孔定位图像包括左侧颏孔的第一颏孔位置信息和右侧颏孔的第二颏孔位置信息。
具体地，将目标下颌骨图像输入至颏孔检测模型中，颏孔检测模型可以将左、右两侧颏孔的坐标或者关键点信息标注出来，从而得到包含两侧颏孔位置信息的初步颏孔定位图像，以使后续可以根据初步颏孔定位图像中的颏孔坐标信息对目标下颌骨图像进行处理。
需要说明的是，“第一”和“第二”仅用于区分左侧和右侧，并不表示排列序号，也不能理解为指示或暗示相对重要性。
S250、根据第一颏孔位置信息和第二颏孔位置信息对目标下颌骨图像进行裁剪，分别得到与目标对象的左侧下颌神经管对应的左侧颏孔定位图像以及与右侧下颌神经管对应的右侧颏孔定位图像。
在具体实施中，根据获取的包括左、右颏孔坐标信息的第一颏孔位置信息和第二颏孔位置信息对目标下颌骨图像进行裁剪，通过确定的颏孔坐标信息将目标下颌骨图像分别裁剪成与目标对象的左侧下颌神经管对应的左侧颏孔图像，以及与右侧下颌神经管对应的右侧颏孔定位图像，即，将目标下颌骨图像裁剪成两张与目标对象的下颌神经管对应的颏孔定位图像，从而，可以进一步接近目标图像中下颌神经管的确切位置，剔除背景数据的干扰，以及减少背景数据导致的计算量。
S260、根据左侧颏孔定位图像、右侧颏孔定位图像和预先建立的神经管分割模型，确定目标对象的左侧神经管分割图像和右侧神经管分割图像。
可选地，将左侧颏孔定位图像输入至预先建立的神经管分割模型中，得到目标对象的左侧神经管分割图像；将右侧颏孔定位图像输入至预先建立的神经管分割模型中，得到目标对象的右侧神经管分割图像。
其中，左侧神经管分割图像可以理解为包含目标对象左侧下颌神经管的位置或轮廓信息的图像，右侧神经管分割图像可以理解为包含目标对象右侧下颌神经管的位置或轮廓信息的图像。具体地，将左侧颏孔定位图像输入至神经管分割模型中，可以包含左侧神经管所在区域的左侧神经管图像，同样地，将右侧颏孔定位图像输入至神经管分割模型中，即可得到包含右侧神经管所在区域的右侧神经管图像。
在本实施例中，可选地，神经管分割模型包括级联网络。其中，所述级联网络中的后一级网络的输入参数为与所述后一级网络相邻的前一级网络的输出参数和第一级网络的输入参数。例如，将一级网络的输入参数和输出参数作为两通道的输入参数输入至二级网络中，再将一级网络的输入参数和二级网络的输出参数作为两通道的输入参数输入至三级网络中，以此类推。在各级网络中，后一级网络不仅与前一级网络的输出有关，还考虑了第一级网络的输入，降低下颌神经管断裂的发生几率，提高了模型的鲁棒性，从而，保证下颌神经管的完整分割。
在本实施例中，可选地，神经管分割模型的损失函数包括clDice loss。其中，clDice loss可以理解为用于管状结构分割的拓扑保持损失函数。
需要说明的是，神经管分割模型中包括级联网络以及神经管分割模型的损失函数包括clDice loss，均可以用于保持下颌神经管拓扑结构的一致性，一定程度上可以降低神经管断裂的发生几率。
S270、根据左侧神经管分割图像和右侧神经管分割图像确定目标对象的下颌神经管的分割结果。
可选地，左侧神经管分割图像、右侧神经管分割图像与原始口腔图像进行图像融合，得到目标对象的下颌神经管的分割结果。
其中，将左侧神经管分割图像、右侧神经管分割图像与原始口腔图像进行图像融合可以是根据左侧神经管分割图像和右侧神经管分割图像所包含的两侧神经管的位置或轮廓信息，在原始口腔图像中标注出来，也可以是将左侧神经管分割图像和右侧神经管分割图像重新采样到原始口腔图像的分辨率，并将重采样后的左侧神经管分割图像和右侧神经管分割图像合并起来，当然还可以是其他图像融合方式，本实施例对此不作限定。
具体地，分别将左侧颏孔定位图像和右侧颏孔定位图像输入至神经管分割模型中，即可得到包含左侧神经管位置或轮廓信息的左侧神经管分割图像和右侧神经管位置或轮廓信息的右侧神经管分割图像，进而，将神经管分割模型输出的两张神经管分割图像在原始口腔图像的基础上进行图像融合，可以得到最终的目标对象的下颌神经管的分割结果。
为了清楚的介绍本实施例的具体实施方式，可以以具体的例子来对其进行说明，例如，第一步，获取原始口腔图像；第二步，对原始口腔图像进行预处理，得到目标口腔图像；第三步，将目标口腔图像输入至下颌骨粗分割模型中，得到目标下颌骨图像；第四步，将目标下颌骨图像输入至颏孔检测模型中，得到左侧颏孔定位图像和右侧颏孔定位图像；第五步，分别将左侧颏孔定位图像和右侧颏孔定位图像输入至神经管分割模型中，得到左侧神经管分割图像和右侧神经管分割图像；第六步，将左侧神经管分割图像、右侧神经管分割图像整合至原始口腔图像，得到最终的下颌神经管分割结果。
上述例子的具体实施过程可以参见如图3所示的流程示意图。
本实施例的技术方案，通过获取预处理后的目标口腔图像，将其输入至下颌骨粗分割模型中，得到下颌骨掩膜图像，根据下颌骨掩膜图像对目标口腔图像进行裁剪，得到目标下颌骨图像，进一步地，将目标下颌骨图像输入至颏孔检测模型中，得到初步颏孔定位图像，根据得到的左、右两侧颏孔的位置信息对目标下颌骨图像进行裁剪，得到左侧颏孔定位图像和右侧颏孔定位图像，再分别将左、右两侧颏孔定位图像输入至神经管分割模型中，得到左、右两侧神经管分割结果，并将左、右两侧神经管分割结果进行整合，得到最终的下颌神经管分割结果，解决了现有技术中对下颌神经管的识别准确率低，且对人工经验依赖性高等问题，实现了下颌神经管全自动的精确分割，有效提高了下颌神经管的识别效率。
实施例三
图4为本发明实施例三提供的一种下颌神经管的分割装置的结构示意图，该装置具体可包括：预处理模块310、分割图像确定模块320、定位图像确定模块330和分割结果确定模块340。
其中，预处理模块310，用于获取目标对象的原始口腔图像，对原始口腔图像进行预处理，得到目标口腔图像；
分割图像确定模块320，用于根据目标口腔图像和预先建立的下颌骨粗分割模型确定目标对象的目标下颌骨图像；
定位图像确定模块330，用于根据目标下颌骨图像和预先建立的颏孔检测模型确定目标对象的目标颏孔定位图像；
分割结果确定模块340，用于根据目标颏孔定位图像和预先建立的神经管分割模型确定目标对象的下颌神经管的分割结果。
本发明实施例的技术方案，通过获取预处理后的目标口腔图像，将目标口腔图像输入至预先建立的下颌骨粗分割模型，得到目标下颌骨图像，并将其输入至预先建立的颏孔检测模型，得到目标颏孔定位图像，进一步地，将目标颏孔定位图像输入至预先建立的神经管分割模型中，最终得到目标对象的下颌神经管分割结果，解决了现有技术中下颌神经管识别困难，且人工经验依赖性高等问题，实现了下颌神经管全自动的精确分割，基于深度学习分割网络对下颌神经管进行分割有效缩短了分割时间，提高了分割准确率。
可选地，分割图像确定模块320，还用于将目标口腔图像输入至建立的下颌骨粗分割模型中，得到下颌骨掩膜图像；基于下颌骨掩膜图像对目标口腔图像进行裁剪，得到目标下颌骨图像。
可选地，所述目标颏孔定位图像包括左侧颏孔定位图像和右侧颏孔定位图像；
定位图像确定模块330，还用于将目标下颌骨图像输入至预先建立的颏孔检测模型中，得到初步颏孔定位图像，其中，所述初步颏孔定位图像包括左侧颏孔的第一颏孔位置信息和右侧颏孔的第二颏孔位置信息；根据第一颏孔位置信息和第二颏孔位置信息对目标下颌骨图像进行裁剪，分别得到与目标对象的左侧下颌神经管对应的左侧颏孔定位图像以及与右侧下颌神经管对应的右侧颏孔定位图像。
可选地，所述颏孔检测模型包括高斯热图回归模型，所述颏孔检测模型的损失函数为weighted Adaptive Wing loss。
可选地，分割结果确定模块340，还包括图像确定单元和分割结果确定单元。
其中，图像确定单元，用于根据左侧颏孔定位图像、右侧颏孔定位图像和预先建立的神经管分割模型，确定目标对象的左侧神经管分割图像和右侧神经管分割图像；分割结果确定单元，用于根据左侧神经管分割图像和右侧神经管分割图像确定目标对象的下颌神经管的分割结果。
可选地，图像确定单元，还用于将左侧颏孔定位图像输入至预先建立的神经管分割模型中，得到目标对象的左侧神经管分割图像；将右侧颏孔定位图像输入至预先建立的神经管分割模型中，得到目标对象的右侧神经管分割图像。
可选地，分割结果确定单元，还用于将左侧神经管分割图像、右侧神经管分割图像与原始口腔图像进行图像融合，得到目标对象的下颌神经管的分割结果。
上述下颌神经管的分割装置可执行本发明任意实施例所提供的下颌神经管的分割方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述图像识别装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图5显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如 CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的下颌神经管的分割方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种下颌神经管的分割方法，该方法包括：
获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；
根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨分割图像；
根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；
根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种下颌神经管的分割方法，其特征在于，包括：
获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；
根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像；
根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；
根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像，包括：
将所述目标口腔图像输入至建立的下颌骨粗分割模型中，得到下颌骨掩膜图像；
基于所述下颌骨掩膜图像对所述目标口腔图像进行裁剪，得到目标下颌骨图像。
3.根据权利要求2所述的方法，其特征在于，所述目标颏孔定位图像包括左侧颏孔定位图像和右侧颏孔定位图像；
所述根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像，包括：
将所述目标下颌骨图像输入至预先建立的颏孔检测模型中，得到初步颏孔定位图像，其中，所述初步颏孔定位图像包括左侧颏孔的第一颏孔位置信息和右侧颏孔的第二颏孔位置信息；
根据所述第一颏孔位置信息和所述第二颏孔位置信息对所述目标下颌骨图像进行裁剪，分别得到与目标对象的左侧下颌神经管对应的左侧颏孔定位图像以及与右侧下颌神经管对应的右侧颏孔定位图像。
4.根据权利要求3所述的方法，其特征在于，所述颏孔检测模型包括高斯热图回归模型，所述颏孔检测模型的损失函数为weighted Adaptive Wing loss。
5.根据权利要求3所述的方法，其特征在于，所述根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果，包括：
根据所述左侧颏孔定位图像、所述右侧颏孔定位图像和预先建立的神经管分割模型，确定所述目标对象的左侧神经管分割图像和右侧神经管分割图像；
根据所述左侧神经管分割图像和所述右侧神经管分割图像确定所述目标对象的下颌神经管的分割结果。
6.根据权利要求5所述的方法，其特征在于，所述根据所述左侧颏孔定位图像、所述右侧颏孔定位图像和预先建立的神经管分割模型，确定所述目标对象的左侧神经管分割图像和右侧神经管分割图像，包括：
将所述左侧颏孔定位图像输入至预先建立的神经管分割模型中，得到所述目标对象的左侧神经管分割图像；
将所述右侧颏孔定位图像输入至预先建立的神经管分割模型中，得到所述目标对象的右侧神经管分割图像。
7.根据权利要求5所述的方法，其特征在于，所述根据所述左侧神经管分割图像和所述右侧神经管分割图像确定所述目标对象的下颌神经管的分割结果，包括：
将所述左侧神经管分割图像、所述右侧神经管分割图像与所述原始口腔图像进行图像融合，得到所述目标对象的下颌神经管的分割结果。
8.一种下颌神经管的分割装置，其特征在于，包括：
预处理模块，用于获取目标对象的原始口腔图像，对所述原始口腔图像进行预处理，得到目标口腔图像；
分割图像确定模块，用于根据所述目标口腔图像和预先建立的下颌骨粗分割模型确定所述目标对象的目标下颌骨图像；
定位图像确定模块，用于根据所述目标下颌骨图像和预先建立的颏孔检测模型确定所述目标对象的目标颏孔定位图像；
分割结果确定模块，用于根据所述目标颏孔定位图像和预先建立的神经管分割模型确定所述目标对象的下颌神经管的分割结果。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的下颌神经管的分割方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的下颌神经管的分割方法。
CN202111260911.4A 2021-10-28 2021-10-28 下颌神经管的分割方法、装置、电子设备及存储介质 Pending CN114037665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111260911.4A CN114037665A (zh) 2021-10-28 2021-10-28 下颌神经管的分割方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111260911.4A CN114037665A (zh) 2021-10-28 2021-10-28 下颌神经管的分割方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114037665A true CN114037665A (zh) 2022-02-11

Family

ID=80142115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111260911.4A Pending CN114037665A (zh) 2021-10-28 2021-10-28 下颌神经管的分割方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114037665A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937149A (zh) * 2022-06-16 2022-08-23 推想医疗科技股份有限公司 图像处理方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114937149A (zh) * 2022-06-16 2022-08-23 推想医疗科技股份有限公司 图像处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US8761475B2 (en) System and method for automatic recognition and labeling of anatomical structures and vessels in medical imaging scans
CN111062947B (zh) 一种基于深度学习的x光胸片病灶定位方法及系统
CN115205469A (zh) 基于cbct的牙齿与牙槽骨重建方法、设备及介质
CN110223279B (zh) 一种图像处理方法和装置、电子设备
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
CN106462974B (zh) 用于分割图像的参数优化
US11798161B2 (en) Method and apparatus for determining mid-sagittal plane in magnetic resonance images
CN114638852A (zh) 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质
CN111166362A (zh) 医学图像的显示方法及装置、存储介质及电子设备
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
CN113537408A (zh) 一种超声图像处理方法、装置、设备及存储介质
CN114037665A (zh) 下颌神经管的分割方法、装置、电子设备及存储介质
CN115206478A (zh) 医学报告生成方法以及装置、电子设备、可读存储介质
US8737706B2 (en) Image analysis method
CN117011318A (zh) 一种牙齿ct图像三维分割方法、系统、设备及介质
Cunha et al. A method for segmentation of dental implants and crestal bone
CN116824209A (zh) 一种骨窗预测方法及系统
CN116630599A (zh) 一种生成牙齿正畸后预测照片的方法
CN115761226A (zh) 一种口腔影像分割识别方法、装置、电子设备和存储介质
CN115797729A (zh) 模型训练方法及装置、运动伪影识别及提示的方法及装置
CN112862786B (zh) Cta影像数据处理方法、装置及存储介质
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN113658198A (zh) 交互式肺气肿病灶分割方法、装置、存储介质及设备
CN113689454A (zh) 基于卷积神经网络的3d ct椎体分割算法
CN113822904B (zh) 一种图像标注装置、方法及可读存储介质

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