CN114255350B - 一种腭部软硬组织厚度测量方法和系统 - Google Patents
一种腭部软硬组织厚度测量方法和系统 Download PDFInfo
- Publication number
- CN114255350B CN114255350B CN202111591229.3A CN202111591229A CN114255350B CN 114255350 B CN114255350 B CN 114255350B CN 202111591229 A CN202111591229 A CN 202111591229A CN 114255350 B CN114255350 B CN 114255350B
- Authority
- CN
- China
- Prior art keywords
- soft
- palate
- attention
- hard tissue
- thickness
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用于医疗分析技术领域,提供了一种腭部软硬组织厚度测量方法和系统,包括如下步骤:获取多个初始腭部软硬组织图像,并对多个所述初始腭部软硬组织图像进行轮廓标注;对标注后的初始腭部软硬组织图像进行深度学习,得到深度学习模型,所述深度学习包括计算交叉注意力特征,所述交叉注意力特征的计算方法包括:通过对标注后的初始腭部软硬组织图像进行软池化处理得到特征区域,再通过将特征区域输入卷积注意力进行拼接得到;基于深度学习模型的预测结果得到腭部软硬组织的厚度。本发明提供的一种腭部软硬组织厚度测量方法和系统具有精度高、效率高、计算量少和自动化测量。
Description
技术领域
本发明涉及医疗分析技术领域,尤其是涉及一种腭部软硬组织厚度测量方法和系统。
背景技术
微种植体支抗被广泛应用于口腔正畸治疗中,特别是在打开前牙深覆合、磨牙近远中移动、牙弓扩展等各类错畸形的纠正方面,有着广阔的临床应用前景。微种植体支抗的治疗效果在临床治疗中也得到了口腔正畸医生的广泛认可,是目前口腔正畸学领域中运用最广泛的支抗装置。
虽然微种植体支抗可以植入颊侧或腭部,但由于微种植体支抗在腭部更加稳定,因此通常首选腭部。这是由于该区域的优点是没有显著的解剖结构,如神经、血管或牙根,这些结构可能会干扰微种植体支抗的放置。此外,由于覆盖腭骨的为角化龈,并且几乎没有潜在的软组织刺激。因此腭部种植钉支抗在口腔正畸学领域得到广泛应用。
由于腭部软硬组织的厚度会影响正畸医师对微型种植体长度的选择,并影响微型种植体的生物力学稳定性和总体成功率。因此,一方面,骨的数量和质量是影响植入成功率的主要因素,这是因为稳定性是通过机械保持而非骨整合实现的,因此应增加种植体在腭骨内的长度以获得更大的接触面积。另一方面,与软组织炎症密切相关的腭部软组织厚度会影响微型种植体的生物力学稳定性和整体成功率。因此,在设计腭部微型种植体植入时,应同时考虑腭部骨组织和软组织的厚度。研究表明,个体间腭部骨组织和软组织厚度具有个体间的变异性,即在固定深度盲目插入微型植入物螺钉的情况下,有穿通鼻腔的风险。因此微种植体支抗不能盲目植入,对于腭部骨组织厚度不够的患者,如果在没有口腔锥形束CT(Cone beam Computer Tomography,CBCT)检查并测量腭部软硬组织的厚度的情况下进行微种植体支抗的植入,则微种植体植入失败和引起严重并发症的风险会更大。
最近的一项研究(Ichinohe M at al.,2019)发现,骨内植入深度大于4.5 mm的支抗种植钉具有较高的成功率。因此,建议的区域为腭部骨组织厚度大于4.5mm,软组织厚度小于1.5mm。值得注意的是,在我们的模型中,骨和软组织厚度的值范围可以根据不同医生的临床经验和标准设置。在确定骨和软组织的目标厚度范围后,我们将模型信息与患者的CBCT融合,以获得适合种植在腭部的区域。通过这种方式,我们将患者的CBCT数据输入到我们的模型中,该模型能够自动识别腭骨和软组织的厚度,从而确定腭部微种植体支抗的最佳种植区域。
近年来,基于深度学习的图像分割网络近年来在口腔医学领域得到广泛应用,以往腭部微种植体支抗的植入往往依赖于医生的经验,因此,基于分割任务辅助来测量腭部软硬组织的厚度,指导正畸微种植体支抗的精准植入,对于广大年轻医师和基层医师有举足轻重的意义。综上,当前在腭部植入微种植体支抗普遍存在三个问题:
1. 现有技术中腭部软硬组织的厚度影响口腔微种植体支抗的准确植入;
2. 现有技术中腭部软硬组织的厚度分割及测量尚未实现自动化;
3. 现有技术中腭部种植体支抗植入难度较大,风险高,植入区域的选择需要患者CBCT图像结合医师经验判断,植入成功率严重依赖医师的经验和技术;
此外,现有技术中通过最大池化得到的图像精度差且提取效率低。
发明内容
本发明的目的是提供一种提取精度高、效率高、计算量少、可实现自动化测量的腭部软硬组织厚度测量方法和系统。
本发明一方面提供了一种腭部软硬组织厚度测量方法,包括如下步骤:
步骤S10:获取多个初始腭部软硬组织图像,并对多个所述初始腭部软硬组织图像进行轮廓标注;
步骤S20:对标注后的初始腭部软硬组织图像进行深度学习,得到深度学习模型,所述深度学习包括计算交叉注意力特征,所述交叉注意力特征的计算方法包括:通过对标注后的初始腭部软硬组织图像进行软池化处理得到特征区域,再通过将特征区域输入卷积注意力进行拼接得到;
步骤S30:通过腭部软硬组织厚度预测算法得到腭部软硬组织的厚度。
进一步的,步骤S20中,所述软池化的计算公式为:,其中,X S 为软池化的输出结果,R为激活区域内的最大近似,w i 为激活区域权重,X i 为在R上的集合,i为图像中的第一像素坐标的序号,i=1、2、3、...、I。
进一步的,所述激活区域权重w i 的计算公式为,其中,e为自然指数,X j 为在R上的集合,j为第二像素坐标的序号,j=1、2、3、...、J,J为第二像素坐标的总序号。
进一步的,所述卷积注意力包括通道卷积注意力和空间卷积注意力,所述特征区域包括横向注意力区域和纵向注意力区域;所述通道卷积注意力由横向注意力和纵向注意力拼接得到,所述通道卷积注意力包括横向通道卷积注意力和纵向通道卷积注意力,所述空间卷积注意力包括横向空间卷积注意力和纵向空间卷积注意力,所述横向注意力通过横向通道卷积注意力和横向空间卷积注意力共同得到,所述纵向注意力通过纵向通道卷积注意力和纵向空间卷积注意力共同得到。
进一步的,步骤S20中还包括:通过特征金字塔网络对所述交叉注意力特征进行腭部软硬组织粗预测,并通过区域生成网络和区域池化获取腭部软硬组织分割和分类结果。
进一步的,步骤S20中,所述深度学习还包括:粗轮廓和细节轮廓,所述粗轮廓通过对卷积后的输出图像进行软池化处理得到,所述细节轮廓通过对所述粗轮廓中的每一个图像块进行逆卷积处理得到,并通过反向采样学习所述细节轮廓的边缘特征。
进一步的,步骤S30中还包括,通过腭部软硬组织厚度预测算法计算得到腭部软硬组织的厚度,所述腭部软硬组织厚度预测算法包括腭部软硬组织区域预测、厚度预测算法和种植区域预测。
进一步的,所述腭部软硬组织区域预测方法包括:通过交并比和交叉熵损失函数对所述深度学习模型进行训练,通过测试集验证腭部软硬组织区域预测结果和定量评价;所述厚度预测算法的计算公式为,其中,Z为范数函数,P为所述腭部软硬组织区域预测结果,/>为/>且m最小时的像素位置,/>为/>且m最大时的像素位置,/>为所述腭部软硬组织区域的预测结果,m为腭部软硬组织区域的行序号,n为腭部软硬组织区域的列序号。
进一步的,所述种植区域预测的方法包括:当所述厚度预测算法计算得到的一范数Z 1 的值大于等于4,且二范数Z 2 为0~1.5时,记录对应的和/>,得到种植区域。
本发明另一方面提供了一种腭部软硬组织厚度测量系统,腭部软硬组织图像标注模型、深度学习模型和腭部软硬组织厚度计算模型,所述腭部软硬组织图像标注模型用于初始腭部软硬组织图像进行轮廓标注;所述深度学习模型用于对轮廓标注后的初始腭部软硬组织图像进行深度学习,得到分割后的腭部软硬组织图像;所述腭部软硬组织厚度计算模型用于根据分割后的腭部软硬组织图像计算得到腭部软硬组织的厚度。
综上所述,本发明至少能够实现如下技术效果:
1. 本发明通过对标注后的初始腭部软硬组织图像进行软池化处理,采用软池化代替现有技术中的最大池化的操作,进一步增加了图像提取精度和提取效率;
2. 本发明通过计算交叉注意力特征,通过交叉注意力获取更大的感受野,同时极大减少了计算量,进一步提高了计算效率;
3. 本发明中的深度学习将软池化和交叉注意力特征相互结合,有效提高了图像特征的学习精度和学习效率,提高了预测结果的准确性,为操作者提供更加可信的数据参考,进而为患者提供更加高质量的服务;
4. 本发明通过将深度学习中的图像轮廓分为粗轮廓和细节轮廓,并对粗轮廓和细节轮廓分别提取,同时,还加入了反向采样学习,相对于现有技术中直接进行卷积操作的深度学习后得到的图像更加精确,预测结果更加准确;
5. 本发明基于分割后的腭部软硬组织图像来测量腭部软硬组织的厚度,自动化识别腭部适合支抗种植钉植入的区域,利用本网络系统,输入患者初始腭部软硬组织图像,可自动标记腭部适合种植入微种植钉支抗的区域范围,指导医师精准植入正畸微种植体支抗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中腭部软硬组织厚度测量方法的流程图;
图2是本发明中深度学习的模型示意图;
图3是本发明中交叉注意力特征计算的流程图;
图4是本发明中分割结果的示意图;
图5是本发明中种植区域的示意图。
具体实施方式
以下的说明提供了许多不同的实施例、或是例子,用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式,仅用来精简的表达本发明,其仅作为例子,而并非用以限制本发明。
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
如图1所示,本发明实施例1提供了提供了一种腭部软硬组织厚度测量方法,包括如下步骤:
步骤S10:获取多个初始腭部软硬组织图像,并对多个所述初始腭部软硬组织图像进行轮廓标注;
所述初始腭部软硬组织图像的采样方式不做具体限制,优选的,可通过锥形束投照计算机重组断层影像设备(CBCT)进行采样。
采集多个初始腭部软硬组织图像并对其进行轮廓标注,所述初始腭部软硬组织图像的个数不做具体限定,只要初始腭部软硬组织图像的个数能够满足后续深度学习的要求即可,初始腭部软硬组织图像的个数越多深度学习得到的精度越好,但大量的图像也会降低图像提取效率,因此,具体实施中可根据图像的复杂程度或轮廓标注的复杂程度,并综合精度要求和效率要求进行合理选择,为清楚说明本实施例,此处对20~80个初始腭部软硬组织图像进行轮廓标注。
具体的,可对原始腭部软硬组织图像进行预处理,所述预处理包括对腭部骨组织和腭部软组织分别进行轮廓标注。
如图2所示,步骤S20:对标注后的初始腭部软硬组织图像进行深度学习,得到深度学习模型,所述深度学习包括计算交叉注意力特征,所述交叉注意力特征的计算方法包括:通过对标注后的初始腭部软硬组织图像进行软池化处理得到特征区域,再通过将特征区域输入卷积注意力进行拼接得到;
具体的,对卷积后的图像做第一预设步长的软池化,得到第一多尺度特征X j ;通过第一多尺度特征X j 得到交叉注意力特征CA(X j );对获取的交叉注意力特征进行腭部软硬组织粗预测,主要通过对卷积后输出的图像做第二预设步长的软池化,得到第二多尺度特征F j ,其中,j=1、2、3、…、5,所述第一预设步长与第二预设步长可相同也可不同。
步骤S30:通过腭部软硬组织厚度预测算法得到腭部软硬组织的厚度。
通过对标注后的初始腭部软硬组织图像进行软池化处理,采用软池化代替现有技术中的最大池化的操作,进一步增加了图像提取精度和提取效率。
通过计算交叉注意力特征,通过交叉注意力获取更大的感受野,同时极大减少了计算量,进一步提高了计算效率。
深度学习将软池化和交叉注意力特征相互结合,有效提高了图像特征的学习精度和学习效率,提高了预测结果的准确性,为操作者提供更加可信的数据参考,进而患者提供更加高质量的服务。
进一步的,步骤S20中,所述软池化的计算公式为:,其中,X S 为软池化的输出结果,R为激活区域内的最大近似,w i 为激活区域权重,X i 为在R上的集合,i为图像中的第一像素坐标的序号,i=1、2、3、...、I。
软池化(SoftPool)与其他基于最大池化和平均池化的方法相比,SoftPool使用区域的softma处理产生归一化结果,其概率分布与每个激活值相对于核区域的邻近激活值成比例。
softma处理用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,可以看成概率来理解,从而来进行多分类。
进一步的,所述激活区域权重w i 的计算公式为,其中,e为自然指数,X j 为在R上的集合,j为第二像素坐标的序号,j=1、2、3、...、J,J为第二像素坐标的总序号。
进一步的,如图3所示,所述卷积注意力包括通道卷积注意力和空间卷积注意力,所述特征区域包括横向注意力区域和纵向注意力区域;所述通道卷积注意力由横向注意力和纵向注意力拼接得到,所述通道卷积注意力包括横向通道卷积注意力和纵向通道卷积注意力,所述空间卷积注意力包括横向空间卷积注意力和纵向空间卷积注意力,所述横向注意力通过横向通道卷积注意力和横向空间卷积注意力共同得到,所述纵向注意力通过纵向通道卷积注意力和纵向空间卷积注意力共同得到。
所述交叉注意力特征包括特征区域分割模块、空间和通道卷积注意力模块,可用如下公式表示:
其中,HA为横向注意力,VA为纵向注意力,CA为卷积注意力机制中的通道注意力,SA为卷积注意力机制中的空间注意力;C为拼接操作;X h j 为横向特征图,满足h×rw,X v j 为纵向特征图,满足v×rw,且,rw为横向注意力区域宽度,H为纵向注意力区域高度,W为横纵向注意力区域的长度,h为纵向注意力区域的单元高度,w为横纵向注意力区域的单元长度。
进一步的,步骤S20中还包括:通过特征金字塔网络对所述交叉注意力特征进行腭部软硬组织粗预测,并通过区域生成网络和区域池化获取腭部软硬组织分割和分类结果。
具体地,先用区域生成网络生成候选组织框,再利用区域池化生成得分更高的腭部软硬组织框,最终通过卷积模块获得最终的分类和分割结果,如图4所示。
进一步的,步骤S20中,所述深度学习还包括:粗轮廓和细节轮廓,所述粗轮廓通过对卷积后的输出图像进行软池化处理得到,所述细节轮廓通过对所述粗轮廓中的每一个图像块进行逆卷积处理得到,并通过反向采样学习所述细节轮廓的边缘特征。具体的,步骤20中包括:
步骤21:将标注后的初始腭部软硬组织图像分割为大小为128×128×128的图像块集合,每一块用I k 表示,k=1、2、...、n,将I k 输入到辅助分割网络中进行分割训练;
步骤22:首先利用粗网络提取多尺度特征,构建目标的粗轮廓。具体地,用大小为3×3×3,步长为1卷积核对I k 进行卷积处理和下采样操作,然后对卷积后的输出图像做步长为2的软池化代替最大池化处理得到第一多尺度特征X j ,满足H×W×c,其中j=1、2、...、5;
步骤23:获取全局特征后,进行上采样操作。具体地,用大小为3×3×3,步长为1卷积核对I k 进行逆卷积处理,进一步获取目标的细节轮廓;
步骤24:利用反向操作学习目标的边缘特征。具体地,用元素都为1的矩阵减去输入的联合特征图;
步骤24:进一步利用交叉注意力获取更大感受野,并保持较低计算量。具体地,首先将注意力的头部分成捕获横向的注意力区域W×rw和纵向的注意力区域H×rw。再将其分别输入通道注意力和空间注意力,进而将横向和纵向的注意力图拼接,最终得到交叉注意力特征CA(X j );
步骤25:进而利用特征金字塔网络对获取的交叉注意力特征进行腭部软硬组织粗预测。具体地,用大小为3×3×3,步长为1卷积核对I k 进行卷积处理,然后对卷积后的输出图像做步长为2的软池化代替最大池化处理得到第二多尺度特征F j ,其中j=1,2,…,4。
S26:进而利用特征金字塔网络对获取的交叉注意力特征进行腭部软硬组织粗预测。具体地,用大小为3×3×3,步长为1卷积核对I k 进行卷积处理,然后对卷积后的输出图像做步长为2的软池化代替最大池化处理得到多尺度特征F j ;
S27:其次利用区域生成网络和区域池化获取最后腭部软硬组织分割和分类结果。具体地,先用区域生成网络生成候选组织框,再利用区域池化生成得分更高的腭部软硬组织框,最终通过卷积模块获得最终的分类和分割结果。
通过将深度学习中的图像轮廓分为粗轮廓和细节轮廓,并对粗轮廓和细节轮廓分别提取,同时,还加入了反向采样学习,相对于现有技术中直接进行卷积操作的深度学习后得到的图像更加精确,预测结果更加准确。
进一步的,步骤S30中还包括,通过腭部软硬组织厚度预测算法计算得到腭部软硬组织的厚度,所述腭部软硬组织厚度预测算法包括腭部软硬组织区域预测、厚度预测算法和种植区域预测。
进一步的,所述腭部软硬组织区域预测方法包括:通过交并比和交叉熵损失函数对所述深度学习模型进行训练,通过测试集验证腭部软硬组织区域预测结果和定量评价;所述厚度预测算法的计算公式为,其中,Z为范数函数,P为所述腭部软硬组织区域预测结果,/>为/>且m最小时的像素位置,/>为/>且m最大时的像素位置,/>为所述腭部软硬组织区域的预测结果,m为腭部软硬组织区域的行序号,n为腭部软硬组织区域的列序号。
进一步的,所述种植区域预测的方法包括:当所述厚度预测算法计算得到的一范数Z 1 的值大于等于4,且二范数Z 2 为0~1.5时,记录对应的和/>,遍历所有CBCT切片,得到最终推荐的口腔腭部种植区域。
如图5所示的最终推荐的口腔腭部种植区域可与患者口内的扫描相通过软件重叠,从而得到更加精确的种植区域。
本发明提供的腭部软硬组织厚度测量方法可用于预测腭侧正畸微支抗种植钉的区域范围。
实施例2:
本发明实施例2提供了一种腭部软硬组织厚度测量系统,腭部软硬组织图像标注模型、深度学习模型和腭部软硬组织厚度计算模型,所述腭部软硬组织图像标注模型用于初始腭部软硬组织图像进行轮廓标注;所述深度学习模型用于对轮廓标注后的初始腭部软硬组织图像进行深度学习,得到分割后的腭部软硬组织图像;所述腭部软硬组织厚度计算模型用于根据分割后的腭部软硬组织图像计算得到腭部软硬组织的厚度。
本发明提供的一种腭部软硬组织厚度测量方法,首先,采集初始腭部软硬组织图像并对其进行标注,采集患者原始CBCT图像,对初始腭部软硬组织图像进行预处理,包括对腭部骨组织和软组织进行轮廓标。其次,构建深度学习模型,所述深度学习模型包括基础网络、交叉注意力特征提取模块、特征金字塔网络以及区域生成网络。最后,提出腭部软硬组织厚度预测算法,所述算法包括腭部软硬组织区域预测、厚度预测算法和种植区域预测。
基于分割后的腭部软硬组织图像来测量腭部软硬组织的厚度,自动化识别腭部适合支抗种植钉植入的区域,利用本网络系统,输入患者初始腭部软硬组织图像,可自动标记腭部适合种植钉的区域范围,指导医师精准植入正畸微种植体支抗。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种腭部软硬组织厚度测量方法,其特征在于,包括如下步骤:
步骤S10:获取多个初始腭部软硬组织图像,并对多个所述初始腭部软硬组织图像进行轮廓标注;
步骤S20:对标注后的初始腭部软硬组织图像进行深度学习,得到深度学习模型,所述深度学习包括计算交叉注意力特征,所述交叉注意力特征的计算方法包括:通过对标注后的初始腭部软硬组织图像进行软池化处理得到特征区域,再通过将特征区域输入卷积注意力进行拼接得到;
步骤S30:基于深度学习模型的预测结果得到腭部软硬组织的厚度;
步骤S30中还包括,通过腭部软硬组织厚度预测算法计算得到腭部软硬组织的厚度,所述腭部软硬组织厚度预测算法包括腭部软硬组织区域预测、厚度预测算法和种植区域预测;
所述腭部软硬组织区域预测方法包括:通过交并比和交叉熵损失函数对所述深度学习模型进行训练,通过测试集验证腭部软硬组织区域预测结果和定量评价;所述厚度预测算法的计算公式为其中,Z为范数函数,P为所述腭部软硬组织区域预测结果,/>为/>且m最小时的像素位置,/>为/>且m最大时的像素位置,/>为所述腭部软硬组织区域的预测结果,m为腭部软硬组织区域的行序号,n为腭部软硬组织区域的列序号;
所述种植区域预测的方法包括:当所述厚度预测算法计算得到的一范数Z1的值大于等于4,且二范数Z2为0~1.5时,记录对应的和/>遍历所有图像的CBCT切片,得到推荐的种植区域;
所述卷积注意力包括通道卷积注意力和空间卷积注意力,所述特征区域包括横向注意力区域和纵向注意力区域;所述通道卷积注意力由横向注意力和纵向注意力拼接得到,所述通道卷积注意力包括横向通道卷积注意力和纵向通道卷积注意力,所述空间卷积注意力包括横向空间卷积注意力和纵向空间卷积注意力,所述横向注意力通过横向通道卷积注意力和横向空间卷积注意力共同得到,所述纵向注意力通过纵向通道卷积注意力和纵向空间卷积注意力共同得到。
2.如权利要求1所述的一种腭部软硬组织厚度测量方法,其特征在于,步骤S20中,所述软池化的计算公式为:XS=∑i∈Rwi·Xi,其中,XS为软池化的输出结果,R为激活区域内的最大近似,wi为激活区域权重,Xi为在R上的集合,i为第一像素坐标的序号,i=1、2、3、...、I。
3.如权利要求2所述的一种腭部软硬组织厚度测量方法,其特征在于,所述激活区域权重wi的计算公式为其中,e为自然指数,Xj为在R上的集合,j为第二像素坐标的序号,j=1、2、3、...、J。
4.如权利要求1所述的一种腭部软硬组织厚度测量方法,其特征在于,步骤S20中还包括:通过特征金字塔网络对所述交叉注意力特征进行腭部软硬组织粗预测,并通过区域生成网络和区域池化获取腭部软硬组织分割和分类结果。
5.如权利要求1所述的一种腭部软硬组织厚度测量方法,其特征在于,步骤S20中,所述深度学习还包括:粗轮廓和细节轮廓,所述粗轮廓通过对卷积后的输出图像进行软池化处理得到,所述细节轮廓通过对所述粗轮廓中的每一个图像块进行逆卷积处理得到,并通过反向采样学习所述细节轮廓的边缘特征。
6.一种采用如权利要求1-5任一所述的一种腭部软硬组织厚度测量方法进行腭部软硬组织厚度测量的系统,其特征在于,腭部软硬组织图像标注模型、深度学习模型和腭部软硬组织厚度计算模型,所述腭部软硬组织图像标注模型用于初始腭部软硬组织图像进行轮廓标注;所述深度学习模型用于对轮廓标注后的初始腭部软硬组织图像进行深度学习,得到分割后的腭部软硬组织图像;所述腭部软硬组织厚度计算模型用于根据分割后的腭部软硬组织图像计算得到腭部软硬组织的厚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591229.3A CN114255350B (zh) | 2021-12-23 | 2021-12-23 | 一种腭部软硬组织厚度测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111591229.3A CN114255350B (zh) | 2021-12-23 | 2021-12-23 | 一种腭部软硬组织厚度测量方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114255350A CN114255350A (zh) | 2022-03-29 |
CN114255350B true CN114255350B (zh) | 2023-08-04 |
Family
ID=80794670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111591229.3A Active CN114255350B (zh) | 2021-12-23 | 2021-12-23 | 一种腭部软硬组织厚度测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114255350B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8805043B1 (en) * | 2010-04-02 | 2014-08-12 | Jasjit S. Suri | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110310740A (zh) * | 2019-04-15 | 2019-10-08 | 山东大学 | 基于交叉注意神经网络的再就医信息预测方法及系统 |
CN110766656A (zh) * | 2019-09-19 | 2020-02-07 | 平安科技(深圳)有限公司 | 筛查眼底黄斑区异常的方法、装置、设备和存储介质 |
CN111951235A (zh) * | 2020-07-31 | 2020-11-17 | 湘潭大学 | 基于深度学习的皮肤图像处理方法 |
CN113112477A (zh) * | 2021-04-15 | 2021-07-13 | 中山大学附属口腔医院 | 一种基于人工智能的前牙即刻种植测量分析方法 |
CN113240683A (zh) * | 2021-06-08 | 2021-08-10 | 北京航空航天大学 | 基于注意力机制的轻量化语义分割模型构建方法 |
CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
CN113409275A (zh) * | 2021-06-22 | 2021-09-17 | 青岛海信医疗设备股份有限公司 | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
-
2021
- 2021-12-23 CN CN202111591229.3A patent/CN114255350B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8805043B1 (en) * | 2010-04-02 | 2014-08-12 | Jasjit S. Suri | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) |
CN110310740A (zh) * | 2019-04-15 | 2019-10-08 | 山东大学 | 基于交叉注意神经网络的再就医信息预测方法及系统 |
CN110084794A (zh) * | 2019-04-22 | 2019-08-02 | 华南理工大学 | 一种基于注意力卷积神经网络的皮肤癌图片识别方法 |
CN110766656A (zh) * | 2019-09-19 | 2020-02-07 | 平安科技(深圳)有限公司 | 筛查眼底黄斑区异常的方法、装置、设备和存储介质 |
CN111951235A (zh) * | 2020-07-31 | 2020-11-17 | 湘潭大学 | 基于深度学习的皮肤图像处理方法 |
CN113112477A (zh) * | 2021-04-15 | 2021-07-13 | 中山大学附属口腔医院 | 一种基于人工智能的前牙即刻种植测量分析方法 |
CN113240683A (zh) * | 2021-06-08 | 2021-08-10 | 北京航空航天大学 | 基于注意力机制的轻量化语义分割模型构建方法 |
CN113409275A (zh) * | 2021-06-22 | 2021-09-17 | 青岛海信医疗设备股份有限公司 | 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 |
CN113256641A (zh) * | 2021-07-08 | 2021-08-13 | 湖南大学 | 一种基于深度学习的皮肤病灶图像分割方法 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN113627401A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 融合双注意力机制的特征金字塔网络的肌电手势识别方法 |
Non-Patent Citations (1)
Title |
---|
李淑华等.不同年龄腭部软硬组织厚度的CBCT研究.《中国美容医学》.2018,第27卷(第4期),112-115. * |
Also Published As
Publication number | Publication date |
---|---|
CN114255350A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200305808A1 (en) | Automated Tooth Localization, Enumeration, and Diagnostic System and Method | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
US9710907B2 (en) | Diagnosis support system using panoramic radiograph and diagnosis support program using panoramic radiograph | |
CN109767841B (zh) | 一种基于颅颌面三维形态数据库的相似模型检索方法及装置 | |
Hosntalab et al. | Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set | |
CN113223010A (zh) | 口腔图像多组织全自动分割的方法和系统 | |
CN110503652A (zh) | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 | |
KR102461343B1 (ko) | 금속 인공 음영이 포함된 의료영상에서 치아 랜드마크 자동 검출 방법 및 시스템 | |
CN114332123A (zh) | 基于全景片的龋病自动分级方法及系统 | |
CN115222937A (zh) | 一种脊柱侧弯检测方法及装置 | |
Kondo et al. | Computer-based extraction of the inferior alveolar nerve canal in 3-D space | |
WO2011122936A2 (en) | A methodology and apparatus for objective assessment and rating of psoriasis lesion thickness using digital imaging | |
CN114255350B (zh) | 一种腭部软硬组织厚度测量方法和系统 | |
Nie et al. | OII-DS: A benchmark Oral Implant Image Dataset for object detection and image classification evaluation | |
US8737706B2 (en) | Image analysis method | |
CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
da Silva et al. | A systematic review of photogrammetry as a reliable methodology in gender identification of human skull | |
Cunha et al. | A method for segmentation of dental implants and crestal bone | |
CN114187293B (zh) | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 | |
CN113658679B (zh) | 一种医学图像下牙槽神经损伤风险自动评估方法 | |
CN113017868B (zh) | 一种正畸前后头颅侧位片配准方法及设备 | |
CN115439409A (zh) | 牙齿类型的识别方法和装置 | |
Lin et al. | Construction of an end‐to‐end regression neural network for the determination of a quantitative index sagittal root inclination | |
Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
El-Fegh et al. | Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator |
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 |