CN114677374A - 一种下颌神经管中心线提取与半径计算的方法 - Google Patents

一种下颌神经管中心线提取与半径计算的方法 Download PDF

Info

Publication number
CN114677374A
CN114677374A CN202210584902.9A CN202210584902A CN114677374A CN 114677374 A CN114677374 A CN 114677374A CN 202210584902 A CN202210584902 A CN 202210584902A CN 114677374 A CN114677374 A CN 114677374A
Authority
CN
China
Prior art keywords
mandibular
tube
point
keel
mandibular nerve
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
CN202210584902.9A
Other languages
English (en)
Other versions
CN114677374B (zh
Inventor
乔天
翟方文
聂智林
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.)
Hangzhou Jianjia Medical Technology Co ltd
Original Assignee
Hangzhou Jianjia Robot 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 Hangzhou Jianjia Robot Co ltd filed Critical Hangzhou Jianjia Robot Co ltd
Priority to CN202210584902.9A priority Critical patent/CN114677374B/zh
Publication of CN114677374A publication Critical patent/CN114677374A/zh
Application granted granted Critical
Publication of CN114677374B publication Critical patent/CN114677374B/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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Dental Prosthetics (AREA)

Abstract

本发明涉及医学图像处理领域，具体涉及一种下颌神经管中心线提取与半径计算方法。该方法包括：利用分割算法与连通域算法对口腔CBCT图像进行下颌神经管自动分割；利用龙骨提取算法对分割结果进行图像细化；对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。本发明提高了下颌神经管的定位精度，节约了人工标注的时间成本。

Description

一种下颌神经管中心线提取与半径计算的方法
技术领域
本发明涉及医学图像处理领域，具体涉及一种下颌神经管中心线提取与半径计算的方法。
背景技术
目前，计算机辅助规划和设计的系统已经在口腔种植规划领域中有了越来越广泛的应用，在医疗影像的导引下，医生可以完成对口腔种植的术前规划任务，提升手术精度，提高手术效率，减少病人痛苦。在口腔种植手术中，下颌神经管的位置十分重要，如果种植体对下颌神经管产生干涉，会造成患者面部麻木、疼痛等神经症状。
现有计算机辅助的口腔种植软件对于下颌管的定位通常采用手动标记或自动分割的形式。其中手动标记耗时耗力，且不同操作人员标记的结果往往无法统一，容易造成误差；而自动分割方法不稳定，容易出现过分割、欠分割的现象。
发明内容
本发明的目的在于克服上述背景技术中描述的现有技术的缺点，提供一种下颌神经管中心线提取与半径计算的方法，该方法在下颌管自动分割的基础上，可以提取下颌管中心线的位置并计算半径，提升下颌神经管定位精度。
为实现以上目的，本发明采用以下技术方案予以实现：一种下颌神经管中心线提取与半径计算的方法，该方法包括：
获取口腔CBCT图像；
利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型；
利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像；
对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；
对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；
对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；
利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。
进一步地，所述利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型，包括：
利用分割算法对所述口腔CBCT图像进行下颌神经管自动分割；
选择26体素邻域对分割算法输出的结果进行连通域分析，保留体素个数最多的连通域，消除分割结果中被误分割、过分割的噪声点；
得到所述下颌神经管的分割结果，记为Icanal；
基于所述下颌神经管的分割结果生成所述下颌神经管的三维模型；
其中，Icanal是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的区域。
进一步地，所述利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像，包括：
对分割后的图像中每一个体素点的3×3×3邻域进行判断：若所述体素点已经处于边界点，则加入到待删减点列表中；
对所述待删减点列表中的点进行二次判断，若删除该点不影响领域内的连通性，则删除该点，否则保留该点；
重复上述过程直到图像不再发生任何变化，得到细化后的龙骨图像，记为Iskeleton；
其中，Iskeleton是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的龙骨点。
进一步地，所述对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息，包括：
扫描细化后的龙骨图像，将所有体素值为1的龙骨点设置为图结点，记为Nodei，Nodei存储了所述图结点的坐标(x, y, z)，其中i为所述图结点的索引；
遍历所述图结点，找到一个26体素邻域内只有一个邻居的图结点，记为Nodestart，停止遍历；
从Nodestart开始广度优先遍历，建立所述图结点之间的连接关系，记为Edgei,j，对已经遍历到的所述图结点进行标记，避免出现子结点之间建立连接的情况；
利用图结点与连接关系构造一个无向无环图，记为G(Node, Edge)，其中Node表示所有所述图结点的集合，Edge表示所有连接关系的集合。
进一步地，所述对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云，包括：
从Node0开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodex；
从Nodex开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodey，则Nodex，Nodey之间的路径即为G(Node, Edge)中的最长路径；
遍历所述最长路径上的所述图结点，得到所述下颌神经管中心线的点云数据，记为Points；
其中Points为[N, 3]的矩阵，N为所述图结点的个数，3代表所述图结点的(x, y,z)坐标。
进一步地，所述对所述中心线点云进行曲线拟合和降采样，得到下颌神经管中心线及其控制点和切向量，包括：
利用曲线拟合方法对所述下颌神经管的中心线点云进行三次样条曲线拟合，得到所述下颌神经管中心线；
根据曲线拟合结果对所述中心线进行等距离降采样，采样后的点称为控制点，用于描述所述曲线的基本形态；
所述控制点个数设置为M，采样后的所述控制点点云记为Centerline；
根据曲线拟合的结果计算每个控制点的切向量，得到切向量矩阵，记为T。
其中，Centerline为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点的(x, y, z)坐标；T为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点切向量在三个方向上的分量。
进一步地，所述利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径，包括：
基于所述切向量矩阵T与所述控制点点云Centerline，确定Centerline上每个控制点的横截面Pi；
基于所述横截面Pi与所述下颌神经管三维模型进行计算，得到所述控制点的所述横截面与所述下颌神经管三维模型的交线，记为Ci；
计算Ci上每个点到Centerline上第i个点的距离并取平均值，得到所述下颌神经管在第i个点处的半径；
其中i为所述控制点的索引。
本发明提供了一种下颌神经管中心线提取与半径计算的方法，该方法包括：利用分割算法与连通域算法对口腔CBCT图像进行下颌神经管自动分割；利用龙骨提取算法对分割结果进行图像细化；对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。与现有技术相比，本发明提供的方法提高了下颌神经管的定位精度，节约了人工标注的时间成本。
附图说明
下面将参考附图来描述本发明示例性实施例的特征、优点和技术效果。
图1是本发明实施例提供的下颌神经管中心线提取与半径计算的方法流程示意图；
图2是本发明实施例根据自动分割结果生成的下颌神经管三维模型示意图；
图3是本发明实施例龙骨提取结果点云示意图；
图4是本发明实施例下颌神经管中心线提取结果点云示意图；
图5是本发明实施例中心线降采样得到的控制点与其切向量的示意图;
图6是本发明实施例半径计算示意图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例，为了使本公开 的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本公开进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本公开， 而不是限定本公开。对于本领域技术人员来说，本公开可以在不需要这些具体 细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本 公开的示例来提供对本公开更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些 实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了更好地理解本发明，下面结合附图对本发明实施例提供的方法进行详细描述。
图1是本发明实施例提供的下颌神经管中心线提取与半径计算的方法流程示意图。
如图1所示，本发明提供了一种下颌神经管中心线提取与半径计算的方法，该方法包括：
S101，获取口腔CBCT图像；
S102，利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型；
S103，利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像；
S104，对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；
S105，对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；
S106，对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；
S107，利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。
其中所述S101中CBCT影像，数据尺寸为[X, Y, Z]，数值范围为[-1024, 3072]，记为Iinput。
所述S102中利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型，包括：
利用分割算法对所述口腔CBCT图像进行下颌神经管自动分割；
可选地，所述分割算法可以是区域生长算法、水平集等传统图像处理算法，也可以是深度学习方法。
选择26体素邻域对分割算法输出的结果进行连通域分析，保留体素个数最多的连通域，消除分割结果中被误分割、过分割的噪声点；
得到所述下颌神经管的分割结果，记为Icanal；
基于所述下颌神经管的分割结果生成所述下颌神经管的三维模型，如图2所示；其中，Icanal是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的区域。
所述S103中利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像，包括：
对分割后的图像中每一个体素点的3×3×3邻域进行判断：若所述体素点已经处于边界点，则加入到待删减点列表中；
对所述待删减点列表中的点进行二次判断，若删除该点不影响领域内的连通性，则删除该点，否则保留该点；
重复上述过程直到图像不再发生任何变化，得到细化后的龙骨图像，记为Iskeleton。
如图3所示，细化后的龙骨图像Iskeleton是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的龙骨点。
所述S104中对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息，包括：
扫描细化后的龙骨图像，将所有体素值为1的龙骨点设置为图结点，记为Nodei，Nodei存储了所述图结点的坐标(x, y, z)，其中i为所述图结点的索引；
遍历所述图结点，找到一个26体素邻域内只有一个邻居的图结点，记为Nodestart，停止遍历；
从Nodestart开始广度优先遍历，建立所述图结点之间的连接关系，记为Edgei,j，对已经遍历到的所述图结点进行标记，避免出现子结点之间建立连接的情况；
利用图结点与连接关系构造一个无向无环图，记为G(Node, Edge)，其中Node表示所有所述图结点的集合，Edge表示所有连接关系的集合。
所述S105中对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云，包括：
从Node0开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodex；
从Nodex开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodey，则Nodex，Nodey之间的路径即为G(Node, Edge)中的最长路径；
如图4所示，遍历所述最长路径上的所述图结点，得到所述下颌神经管中心线的点云数据，记为Points；其中，Points为[N, 3]的矩阵，N为所述图结点的个数，3代表所述图结点的(x, y, z)坐标。
所述S106中对所述中心线点云进行曲线拟合和降采样，得到下颌神经管中心线及其控制点和切向量，包括：
利用曲线拟合方法对所述下颌神经管的中心线点云进行三次样条曲线拟合，得到所述下颌神经管中心线；
根据曲线拟合结果对所述中心线进行等距离降采样，采样后的点称为控制点，用于描述所述曲线的基本形态；
如图5所示，所述控制点个数设置为M，采样后的所述控制点点云记为Centerline；
根据曲线拟合的结果计算每个控制点的切向量，得到切向量矩阵，记为T。
其中，Centerline为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点的(x, y, z)坐标；T为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点切向量在三个方向上的分量。
进一步地，S107中所述利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径，包括：
基于所述切向量矩阵T与所述控制点点云Centerline，确定Centerline上每个控制点的横截面Pi，如图6所示；
基于所述横截面Pi与所述下颌神经管三维模型进行计算，得到所述控制点的所述横截面与所述下颌神经管三维模型的交线，记为Ci；
计算Ci上每个点到Centerline上第i个点的距离并取平均值，得到所述下颌神经管在第i个点处的半径；其中i为所述控制点的索引。
本发明提供了一种下颌神经管中心线提取与半径计算的方法。该方法包括：利用分割算法与连通域算法对口腔CBCT图像进行下颌神经管自动分割；利用龙骨提取算法对分割结果进行图像细化；对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。与现有技术相比，本发明提供的方法提高了下颌神经管的定位精度，节约了人工标注的时间成本。
虽然已经参考优选实施例对本发明进行了描述，但在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本发明并不局于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。

Claims (7)

1.一种下颌神经管中心线提取与半径计算的方法，其特征在于，包括：
获取口腔CBCT图像；
利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型；
利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像；
对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息；
对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云；
对所述中心线点云进行曲线拟合和降采样，得到所述下颌神经管中心线及其控制点和切向量；
利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径。
2.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述利用分割算法与连通域算法对所述口腔CBCT图像进行下颌神经管自动分割，并生成下颌神经管三维模型，包括：
利用分割算法对所述口腔CBCT图像进行下颌神经管自动分割；
选择26体素邻域对分割算法输出的结果进行连通域分析，保留体素个数最多的连通域，消除分割结果中被误分割、过分割的噪声点；
得到所述下颌神经管的分割结果，记为Icanal；
基于所述下颌神经管的分割结果生成所述下颌神经管的三维模型；
其中，Icanal是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的区域。
3.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述利用龙骨提取算法对自动分割的结果进行图像细化，获取所述下颌神经管的龙骨图像，包括：
对分割后的图像中每一个体素点的3×3×3邻域进行判断：若所述体素点已经处于边界点，则加入到待删减点列表中；
对所述待删减点列表中的点进行二次判断，若删除该点不影响领域内的连通性，则删除该点，否则保留该点；
重复上述过程直到图像不再发生任何变化，得到细化后的龙骨图像，记为Iskeleton；
其中，Iskeleton是数值范围为[0, 1]的二值图像，其中0代表背景区域，1代表所述下颌神经管的龙骨点。
4.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述对所述下颌神经管的龙骨点构造图结构，生成图结点与边信息，包括：
扫描细化后的龙骨图像，将所有体素值为1的龙骨点设置为图结点，记为Nodei，Nodei存储了所述图结点的坐标(x, y, z)，其中i为所述图结点的索引；
遍历所述图结点，找到一个26体素邻域内只有一个邻居的图结点，记为Nodestart，停止遍历；
从Nodestart开始广度优先遍历，建立所述图结点之间的连接关系，记为Edgei,j，对已经遍历到的所述图结点进行标记，避免出现子结点之间建立连接的情况；
利用图结点与连接关系构造一个无向无环图，记为G(Node, Edge)，其中Node表示所有所述图结点的集合，Edge表示所有连接关系的集合。
5.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述对所述下颌神经管的龙骨进行剪枝，提取龙骨中的最长路径，得到所述下颌神经管的中心线点云，包括：
从Node0开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodex；
从Nodex开始深度优先遍历，得到最后遍历到的所述图结点，记为Nodey，则Nodex，Nodey之间的路径即为G(Node, Edge)中的最长路径；
遍历所述最长路径上的所述图结点，得到所述下颌神经管中心线的点云数据，记为Points；
其中Points为[N, 3]的矩阵，N为所述图结点的个数，3代表所述图结点的(x, y, z)坐标。
6.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述对所述中心线点云进行曲线拟合和降采样，得到下颌神经管中心线及其控制点和切向量，包括：
利用曲线拟合方法对所述下颌神经管的中心线点云进行三次样条曲线拟合，得到所述下颌神经管中心线；
根据曲线拟合结果对所述中心线进行等距离降采样，采样后的点称为控制点，用于描述所述曲线的基本形态；
所述控制点个数设置为M，采样后的所述控制点点云记为Centerline；
根据曲线拟合的结果计算每个控制点的切向量，得到切向量矩阵，记为T；
其中，Centerline为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点的(x, y,z)坐标；T为[M, 3]的矩阵，M为所述控制点的个数，3代表所述控制点切向量在三个方向上的分量。
7.根据权利要求1所述的一种下颌神经管中心线提取与半径计算的方法，其特征在于，所述利用所述控制点及所述切向量生成横截面，计算所述横截面与所述下颌神经管三维模型的交线，得到所述控制点的半径，包括：
基于所述切向量矩阵T与所述控制点点云Centerline，确定Centerline上每个控制点的横截面Pi；
基于所述横截面Pi与所述下颌神经管三维模型进行计算，得到所述控制点的所述横截面与所述下颌神经管三维模型的交线，记为Ci；
计算Ci上每个点到Centerline上第i个点的距离并取平均值，得到所述下颌神经管在第i个点处的半径；
其中i为所述控制点的索引。
CN202210584902.9A 2022-05-27 2022-05-27 一种下颌神经管中心线提取与半径计算的方法 Active CN114677374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210584902.9A CN114677374B (zh) 2022-05-27 2022-05-27 一种下颌神经管中心线提取与半径计算的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584902.9A CN114677374B (zh) 2022-05-27 2022-05-27 一种下颌神经管中心线提取与半径计算的方法

Publications (2)

Publication Number Publication Date
CN114677374A true CN114677374A (zh) 2022-06-28
CN114677374B CN114677374B (zh) 2022-09-02

Family

ID=82081108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210584902.9A Active CN114677374B (zh) 2022-05-27 2022-05-27 一种下颌神经管中心线提取与半径计算的方法

Country Status (1)

Country Link
CN (1) CN114677374B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074277A (zh) * 2016-11-18 2018-05-25 中国科学院沈阳自动化研究所 一种面向数字化制造的弯管测量和余量定位方法
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
GB201914524D0 (en) * 2018-10-08 2019-11-20 Ulc Robotics Inc System and method for data acquisition
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
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
CN111612743A (zh) * 2020-04-24 2020-09-01 杭州电子科技大学 一种基于ct图像的冠状动脉中心线提取方法
CN113436322A (zh) * 2021-07-08 2021-09-24 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 一种眼底血管三维重建方法、装置、设备及存储介质
CN113643446A (zh) * 2021-08-11 2021-11-12 北京朗视仪器股份有限公司 一种下颌神经管自动标记方法、装置和电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108074277A (zh) * 2016-11-18 2018-05-25 中国科学院沈阳自动化研究所 一种面向数字化制造的弯管测量和余量定位方法
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
GB201914524D0 (en) * 2018-10-08 2019-11-20 Ulc Robotics Inc System and method for data acquisition
US20200111222A1 (en) * 2018-10-08 2020-04-09 Ulc Robotics, Inc. System and method for data acquisition
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
CN110517279A (zh) * 2019-09-20 2019-11-29 北京深睿博联科技有限责任公司 头颈血管中心线提取方法及装置
CN111612743A (zh) * 2020-04-24 2020-09-01 杭州电子科技大学 一种基于ct图像的冠状动脉中心线提取方法
CN113436322A (zh) * 2021-07-08 2021-09-24 中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所 一种眼底血管三维重建方法、装置、设备及存储介质
CN113643446A (zh) * 2021-08-11 2021-11-12 北京朗视仪器股份有限公司 一种下颌神经管自动标记方法、装置和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FATEMEH ABDOLALI ET AL.: ""Mandibular canal segmentation using 3D Active Appearance Models and shape context registration"", 《21ST IRANIAN CONFERENCE ON BIOMEDICAL ENGINEERING》 *
李艳琴 等: ""牙种植外科CAD/CAM模板的制作及精确性评价"", 《福建医科大学学报》 *

Also Published As

Publication number Publication date
CN114677374B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
US10285781B2 (en) Method for acquiring tooth crown shape information from data relating to oral cavity shape to automatically construct a database for tooth crown shapes
CN111077844B (zh) 一种基于实测数据特征引导的零件精确加工方法
CN102254317A (zh) 牙种植导航中牙弓曲面的自动提取方法
CN108648283B (zh) 牙齿分割方法及装置
CN111260672B (zh) 一种利用形态学数据引导分割牙齿的方法
CN111145226B (zh) 基于ct影像的三维肺部特征提取方法
CN108776996B (zh) 一种高效自动辅助寻找牙齿咬合深度的方法
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
CN114155193B (zh) 一种基于特征强化的血管分割方法及装置
CN115908297A (zh) 基于拓扑知识的医学影像中血管分割建模方法
CN110211200B (zh) 一种基于神经网络技术的牙弓线生成方法及其系统
CN115641323A (zh) 医学图像自动标注的方法及装置
CN113516644B (zh) 一种血管内光学相干层析成像分支血管识别方法
CN114677374B (zh) 一种下颌神经管中心线提取与半径计算的方法
CN114549540A (zh) 一种口扫牙齿数据与cbct数据自动融合的方法及其应用
CN113393470A (zh) 一种牙齿全自动分割方法
Schoenemann et al. Validation of plaster endocast morphology through 3D CT image analysis
CN114511512B (zh) 一种基于交互指导的血管图像分割方法
CN115546103A (zh) 一种口腔cbct自动配准方法
CN114897924B (zh) 牙齿模型分割方法及装置
CN116523926A (zh) 多任务骨关节ct/mri融合的组织精准分割建模方法及装置
CN108198213B (zh) 一种标记管状结构的方法及装置、管状结构的处理终端
CN114081625B (zh) 导航路径规划方法、系统和可读存储介质
CN114549396A (zh) 一种基于图神经网络的脊椎交互式与自动分割细化方法
CN113506301A (zh) 一种牙齿图像分割方法和装置

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
CP01 Change in the name or title of a patent holder

Address after: Room 305 and 306, building 8, No. 181, Wuchang Avenue, Wuchang Street, Yuhang District, Hangzhou, Zhejiang 311100

Patentee after: Hangzhou Jianjia Medical Technology Co.,Ltd.

Address before: Room 305 and 306, building 8, No. 181, Wuchang Avenue, Wuchang Street, Yuhang District, Hangzhou, Zhejiang 311100

Patentee before: HANGZHOU JIANJIA ROBOT Co.,Ltd.

CP01 Change in the name or title of a patent holder