CN114757960A - 一种基于cbct图像的牙齿分割与重建方法及存储介质 - Google Patents

一种基于cbct图像的牙齿分割与重建方法及存储介质 Download PDF

Info

Publication number
CN114757960A
CN114757960A CN202210670838.6A CN202210670838A CN114757960A CN 114757960 A CN114757960 A CN 114757960A CN 202210670838 A CN202210670838 A CN 202210670838A CN 114757960 A CN114757960 A CN 114757960A
Authority
CN
China
Prior art keywords
tooth
teeth
cbct
segmentation
dimensional
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
CN202210670838.6A
Other languages
English (en)
Other versions
CN114757960B (zh
Inventor
林小平
黄胜钧
谢李鹏
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.)
Hansf Hangzhou Medical Technology Co ltd
Original Assignee
Hansf Hangzhou 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 Hansf Hangzhou Medical Technology Co ltd filed Critical Hansf Hangzhou Medical Technology Co ltd
Priority to CN202210670838.6A priority Critical patent/CN114757960B/zh
Publication of CN114757960A publication Critical patent/CN114757960A/zh
Application granted granted Critical
Publication of CN114757960B publication Critical patent/CN114757960B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明为一种基于CBCT图像的牙齿分割与重建方法及存储介质，先通过对CBCT数据进行自定义逐层标注，自动统计标注的牙齿中心点，对CBCT数据集进行预处理，然后基于开源的深度学习平台TensorFlow和全卷积神经网络模型，设计并训练得到CBCT牙齿图像分割网络模型；通过训练得到的模型输出得到每个体素的概率值，通过对上下颌牙齿重叠进行分离、合并的优化，再对根尖形状进行细化处理，最后重建牙齿三维模型。本发明利用深度学习方法，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的牙齿分割与3D重建结果。

Description

一种基于CBCT图像的牙齿分割与重建方法及存储介质
技术领域
本发明涉及图像处理技术领域，具体为一种基于CBCT图像的牙齿分割与重建方法及存储介质。
背景技术
口腔健康是人体健康的重要组成部分，同时口腔对人体的面部美观也有较大的影响，随着中国人均生活水平的逐渐提高，口腔检查与正畸越来越受到人们的重视。由于口腔锥形束CT（Cone beam Computer Tomography，CBCT）具有低辐射、高精度、可提供口腔三维信息等优点，其被广泛应用于口腔颌面疾病诊断与整形领域，例如定位拔除埋伏阻生牙、测量下颌神经管、诊疗颌骨病损等。临床工作中，口腔医生通过CBCT图像直观地了解病人的牙颌形态，并可以利用工具测量口腔颌面参数来辅助判断病情，制定个性化、精确化的治疗与整形方案。该过程一个重要步骤是对CBCT图像中的颌面和牙齿进行分割，然而CBCT图像分割存在以下四个重要难点：1）颌面与牙齿的形态与灰度值变化较为复杂；2）颌面与牙齿的灰度值值较为接近，难以区分；3）CBCT图像存在严重的伪影和噪声干扰，难以分割；4）相邻牙齿相互接触，难以判断牙齿边界。近年来，国内外诸多研究者与科研单位致力于CBCT图像分割与3D重建方法的研究，可以分为以下两类：基于传统的图像分割算法和基于深度学习算法。
传统的图像分割算法存在两个分支：基于区域和基于轮廓。基于区域的图像分割方法利用图像像素或体素值的相似性度量将图像划分为不同的区域，使得同一区域内的像素或体素值近似而不同区域的像素或体素值差异较大。例如，部分研究人员基于阈值法和区域增长方法提出了一些CBCT图像牙齿分割框架，该类方法首先利用最大值映射获取颌骨与牙齿周边组织的像素分布范围信息，然后利用阈值法移除颌骨区域，并使用区域增长方法对牙齿区域进行分割。该类方法能够分别得到颌骨与牙齿的3D分割结果，但无法实现单颗牙齿的分割目标。另外一些研究者基于图割与马尔可夫随机场方法对CBCT的牙齿进行交互式分割，该类方法利用马尔可夫随机场对CBCT图像的体素进行建模，然后人工指定初始化点并借助图割方法对单颗牙齿进行分割，得到较好的牙齿重建效果。然而，该类方法对每颗牙齿分割都需要交互式操作，因此计算效率较低。基于轮廓的图像分割算法则通过搜索目标轮廓将分割目标与背景进行分离，例如基于水平集方法的半自动颌骨与牙齿3D分割方法，其首先利用全局凸水平集方法将颌骨与牙齿从周围组织中分割出来，然后基于Radon变换将颌骨与牙齿区域进行分离，最后手动设置单颗牙齿的初始位置并逐层分割单颗牙齿。尽管该类方法具有较高的单牙齿分割准确率，但是操作较为复杂且计算效率较低，不适用于批量处理口腔医院的大量CBCT数据。
随着深度学习技术的不断发展成熟，其在许多医学图像处理领域取得重大突破，例如医学图像分割与分类等，相比于传统图像分割方法，基于深度学习的图像分割模型具有较高的效率、准确性以及鲁棒性。受此热潮影响，一些基于深度学习模型的牙齿分割模型被提出并应用于医生的临床工作中。例如，一些文献提出了两阶段深度卷积神经网络用于全自动分割CBCT图像的牙齿，该模型的第一阶段网络用于预测每颗牙齿的边界，第二阶段网络则学习牙齿的像素与边界信息，对单颗牙齿进行分割，同时识别牙齿的3D感兴趣区域和单颗牙齿的标记。然而，该方法的牙齿标记建立在标准的牙齿排列模型上，因此对阻生牙等不正常的牙齿分割效果较差。类似地，另外一些研究人员基于全卷机神经网络分割CBCT图像每一层2D切片的牙齿区域，然后利用标记控制的分水岭算法将牙齿分割结果中的邻接牙齿进行分离操作，最后叠加生成3D分割模型。然而，该模型利用牙齿分割结果的准确性严重依赖于牙齿标记分割结果，容易导致过分割或欠分割，最终影响牙齿三维重建的质量。
因此，如何提高基于深度学习模型的CBCT牙齿分割与重建效果是当前急需解决的问题。
发明内容
本申请的目的：在于解决和克服现有技术和应用的不足，提供一种基于CBCT图像的牙齿分割与重建方法及存储介质，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的分割与3D重建结果。
本申请的目的是通过如下技术方案来完成的，一种基于CBCT图像的牙齿分割与重建方法，包括以下步骤：
S1. 获取数据与标注：将CBCT图像作为训练数据，对CBCT数据进行自定义逐层标注，自动统计标注牙齿中心点；
S2. 数据预处理：利用交叉验证法将数据集划分为训练集、验证集和测试集, 对训练集数据的每一层切片做数据增强处理；
S3. 模型构建与训练：构建CBCT牙齿分割网络模型，利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数；
S4. 重叠牙齿与牙齿标记预测：
S4.1、将CBCT测试数据逐层输入到所述步骤S3得到的最优模型参数中，得到每个体素属于牙齿与牙齿标记的概率值
Figure 690991DEST_PATH_IMAGE001
和
Figure 342552DEST_PATH_IMAGE002
；
S4.2、利用阈值法将概率值转化为二值分割结果：
Figure 187536DEST_PATH_IMAGE003
和
Figure 379483DEST_PATH_IMAGE004
，其中
Figure 52909DEST_PATH_IMAGE005
和
Figure 937689DEST_PATH_IMAGE006
为牙齿与牙齿标记的三维分割结果，
Figure 1460DEST_PATH_IMAGE007
与
Figure 934781DEST_PATH_IMAGE008
为分割牙齿与牙齿标记的阈值；
S5. 三维重叠牙齿区域分离：利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离；
S6. 三维离散牙齿区域合并：利用连通区域检测方法获取每颗牙齿的三维体素，基于空间信息合并离散的牙齿，生成完整的单牙齿三维分割结果；
S7. 判断所述步骤S6处理结果是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；
S8. 牙齿三维重建与保存。
优选地，所述步骤S1具体包括：
S1.1通过扫描设备获取大量的CBCT图像，将所述CBCT图像作为训练数据，对CBCT数据的颌骨区域进行逐层标注，采用不同颜色对相邻的牙齿进行标注；
S1.2 基于图像矩算法依次提取牙齿标签中不相邻的牙齿区域的中心点坐标信息，通过在中心坐标上标注圆形区域作为单颗牙齿的中心点标注。
优选地，所述步骤S2包括：
信号预处理算法，当CBCT的牙齿像素分布范围满足高斯分布时，计算牙齿像素的均值μ与方差σ，对信号进行压限处理，计算公式如下所示：
Figure 665976DEST_PATH_IMAGE009
其中，
Figure 456078DEST_PATH_IMAGE010
与
Figure 69462DEST_PATH_IMAGE011
分别为CBCT牙齿分布信息中的最小值和牙齿像素的上限值（
Figure 860001DEST_PATH_IMAGE012
），有效抑制牙齿像素突出造成的牙齿边缘信息损失。
优选地，所述步骤S5具体包括：
S5.1、利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离，并给每个牙齿标记的连通区域分配一个唯一的牙齿数字标签，用以区分不同牙齿；
S5.2、将所述步骤S4得到的牙齿三维分割结果与牙齿标记三维分割结果输入到标记控制的分水岭算法中进行运算，使重叠牙齿区域相互分离，得到单颗牙齿的三维分割结果。
优选地，所述步骤S6具体包括：
S6.1、利用连通区域检测方法获取每颗牙齿的三维体素，提取每颗牙齿
Figure 180124DEST_PATH_IMAGE013
的顶端横截面
Figure 672285DEST_PATH_IMAGE014
与底端横截面
Figure 241807DEST_PATH_IMAGE015
；
S6.2、当顶端横截面
Figure 782510DEST_PATH_IMAGE014
与牙齿
Figure 81773DEST_PATH_IMAGE016
的底端横截面
Figure 948098DEST_PATH_IMAGE017
的DICE相似系数（
Figure 7845DEST_PATH_IMAGE018
）大于0.5时，或者底端横截面
Figure 476873DEST_PATH_IMAGE019
与牙齿
Figure 771588DEST_PATH_IMAGE016
的顶端横截面
Figure 933448DEST_PATH_IMAGE020
的DICE相似系数（
Figure 415245DEST_PATH_IMAGE021
）大于0.5时，牙齿
Figure 956472DEST_PATH_IMAGE022
的数字标签替换为
Figure 636852DEST_PATH_IMAGE023
，牙齿
Figure 110559DEST_PATH_IMAGE024
与牙齿
Figure 938706DEST_PATH_IMAGE025
在垂直方向实现合并；
S6.3、统计合并后牙齿的数量，对每颗单独牙齿打上数字标签，生成单牙齿的三维分割结果。
优选地，所述步骤S7具体包括：
S7.1、计算所有牙齿的Z轴平均坐标值，将CBCT分割结果中大于平均坐标值的牙齿分类为上牙，否则为下牙；
S7.2、对于上牙三维分割结果
Figure 687219DEST_PATH_IMAGE026
，从所述步骤4牙齿概率结果
Figure 425368DEST_PATH_IMAGE027
中提取上牙
Figure 866714DEST_PATH_IMAGE028
对应的体素概率值
Figure 450666DEST_PATH_IMAGE029
，计算牙齿
Figure 206133DEST_PATH_IMAGE030
的Z轴顶端坐标
Figure 657843DEST_PATH_IMAGE031
和底端坐标
Figure 270090DEST_PATH_IMAGE032
，利用线性插值法生成阈值张量
Figure 213775DEST_PATH_IMAGE033
，计算公式如下所示：
Figure 912215DEST_PATH_IMAGE034
其中，
Figure 359376DEST_PATH_IMAGE035
、
Figure 204841DEST_PATH_IMAGE036
和
Figure 432561DEST_PATH_IMAGE037
分别为三维体素的空间坐标，利用阈值法得到上颌牙齿
Figure 264250DEST_PATH_IMAGE038
优化牙根根尖后的结果
Figure 221711DEST_PATH_IMAGE039
；
S7.3、对于下牙分割结果
Figure 913111DEST_PATH_IMAGE040
，从所述步骤4牙齿概率结果
Figure 362547DEST_PATH_IMAGE041
中提取下牙
Figure 997927DEST_PATH_IMAGE040
对应的体素概率值
Figure 216419DEST_PATH_IMAGE042
，若牙齿
Figure 810212DEST_PATH_IMAGE040
的Z轴顶端坐标为
Figure 481364DEST_PATH_IMAGE043
和底端坐标为
Figure 513911DEST_PATH_IMAGE044
，则计算阈值张量
Figure 321330DEST_PATH_IMAGE045
，计算公式如下所示：
Figure 354533DEST_PATH_IMAGE046
则下牙
Figure 185086DEST_PATH_IMAGE047
对应的牙根根尖优化结果为
Figure 693427DEST_PATH_IMAGE048
。步骤S7将牙齿快速区分上牙与下牙，并对上牙、下牙的根尖进行了细化处理，使得牙根根尖形状清晰完整。
优选地，所述步骤S8具体包括：
S8.1、利用高斯滤波器进行曲面平滑得到最终的三维分割结果；
S8.2、利用等值面提取算法提取每颗牙齿的三维曲面。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可以被计算机处理器执行，以实现上述任意一项所述的基于CBCT图像的牙齿分割与重建方法。
本申请与现有技术相比，至少具有以下明显优点和效果：
在本发明中，利用深度学习方法，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的牙齿分割与3D重建结果。
附图说明
图1是本申请的整体流程示意图。
图2是本申请中的网络模型结构示意图。
图3是本申请中的CBCT牙齿分割与三维重建结果示意图。
具体实施方式
结合附图和以下说明描述了本申请的特定实施例以教导本领域技术人员如何制造和使用本申请的最佳模式。为了教导申请原理，已简化或省略了一下常规方面。本领域技术人员应该理解源自这些实施例的变形落在本申请的范围内。本领域技术人员应该理解下述特征能够以各种方式结合以形成本申请的多个变型。本申请中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。由此，本申请并不局限于下述特定实施例，而仅由权利要求和它们的等同物限定。
如图1所示为本申请的流程示意图，先通过对CBCT数据进行自定义逐层标注，自动统计标注的牙齿中心点，对CBCT数据集进行预处理，然后基于开源的深度学习平台TensorFlow和全卷积神经网络模型，设计并训练得到CBCT牙齿图像分割网络模型；通过训练得到的模型输出得到每个体素的概率值，通过对上下颌牙齿重叠进行分离、合并的优化，判断是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；最后重建牙齿三维模型。本发明利用深度学习方法，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的牙齿分割与3D重建结果。
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的各个步骤进行详细的阐述，如图1所示：
S1. 获取数据与标注：将CBCT图像作为训练数据，对CBCT数据进行自定义逐层标注，自动统计标注牙齿中心点；
S1.1通过扫描设备获取大量的CBCT图像，将所述CBCT图像作为训练数据，对CBCT数据的颌骨区域进行逐层标注，采用不同颜色对相邻的牙齿进行标注；
在申请实施例中，通过扫描设备采集足够多的CBCT图像作为训练数据，并由具有口腔医学背景的人员对CBCT图像的每颗牙齿区域进行单独标注，为了区分相邻牙齿，相邻牙齿分别采用不同颜色进行标注，用红色与绿色分别对相邻的牙齿进行标注，若上下颌牙齿同时出现，可以使用多种颜色区分不同牙齿，根据上下层的信息判断同一层相邻牙齿是否属于同一颗牙齿，然后利用红色、绿色以及蓝色标记相邻的牙齿，使得重叠牙齿可以相互区分，相对应地，红色、绿色以及蓝色相邻牙齿分别用1、2或者3为数字标签，且相邻牙齿的标签不同，颌骨与其他口腔组织的标签为0。
S1.2 基于图像矩算法依次提取牙齿标签中不相邻的牙齿区域的中心点坐标信息，通过在中心坐标上标注圆形区域作为单颗牙齿的中心点标注。
在本申请实施例中，基于图像矩算法依次提取牙齿标签中不相邻的牙齿区域的中心点坐标信息，通过在中心坐标上标注圆形区域作为单颗牙齿的中心点标注，圆形区域的半径为3个像素，而该中心点标注数据将作为后续模型训练步骤中的训练数据。
S2. 数据预处理：利用交叉验证法将数据集划分为训练集、验证集和测试集, 对训练集数据的每一层切片做数据增强处理；
在本申请实施例中，首先利用交叉验证法将数据集划分为训练集、验证集和测试集，对训练数据CBCT图像的每一层切片做数据增强处理，包括图像随机剪切、旋转、扭曲，增加训练数据的同时提高数据的多样性。由于部分患者口腔中的假牙具有远高于正常牙齿的像素值，削弱了周边正常牙齿的边界，对于自动分割算法的性能产生一定的负面作用。针对这一问题，设计了一个信号预处理算法，首先假设CBCT的牙齿像素分布范围满足高斯分布，然后计算牙齿像素的均值μ与方差σ，然后对信号进行压缩处理，计算公式如下所示：
Figure 417670DEST_PATH_IMAGE049
其中，
Figure 822106DEST_PATH_IMAGE050
与
Figure 264589DEST_PATH_IMAGE051
分别为CBCT牙齿分布信息中的最小值和牙齿像素的上限值（
Figure 311042DEST_PATH_IMAGE052
），以确保假牙的像素值处于正常牙齿的分布范围；可有效抑制假牙像素突出造成的牙齿边缘信息损失。
S3. 模型构建与训练：构建CBCT牙齿分割网络模型，利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数；
在本申请实施例中，基于开源的深度学习平台TensorFlow和全卷积神经网络模型，设计CBCT牙齿分割网络模型。如图2所示为网络模型结构示意图，该模型包括依次连接的VGG-19骨干网络、FPN（Feature Pyramid Network）颈部网络和两个Softmax像素分类器组成：1）VGG-19网络结构由16个卷积层、4个最大池化层、5个批归一化层和3个丢弃层组成，用于提取CBCT图像的浅层与深层特征；2）FPN网络结构由4个上采样层、4个连接层、12个卷积层组成，用于融合VGG-19网络输出的浅层与深层特征，作为图像像素分类的特征；3）Softmax像素分类器依次由1个通道与空间注意力（Channel and Spatial Attention）模块、1个卷积层、1个丢弃层、1个卷积层和一个Softmax函数构成，用于将像素特征映射为像素属于牙齿或牙齿标记的概率值。该网络的损失函数如下所示：
Figure 358633DEST_PATH_IMAGE053
其中
Figure 137233DEST_PATH_IMAGE054
是网络模型预测的像素
Figure 67012DEST_PATH_IMAGE056
归属于牙齿区域类别的概率，
Figure 185665DEST_PATH_IMAGE057
是网络模型预测的像素
Figure 822183DEST_PATH_IMAGE058
归属于牙齿标记类别的概率，
Figure 37263DEST_PATH_IMAGE059
是像素
Figure 126442DEST_PATH_IMAGE058
的牙齿区域真实标签（数值为0或1），
Figure 842594DEST_PATH_IMAGE060
是像素
Figure 333618DEST_PATH_IMAGE058
的牙齿标记区域真实标签（数值为0或1），
Figure 719600DEST_PATH_IMAGE061
为训练数据CBCT图像中的每一层切片，
Figure 561654DEST_PATH_IMAGE062
是颌骨分割结果生成的距离图信息，
Figure 815918DEST_PATH_IMAGE063
是决定第一项和第二项损失重要性的权重值，
Figure 427028DEST_PATH_IMAGE064
是像素的个数，
Figure 303018DEST_PATH_IMAGE065
为图像的空间域。利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数，训练参数为：训练次数为500次，批量数据为8，学习速率为0.00001。
S4. 重叠牙齿与牙齿标记预测：
在申请本实施例中，将CBCT测试数据逐层输入到所述步骤S3得到的最优模型参数中，得到每个体素属于牙齿与牙齿标记的概率值
Figure 304473DEST_PATH_IMAGE066
；利用阈值法将概率值转化为二值分割结果：
Figure 565690DEST_PATH_IMAGE067
和
Figure 624781DEST_PATH_IMAGE068
，其中
Figure 742779DEST_PATH_IMAGE069
和
Figure 28267DEST_PATH_IMAGE070
为牙齿与牙齿标记的三维分割结果，
Figure 892842DEST_PATH_IMAGE071
与
Figure 540861DEST_PATH_IMAGE072
为分割牙齿与牙齿标记的阈值。
S5. 三维重叠牙齿区域分离：利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离；
在本申请实施例中，首先利用形态学腐蚀方法（Erosion）处理S4得到的牙齿标记，使得不同牙齿标记的区域相互分离，并给每个牙齿标记的连通区域分配一个唯一的牙齿数字标签（标签数字从“1”开始），用以区分不同牙齿；然后将S4得到的牙齿分割结果与牙齿标记结果输入到标记控制的分水岭算法（Marker-controlled Watershed）中进行运算，使重叠牙齿区域相互分离，得到单颗牙齿的三维分割结果，此时单颗牙齿存在分裂多个的问题。
S6. 三维离散牙齿区域合并：利用连通区域检测方法获取每颗牙齿的三维体素，基于空间信息合并离散的牙齿，生成完整的单牙齿三维分割结果；
在本申请实施例中，针对S5步骤单牙齿结果中出现的单颗牙齿分裂为多个部分的错误情况，本步骤首先利用连通区域检测方法获取每颗牙齿的三维体素，提取每颗牙齿
Figure 95339DEST_PATH_IMAGE073
的顶端横截面
Figure 992757DEST_PATH_IMAGE074
与底端横截面
Figure 661023DEST_PATH_IMAGE075
；然后进行逻辑判定，当顶端横截面
Figure 429128DEST_PATH_IMAGE076
与牙齿
Figure 623349DEST_PATH_IMAGE077
的底端横截面
Figure 476904DEST_PATH_IMAGE078
的DICE相似系数（
Figure 948861DEST_PATH_IMAGE079
）大于0.5时，或者底端横截面
Figure 977997DEST_PATH_IMAGE080
与牙齿
Figure 608699DEST_PATH_IMAGE081
的顶端横截面
Figure 683971DEST_PATH_IMAGE082
的DICE相似系数（
Figure 487848DEST_PATH_IMAGE083
）大于0.5时， 牙齿
Figure 979614DEST_PATH_IMAGE084
的数字标签替换为
Figure 781217DEST_PATH_IMAGE085
，从而实现牙齿
Figure 953572DEST_PATH_IMAGE086
与牙齿
Figure 764402DEST_PATH_IMAGE087
在垂直方向的合并；最后，统计合并后牙齿的数量，重新对每颗单独牙齿打上数字标签，标签数字从“1”开始，生成单牙齿的三维分割结果，经过步骤S5的处理有效减少单颗牙齿分裂情况。
S7. 判断所述步骤S6处理结果是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；
在本申请实施例中，S5与S6步骤中仍然有部分重叠牙齿无法自动分离、离散牙齿无法自动合并的情形，因此需要进行交互式优化牙齿，利用交互式操作获取重叠牙齿或离散牙齿的三维坐标，然后对分割结果进行优化，具体细节如下：（1）对于重叠牙齿，首先利用三维可视化软件显示单颗牙齿的三维曲面，然后使用交互式软件从重叠牙齿之间缝隙的顶端到底端，逐次标记3至5个坐标点，最后利用线性插值算法和这些坐标点信息生成一条分界线，利用分界线将重叠牙齿进行分离，生成两颗独立的新牙齿三维分割结果；（2）对于离散牙齿，首先利用三维可视化软件显示单颗牙齿的三维曲面，然后利用交互式软件分别在多个离散牙齿的曲面上标记一个点，最后将所有标记过点的牙齿进行标签信息融合，生成一颗新的合并牙齿，并删除标记过点的牙齿，通过交互式优化牙齿，有效将重叠牙齿进行分离，离散牙齿进行合并，此时的牙齿显示结果较为完成，但牙根根尖形状存在异常。
在本申请实施例中，针对步骤S5、步骤S6以及交互式优化牙齿后生成的牙齿三维分割结果牙根形状异常问题，本步骤利用线性阈值法优化牙根的形状，具体细节如下所示：（1）计算所有牙齿的Z轴平均坐标值，将CBCT分割结果中大于平均坐标值的牙齿分类为上牙，否则为下牙；（2）对于上牙三维分割结果
Figure 564868DEST_PATH_IMAGE088
，首先从网络模型输出的牙齿概率结果
Figure 678317DEST_PATH_IMAGE089
中提取上牙
Figure 934374DEST_PATH_IMAGE090
对应的体素概率值
Figure 220999DEST_PATH_IMAGE091
，然后计算牙齿
Figure 344813DEST_PATH_IMAGE092
的Z轴顶端坐标
Figure 691480DEST_PATH_IMAGE093
和底端坐标
Figure 963062DEST_PATH_IMAGE094
，利用线性插值法生成阈值张量
Figure 787798DEST_PATH_IMAGE095
，计算公式如下所示：
Figure 766118DEST_PATH_IMAGE096
其中，
Figure 955791DEST_PATH_IMAGE097
、
Figure 917931DEST_PATH_IMAGE098
和
Figure 283709DEST_PATH_IMAGE099
分别为三维体素的空间坐标，最后利用阈值法得到上颌牙齿
Figure 178853DEST_PATH_IMAGE100
优化牙根根尖后的结果
Figure 601744DEST_PATH_IMAGE101
；(3)同理，对于下牙分割结果
Figure 51180DEST_PATH_IMAGE102
，首先从网络模型输出的牙齿概率结果
Figure 217719DEST_PATH_IMAGE103
中提取下牙
Figure 108314DEST_PATH_IMAGE104
对应的体素概率值
Figure 702107DEST_PATH_IMAGE105
，假设牙齿
Figure 169997DEST_PATH_IMAGE106
的Z轴顶端坐标为
Figure 405807DEST_PATH_IMAGE107
和底端坐标为
Figure 216155DEST_PATH_IMAGE108
，则计算阈值张量
Figure 918532DEST_PATH_IMAGE109
，计算公式如下所示：
Figure 811402DEST_PATH_IMAGE110
则下牙
Figure 116481DEST_PATH_IMAGE111
对应的牙根根尖优化结果为
Figure 309565DEST_PATH_IMAGE112
，步骤S7将牙齿快速区分上牙与下牙，并对上牙、下牙的根尖进行了细化处理，使得牙根根尖形状清晰完整。
S8. 牙齿三维重建与保存；
进行牙齿三维重建，利用高斯滤波器进行曲面平滑得到最终的三维分割结果，然后利用等值面提取算法（“Marching Cubes”）提取每颗牙齿的三维曲面，提取点云数据保存为“.stl”文件。如图3所示为CBCT牙齿分割与三维重建结果示意图，通过高斯滤波器进行牙齿曲面平滑、等值面提取算法提取每颗牙齿的三维曲面，提高了牙齿转折处的平滑度，获取每颗牙齿完整且清洗的三维曲面。
综上所述，本发明利用深度学习方法，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的牙齿分割与3D重建结果。
需要进一步说明的是，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可以被计算机处理器执行，实现上述实施例基于CBCT图像的牙齿分割与重建方法。所述计算机程序可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
由于本领域技术人员能够很容易想到，利用申请的构思和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于CBCT图像的牙齿分割与重建方法，其特征在于，包括以下步骤：
S1. 获取数据与标注：将CBCT图像作为训练数据，对CBCT数据进行自定义逐层标注，自动统计标注牙齿中心点；
S2. 数据预处理：利用交叉验证法将CBCT数据集划分为训练集、验证集和测试集, 对训练集数据的每一层切片做数据增强处理；
S3. 模型构建与训练：构建CBCT牙齿分割网络模型，该模型由依次连接的VGG-19骨干网络、FPN颈部网络和两个Softmax像素分类器组成，利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数；
S4. 重叠牙齿与牙齿标记预测：
S4.1、将CBCT测试数据逐层输入到所述步骤S3得到的最优模型参数中，得到每个体素属于牙齿与牙齿标记的概率值
Figure 516049DEST_PATH_IMAGE001
和
Figure 118675DEST_PATH_IMAGE002
；
S4.2、利用阈值法将概率值转化为二值分割结果：
Figure 773778DEST_PATH_IMAGE003
和
Figure 527844DEST_PATH_IMAGE004
，其中
Figure 483161DEST_PATH_IMAGE005
和
Figure 118673DEST_PATH_IMAGE006
为牙齿与牙齿标记的三维分割结果，
Figure 792231DEST_PATH_IMAGE007
与
Figure 191464DEST_PATH_IMAGE008
为分割牙齿与牙齿标记的阈值；
S5. 三维重叠牙齿区域分离：利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离；
S6. 三维离散牙齿区域合并：利用连通区域检测方法获取每颗牙齿的三维体素，基于空间信息合并离散的牙齿，生成完整的单牙齿三维分割结果；
S7. 判断所述步骤S6处理结果是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；
S8. 牙齿三维重建与保存。
2.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S2包括：
信号预处理算法，当CBCT的牙齿像素分布范围满足高斯分布时，计算牙齿像素的均值μ与方差σ，对信号进行压限处理，计算公式如下所示：
Figure 532447DEST_PATH_IMAGE009
其中，
Figure 260231DEST_PATH_IMAGE010
与
Figure 686664DEST_PATH_IMAGE011
分别为CBCT牙齿分布信息中的最小值和牙齿像素的上限值（
Figure 361359DEST_PATH_IMAGE012
），有效抑制牙齿像素突出造成的牙齿边缘信息损失。
3.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S5具体包括：
S5.1、利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离，并给每个牙齿标记的连通区域分配一个唯一的牙齿数字标签，用以区分不同牙齿；
S5.2、将所述步骤S4得到的牙齿三维分割结果与牙齿标记三维分割结果输入到标记控制的分水岭算法中进行运算，使重叠牙齿区域相互分离，得到单颗牙齿的三维分割结果。
4.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S6具体包括：
S6.1、利用连通区域检测方法获取每颗牙齿的三维体素，提取每颗牙齿
Figure 619165DEST_PATH_IMAGE013
的顶端横截面
Figure 721114DEST_PATH_IMAGE014
与底端横截面
Figure 900422DEST_PATH_IMAGE015
；
S6.2、当顶端横截面
Figure 582070DEST_PATH_IMAGE016
与牙齿
Figure 775941DEST_PATH_IMAGE017
的底端横截面
Figure 252053DEST_PATH_IMAGE018
的DICE相似系数（
Figure 918658DEST_PATH_IMAGE019
）大于0.5时，或者底端横截面
Figure 731893DEST_PATH_IMAGE020
与牙齿
Figure 901974DEST_PATH_IMAGE021
的顶端横截面
Figure 408042DEST_PATH_IMAGE022
的DICE相似系数（
Figure 293434DEST_PATH_IMAGE023
）大于0.5时，牙齿
Figure 848043DEST_PATH_IMAGE024
的数字标签替换为
Figure 13576DEST_PATH_IMAGE025
，牙齿
Figure 831491DEST_PATH_IMAGE026
与牙齿
Figure 11369DEST_PATH_IMAGE027
在垂直方向实现合并；
S6.3、统计合并后牙齿的数量，对每颗单独牙齿打上数字标签，生成单牙齿的三维分割结果。
5.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S7中利用线性阈值法对牙根根尖做细化处理具体包括：
S7.1、计算所有牙齿的Z轴平均坐标值，将CBCT分割结果中大于平均坐标值的牙齿分类为上牙，否则为下牙；
S7.2、对于上牙三维分割结果
Figure 776193DEST_PATH_IMAGE028
，从所述步骤4牙齿概率结果
Figure 527724DEST_PATH_IMAGE029
中提取上牙
Figure 375594DEST_PATH_IMAGE030
对应的体素概率值
Figure 910612DEST_PATH_IMAGE031
，计算牙齿
Figure 72603DEST_PATH_IMAGE032
的Z轴顶端坐标
Figure 868521DEST_PATH_IMAGE033
和底端坐标
Figure 90555DEST_PATH_IMAGE034
，利用线性插值法生成阈值张量
Figure 644027DEST_PATH_IMAGE035
，计算公式如下所示：
Figure 612639DEST_PATH_IMAGE037
其中，
Figure 731904DEST_PATH_IMAGE038
、
Figure 859260DEST_PATH_IMAGE039
和
Figure 493504DEST_PATH_IMAGE040
分别为三维体素的空间坐标，利用阈值法得到上颌牙齿
Figure 731719DEST_PATH_IMAGE041
优化牙根根尖后的结果
Figure 767808DEST_PATH_IMAGE042
；
S7.3、对于下牙分割结果
Figure 800486DEST_PATH_IMAGE043
，从所述步骤4牙齿概率结果
Figure 125288DEST_PATH_IMAGE044
中提取下牙
Figure 229510DEST_PATH_IMAGE045
对应的体素概率值
Figure 588947DEST_PATH_IMAGE046
，若牙齿
Figure 320755DEST_PATH_IMAGE047
的Z轴顶端坐标为
Figure 601695DEST_PATH_IMAGE048
和底端坐标为
Figure 509608DEST_PATH_IMAGE049
，则计算阈值张量
Figure 192393DEST_PATH_IMAGE050
，计算公式如下所示：
Figure 894770DEST_PATH_IMAGE052
则下牙
Figure 663006DEST_PATH_IMAGE053
对应的牙根根尖优化结果为
Figure 843452DEST_PATH_IMAGE054
；步骤S7将牙齿快速区分上牙与下牙，并对上牙、下牙的根尖进行了细化处理，使得牙根根尖形状清晰完整。
6.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S8具体包括：
S8.1、利用高斯滤波器进行曲面平滑得到最终的三维分割结果；
S8.2、利用等值面提取算法提取每颗牙齿的三维曲面。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序可以被计算机处理器执行实现如权利要求1至6中的任意一项所述方法的计算机可读指令。
CN202210670838.6A 2022-06-15 2022-06-15 一种基于cbct图像的牙齿分割与重建方法及存储介质 Active CN114757960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210670838.6A CN114757960B (zh) 2022-06-15 2022-06-15 一种基于cbct图像的牙齿分割与重建方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210670838.6A CN114757960B (zh) 2022-06-15 2022-06-15 一种基于cbct图像的牙齿分割与重建方法及存储介质

Publications (2)

Publication Number Publication Date
CN114757960A true CN114757960A (zh) 2022-07-15
CN114757960B CN114757960B (zh) 2022-09-09

Family

ID=82336644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210670838.6A Active CN114757960B (zh) 2022-06-15 2022-06-15 一种基于cbct图像的牙齿分割与重建方法及存储介质

Country Status (1)

Country Link
CN (1) CN114757960B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661141A (zh) * 2022-12-14 2023-01-31 上海牙典医疗器械有限公司 基于cbct图像牙齿和牙槽骨分割方法及系统
CN115984529A (zh) * 2023-03-20 2023-04-18 佛山科学技术学院 口腔内牙齿三维模型自动分割方法
CN117095018A (zh) * 2023-10-16 2023-11-21 北京朗视仪器股份有限公司 基于cbct图像的多类别牙齿分割方法及装置
CN117115405A (zh) * 2023-10-24 2023-11-24 福州海狸家口腔科技有限公司 一种基于cbct的三维牙齿图像切片展示方法、介质和设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3462373A1 (en) * 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
CN110889850A (zh) * 2019-12-13 2020-03-17 电子科技大学 一种基于中心点检测的cbct牙齿图像分割方法
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110998602A (zh) * 2017-06-30 2020-04-10 普罗马顿控股有限责任公司 使用深度学习方法对3d牙颌面结构的分类和3d建模
US20200175678A1 (en) * 2018-11-28 2020-06-04 Orca Dental AI Ltd. Dental image segmentation and registration with machine learning
CN112614127A (zh) * 2020-12-31 2021-04-06 北京朗视仪器有限公司 一种基于端到端的交互式三维cbct牙齿图像分割算法
CN112989954A (zh) * 2021-02-20 2021-06-18 山东大学 基于深度学习的三维牙齿点云模型数据分类方法及系统
CN113516784A (zh) * 2021-07-27 2021-10-19 四川九洲电器集团有限责任公司 一种牙齿分割建模方法和装置
CN113628222A (zh) * 2021-08-05 2021-11-09 杭州隐捷适生物科技有限公司 一种基于深度学习的3d牙齿分割和分类方法
CN113628223A (zh) * 2021-08-05 2021-11-09 杭州隐捷适生物科技有限公司 基于深度学习的牙科cbct三维牙齿分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110998602A (zh) * 2017-06-30 2020-04-10 普罗马顿控股有限责任公司 使用深度学习方法对3d牙颌面结构的分类和3d建模
US20210150702A1 (en) * 2017-06-30 2021-05-20 Promaton Holding B.V. Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods
EP3462373A1 (en) * 2017-10-02 2019-04-03 Promaton Holding B.V. Automated classification and taxonomy of 3d teeth data using deep learning methods
US20200175678A1 (en) * 2018-11-28 2020-06-04 Orca Dental AI Ltd. Dental image segmentation and registration with machine learning
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN110889850A (zh) * 2019-12-13 2020-03-17 电子科技大学 一种基于中心点检测的cbct牙齿图像分割方法
CN112614127A (zh) * 2020-12-31 2021-04-06 北京朗视仪器有限公司 一种基于端到端的交互式三维cbct牙齿图像分割算法
CN112989954A (zh) * 2021-02-20 2021-06-18 山东大学 基于深度学习的三维牙齿点云模型数据分类方法及系统
CN113516784A (zh) * 2021-07-27 2021-10-19 四川九洲电器集团有限责任公司 一种牙齿分割建模方法和装置
CN113628222A (zh) * 2021-08-05 2021-11-09 杭州隐捷适生物科技有限公司 一种基于深度学习的3d牙齿分割和分类方法
CN113628223A (zh) * 2021-08-05 2021-11-09 杭州隐捷适生物科技有限公司 基于深度学习的牙科cbct三维牙齿分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAE JUN JANG，ETC: "A fully automated method for 3D individual tooth identification and segmentation in dental CBCT", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
YANLIN CHEN，ETC: "Automatic Segmentation of Individual Tooth in Dental CBCT Images From Tooth Surface Map by a Multi-Task FCN", 《IEEE ACCESS》 *
汪葛等: "基于水平集的牙齿CT图像分割技术", 《计算机应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661141A (zh) * 2022-12-14 2023-01-31 上海牙典医疗器械有限公司 基于cbct图像牙齿和牙槽骨分割方法及系统
CN115984529A (zh) * 2023-03-20 2023-04-18 佛山科学技术学院 口腔内牙齿三维模型自动分割方法
CN117095018A (zh) * 2023-10-16 2023-11-21 北京朗视仪器股份有限公司 基于cbct图像的多类别牙齿分割方法及装置
CN117095018B (zh) * 2023-10-16 2023-12-22 北京朗视仪器股份有限公司 基于cbct图像的多类别牙齿分割方法及装置
CN117115405A (zh) * 2023-10-24 2023-11-24 福州海狸家口腔科技有限公司 一种基于cbct的三维牙齿图像切片展示方法、介质和设备
CN117115405B (zh) * 2023-10-24 2024-02-13 福州海狸家口腔科技有限公司 一种基于cbct的三维牙齿图像切片展示方法、介质和设备

Also Published As

Publication number Publication date
CN114757960B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
US8761493B2 (en) Method and system for tooth segmentation in dental images
Kumar et al. Descriptive analysis of dental X-ray images using various practical methods: A review
CN113223010B (zh) 口腔图像多组织全自动分割的方法和系统
CN112785609B (zh) 一种基于深度学习的cbct牙齿分割方法
CN112989954B (zh) 基于深度学习的三维牙齿点云模型数据分类方法及系统
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
Benyó Identification of dental root canals and their medial line from micro-CT and cone-beam CT records
CN113344950A (zh) 一种深度学习结合点云语义的cbct图像牙齿分割方法
US20220361992A1 (en) System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning
CN113160120A (zh) 基于多模态融合与深度学习的肝脏血管分割方法及系统
Majanga et al. A survey of dental caries segmentation and detection techniques
Chen et al. Hierarchical CNN-based occlusal surface morphology analysis for classifying posterior tooth type using augmented images from 3D dental surface models
Tian et al. Efficient tooth gingival margin line reconstruction via adversarial learning
Ben-Hamadou et al. 3DTeethSeg'22: 3D Teeth Scan Segmentation and Labeling Challenge
Chen et al. Detection of various dental conditions on dental panoramic radiography using Faster R-CNN
CN116958169A (zh) 一种三维牙颌模型牙齿分割方法
CN111986216A (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
Imak et al. Dental material detection based on faster regional convolutional neural networks and shape features
Thulaseedharan et al. Detection of typical Pathologies and Differential Treatments in Dental Panoramic X-Rays based on Deep Convolutional Neural Network
US20220358740A1 (en) System and Method for Alignment of Volumetric and Surface Scan Images
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
CN112288735A (zh) 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法
Dhar et al. Automatic tracing of mandibular canal pathways using deep learning
Wu et al. Clinical tooth segmentation based on local enhancement

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Building 2, No. 5 Yichuang Road, Yuhang Street, Yuhang District, Hangzhou City, Zhejiang Province, 310026

Patentee after: Hansf (Hangzhou) Medical Technology Co.,Ltd.

Address before: Room 1717, building 1, 1199 Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province 310000

Patentee before: Hansf (Hangzhou) Medical Technology Co.,Ltd.