CN114758121A - 一种基于深度学习的cbct牙槽骨分割系统及方法 - Google Patents
一种基于深度学习的cbct牙槽骨分割系统及方法 Download PDFInfo
- Publication number
- CN114758121A CN114758121A CN202210209123.0A CN202210209123A CN114758121A CN 114758121 A CN114758121 A CN 114758121A CN 202210209123 A CN202210209123 A CN 202210209123A CN 114758121 A CN114758121 A CN 114758121A
- Authority
- CN
- China
- Prior art keywords
- cbct
- image
- module
- data
- alveolar bone
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C7/00—Orthodontics, i.e. obtaining or maintaining the desired position of teeth, e.g. by straightening, evening, regulating, separating, or by correcting malocclusions
- A61C7/002—Orthodontic computer assisted systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的CBCT牙槽骨分割系统及方法,涉及人工智能医学图像处理和牙齿矫正技术领域,具体为一种基于深度学习的CBCT牙槽骨分割系统及方法,包括以下步骤:S1、牙科CBCT数据集获取和标注;S2、CBCT图像和标注样本预处理;S3、深度语义分割模型构建;S4、模型训练与评估;S5、牙科CBCT数据分割和重建。本发明的目的在于提供一种自动分割CBCT图像牙槽骨的深度学习方法,替代牙科人员手动分割的低效率方式及传统阈值分割法的低精准度方法,提高了牙齿矫正的效率和有效性。
Description
技术领域
本发明涉及人工智能医学图像处理和牙齿矫正技术领域,具体为一种基 于深度学习的CBCT牙槽骨分割系统及方法。
背景技术
随着现代人们生活水平的逐渐提高,人们对牙齿矫正的需求和要求也越 来越高,CBCT扫描技术也被广泛应用在牙齿矫正领域。CBCT扫描技术是一种 锥形束计算机断层扫描,通过CBCT图像可重建出牙齿和牙槽骨的三维立体, 为牙科医生设计牙齿治疗方案提供精准可靠的信息和科学依据。
牙科CBCT图像中,牙齿与牙槽骨密度相近,边界比较模糊,而且层间牙 槽骨有差异,这些因素导致传统的阈值分割法的精准度不高。因此,本发明 运用深度学习方法来实现高精度的牙槽骨分割。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的CBCT牙槽骨分 割系统及方法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学 习的CBCT牙槽骨分割方法,包括以下步骤:
S1、牙科CBCT数据集获取和标注:收集多名患者CBCT图像,再利用 ITK-SNAP软件对牙槽骨部分实施标注;
S2、CBCT图像和标注样本预处理:对样本进行归一化处理,并存储为特 定数据结构;
S3、深度语义分割模型构建:基于Swin-transformer和skip connection 构建的U型语义分割网络模型;
S4、模型训练与评估:利用CrossEntropyLoss和Diceloss损失函数评 估模型训练效果;
S5、牙科CBCT数据分割和重建。
可选的,所述进一步的步骤S2包括以下步骤:
S21、将CBCT图像DICOM格式转换成PNG格式,再对图像进行归一化将 灰度校正到0-255之间,归一化公式如下:
x'=(xmin(CbCt))/(maX(cbCt)min(CbCt))
其中min是每份CBCT数据集最小灰度值;max是每份CBCT数据集最大 灰度值;
S22、从3D nii标注文件依次提取2D切片图像。
可选的,所述步骤S3中的U型结构由编码器和解码器两部分组成,编码 器包括Swin-transformer块和patch Merging层,解码器包括 Swin-transformer块和patchExpanding层,每层编码器和解码器再通过skip connection连接进一步实现不同语义特征进行融合。
可选的,所述进一步的步骤S4包括以下步骤:
S41、将预处理好的数据集按照7:3划分成训练集和测试集;
S42、采用预训练方式初始化Swin-unet模型权重;
S43、利用训练集对初始化后的网络模型进行监督训练,并采用Adam下 降法不断迭代更新权重和偏置参数,以及CrossEntropyLoss和Diceloss加 权作为损失函数,其中损失函数公式如下:
f=0.4*CrossEntropyLoss+0.6*Diceloss。
一种基于深度学习的CBCT牙槽骨分割系统,包括:
CBCT图像扫描采集模块,用于采集患者CBCT图像;
上位机,用于对所述CBCT图像扫描采集模块采集的患者CBCT图像牙槽 骨部分实施标注;
预处理单元,预处理单元是由样本初始数据预处理模块和数据储存模块 组成,用于将CBCT图像数据归一化处理,并储存为特定数据;
数据转换单元,数据转换单元是由编码器和解码器组成;
模型训练单元,模型训练单元是由数据分类模块和数据运算处理模块组 成,用于将数据分类,并评估模型训练效果;
反运算重建单元,用于根据分割完成后的CBCT图像,重新构建牙槽骨三 维。
优选的,所述CBCT图像扫描采集模块还包括图像数据录入模块、与图像 数据录入模块输出端连接的图像分类模块、与图像分类模块输出端连接的归 纳整理模块,以及与归纳整理模块输出端连接的图像标注模块;
图像数据录入模块,用于上传或录入经口腔医院获取的患者CBCT图像数 据;
图像分类模块,用于整理图像数据录入模块获取的CBCT图像数据,并将 可用于参考的CBCT图像数据与不合格的CBCT图像数据分类处理,并获取满 足数量的CBCT图像数据;
归纳整理模块,用于将图像分类模块提取的合格CBCT图像数据集中归纳 整理;
图像标注模块,用于将归纳整理模块整理后的CBCT图像数据一一标注, 并备份至数据储存模块。
优选的,所述样本初始数据预处理模块还包括图像格式转换模块、与图 像格式转换模块输出端连接的图像校正模块,以及与图像校正模块输出端连 接的图像样本提取模块;
图像格式转换模块,用于将获取的CBCT图像格式转换成满足归一化处理 的格式;
图像校正模块,用于将图像格式转换模块转换后的CBCT图像调整至合适 的范围内;
图像样本提取模块,用于从图像校正模块校正后的CBCT图像提取出满足 建模要求的2D切片图像。
本发明提供了一种基于深度学习的CBCT牙槽骨分割系统及方法,具备以 下有益效果:
基于Swin-transformer和skip connection(跳跃连接)构建的U型语义 分割网络模型,通过标注样本对模型进行监督训练,从而对未标注的CBCT图 像进行牙槽骨的自动分割;本发明基于CBCT图像实现了高度自动化和高精度 的牙槽骨分割,为牙科三维图像分析提供了一种有效的思路。
附图说明
图1为本发明的分割流程示意图;
图2为本发明牙科CBCT图像及牙槽骨标签的示意图;
图3为本发明的Swit-Unet模型结构图;
图4为本发明的Swin transformer block结构;
图5为本发明分割后的牙槽骨示意图;
图6为本发明牙槽骨重建效果示意图;
图7为本发明的系统结构示意图;
图8为本发明CBCT图像扫描采集模块的结构示意图;
图9为本发明样本初始数据预处理模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
实施案例1
如图1所示,本发明提供一种技术方案:一种基于深度学习的CBCT牙槽 骨分割系统及方法,包括以下步骤:
S1、牙科CBCT数据集获取和标注:收集多名患者CBCT图像,再利用 ITK-SNAP软件对牙槽骨部分实施标注;
S2、CBCT图像和标注样本预处理:对样本进行归一化处理,并存储为特 定数据结构;
S3、深度语义分割模型构建:基于Swin-transformer和skip connection 构建的U型语义分割网络模型;
S4、模型训练与评估:利用CrossEntropyLoss和Diceloss损失函数评 估模型训练效果;
S5、牙科CBCT数据分割和重建。
具体实施案例2
S1、牙科CBCT数据集获取和标注
S11、从口腔医院获取10位患者的CBCT图像数据,每位患者的CBCT数 据均是512张512x512的dcm格式图像集合;
S12、如图2所示,利用ITK-SNAP软件对每个患者的CBCT数据集的所有 图像进行牙槽骨标注,标签文件保存为nii文件格式,CBCT图像和标签可视 化。
S2、CBCT图像和标注样本预处理
S21、将CBCT图像DICOM格式转换成PNG格式,再对图像进行归一化将 灰度校正到0-255之间,归一化公式如下:
x'=(x-min(cbct))/(max(cbct)-min(cbct))
其中min(cbct)是每份CBCT数据集最小灰度值;max(cbct)是每份CBCT 数据集最大灰度值;
S22、从3D nii标注文件依次提取2D切片图像,由于这是二分类标注(只 有背景和牙槽骨),所以2D切片图像只有0、1灰度值,其中灰度值为0是 背景,1则为牙槽骨。
S3、深度语义分割模型构建
采用Swin-unet模型,Swin-unet模型是基于Swin-transformer和skipconnection(跳跃连接)构建的U型网络模型;U型结构由编码器和解码器两部 分组成,编码器包括Swin-transformer块和patch Merging层,解码器包括 Swin-transformer块和patch Expanding层,每层编码器和解码器再通过skip connection连接进一步实现不同语义特征进行融合;Swin-unet模型如图3 所示,其中图3中的W为图像宽度,H为图像高度,C为通道数;
Swin transformer block结构如图4所示,Swin transformer block由LayerNorm层、W-MSA和SW-MSA层以及残差结构组成。
S4、模型训练与评估
S41、将预处理好的数据集按照7:3划分成训练集和测试集;
S42、采用预训练方式初始化Swin-unet模型权重;具体地,先在ImageNet 数据集对Swin-unet模型进行监督训练,从而得到初始化的模型权重;
S43、利用训练集对初始化后的网络模型进行监督训练,并采用Adam下 降法不断迭代更新权重和偏置参数,以及CrossEntropyLoss和Diceloss加 权作为损失函数,其中损失函数公式如下:
f=0.4*CrossEntropyLoss+0.6*Diceloss。
S5、牙科CBCT数据分割和重建
S51、利用训练好的模型自动对未标注的数据进行预测标注,保留CBCT 图像中标注为1的像素对应位置的灰度值,其余部分则为背景,其中分割后 的牙槽骨如图5所示;
S52、对每个患者的512张CBCT图像进行牙槽骨分割完成后,就可重建 牙槽骨三维,其中牙槽骨重建效果如图6所示。
如图7所示,一种基于深度学习的CBCT牙槽骨分割系统,包括:
CBCT图像扫描采集模块,用于采集患者CBCT图像;
上位机,用于对所述CBCT图像扫描采集模块采集的患者CBCT图像牙槽 骨部分实施标注;
预处理单元,预处理单元是由样本初始数据预处理模块和数据储存模块 组成,用于将CBCT图像数据归一化处理,并储存为特定数据;
数据转换单元,数据转换单元是由编码器和解码器组成;
模型训练单元,模型训练单元是由数据分类模块和数据运算处理模块组 成,用于将数据分类,并评估模型训练效果;
反运算重建单元,用于根据分割完成后的CBCT图像,重新构建牙槽骨三 维。
如图8所示,进一步优选的,所述CBCT图像扫描采集模块还包括图像数 据录入模块、与图像数据录入模块输出端连接的图像分类模块、与图像分类 模块输出端连接的归纳整理模块,以及与归纳整理模块输出端连接的图像标 注模块;
图像数据录入模块,用于上传或录入经口腔医院获取的患者CBCT图像数 据;
图像分类模块,用于整理图像数据录入模块获取的CBCT图像数据,并将 可用于参考的CBCT图像数据与不合格的CBCT图像数据分类处理,并获取满 足数量的CBCT图像数据;
归纳整理模块,用于将图像分类模块提取的合格CBCT图像数据集中归纳 整理;
图像标注模块,用于将归纳整理模块整理后的CBCT图像数据一一标注, 并备份至数据储存模块。
如图9所示,进一步优优选的,所述样本初始数据预处理模块还包括图 像格式转换模块、与图像格式转换模块输出端连接的图像校正模块,以及与 图像校正模块输出端连接的图像样本提取模块;
图像格式转换模块,用于将获取的CBCT图像格式转换成满足归一化处理 的格式;
图像校正模块,用于将图像格式转换模块转换后的CBCT图像调整至合适 的范围内;
图像样本提取模块,用于从图像校正模块校正后的CBCT图像提取出满足 建模要求的2D切片图像。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限 于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本 发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保 护范围之内。
Claims (7)
1.一种基于深度学习的CBCT牙槽骨分割方法,包括以下步骤:
S1、牙科CBCT数据集获取和标注:收集多名患者CBCT图像,再利用ITK-SNAP软件对牙槽骨部分实施标注;
S2、CBCT图像和标注样本预处理:对样本进行归一化处理,并存储为特定数据结构;
S3、深度语义分割模型构建:基于Swin-transformer和skip connection构建的U型语义分割网络模型;
S4、模型训练与评估:利用CrossEntropyLoss和Diceloss损失函数评估模型训练效果;
S5、牙科CBCT数据分割和重建。
2.根据权利要求1所述的一种基于深度学习的CBCT牙槽骨分割方法,其特征在于,所述进一步的步骤S2包括以下步骤:
S21、将CBCT图像DICOM格式转换成PNG格式,再对图像进行归一化将灰度校正到0-255之间,归一化公式如下:
x′=(x-min(cbct))/(max(cbct)-min(cbct))
其中min是每份CBCT数据集最小灰度值;max是每份CBCT数据集最大灰度值;
S22、从3D nii标注文件依次提取2D切片图像。
3.根据权利要求1所述的一种基于深度学习的CBCT牙槽骨分割方法,其特征在于:所述步骤S3中的U型结构由编码器和解码器两部分组成,编码器包括Swin-transformer块和patch Merging层,解码器包括Swin-transformer块和patch Expanding层,每层编码器和解码器再通过skip connection连接进一步实现不同语义特征进行融合。
4.根据权利要求1所述的一种基于深度学习的CBCT牙槽骨分割方法,其特征在于,所述进一步的步骤S4包括以下步骤:
S41、将预处理好的数据集按照7:3划分成训练集和测试集;
S42、采用预训练方式初始化Swin-unet模型权重;
S43、利用训练集对初始化后的网络模型进行监督训练,并采用Adam下降法不断迭代更新权重和偏置参数,以及CrossEntropyLoss和Diceloss加权作为损失函数,其中损失函数公式如下:
f=0.4*CrossEntropyLoss+0.6*Diceloss。
5.一种基于深度学习的CBCT牙槽骨分割系统,其特征在于,包括:
CBCT图像扫描采集模块,用于采集患者CBCT图像;
上位机,用于对所述CBCT图像扫描采集模块采集的患者CBCT图像牙槽骨部分实施标注;
预处理单元,预处理单元是由样本初始数据预处理模块和数据储存模块组成,用于将CBCT图像数据归一化处理,并储存为特定数据;
数据转换单元,数据转换单元是由编码器和解码器组成;
模型训练单元,模型训练单元是由数据分类模块和数据运算处理模块组成,用于将数据分类,并评估模型训练效果;
反运算重建单元,用于根据分割完成后的CBCT图像,重新构建牙槽骨三维。
6.根据权利要求5所述的一种基于深度学习的CBCT牙槽骨分割系统,其特征在于,所述CBCT图像扫描采集模块还包括图像数据录入模块、与图像数据录入模块输出端连接的图像分类模块、与图像分类模块输出端连接的归纳整理模块,以及与归纳整理模块输出端连接的图像标注模块;
图像数据录入模块,用于上传或录入经口腔医院获取的患者CBCT图像数据;
图像分类模块,用于整理图像数据录入模块获取的CBCT图像数据,并将可用于参考的CBCT图像数据与不合格的CBCT图像数据分类处理,并获取满足数量的CBCT图像数据;
归纳整理模块,用于将图像分类模块提取的合格CBCT图像数据集中归纳整理;
图像标注模块,用于将归纳整理模块整理后的CBCT图像数据一一标注,并备份至数据储存模块。
7.根据权利要求5所述的一种基于深度学习的CBCT牙槽骨分割系统,其特征在于,所述样本初始数据预处理模块还包括图像格式转换模块、与图像格式转换模块输出端连接的图像校正模块,以及与图像校正模块输出端连接的图像样本提取模块;
图像格式转换模块,用于将获取的CBCT图像格式转换成满足归一化处理的格式;
图像校正模块,用于将图像格式转换模块转换后的CBCT图像调整至合适的范围内;
图像样本提取模块,用于从图像校正模块校正后的CBCT图像提取出满足建模要求的2D切片图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210209123.0A CN114758121A (zh) | 2022-03-04 | 2022-03-04 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210209123.0A CN114758121A (zh) | 2022-03-04 | 2022-03-04 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114758121A true CN114758121A (zh) | 2022-07-15 |
Family
ID=82325369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210209123.0A Pending CN114758121A (zh) | 2022-03-04 | 2022-03-04 | 一种基于深度学习的cbct牙槽骨分割系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758121A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205469A (zh) * | 2022-09-06 | 2022-10-18 | 汉斯夫(杭州)医学科技有限公司 | 基于cbct的牙齿与牙槽骨重建方法、设备及介质 |
CN115471663A (zh) * | 2022-11-15 | 2022-12-13 | 上海领健信息技术有限公司 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
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 |
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN116152505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
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 |
-
2022
- 2022-03-04 CN CN202210209123.0A patent/CN114758121A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205469A (zh) * | 2022-09-06 | 2022-10-18 | 汉斯夫(杭州)医学科技有限公司 | 基于cbct的牙齿与牙槽骨重建方法、设备及介质 |
CN115844424A (zh) * | 2022-10-17 | 2023-03-28 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115844424B (zh) * | 2022-10-17 | 2023-09-22 | 北京大学 | 一种睡眠纺锤波分级识别方法及系统 |
CN115471663A (zh) * | 2022-11-15 | 2022-12-13 | 上海领健信息技术有限公司 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
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 |
CN116152505A (zh) * | 2023-04-20 | 2023-05-23 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
CN116152505B (zh) * | 2023-04-20 | 2023-06-20 | 深圳市亿康医疗技术有限公司 | 基于x光数据的骨骼目标识别分割方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114758121A (zh) | 一种基于深度学习的cbct牙槽骨分割系统及方法 | |
Tian et al. | Automatic classification and segmentation of teeth on 3D dental model using hierarchical deep learning networks | |
Muresan et al. | Teeth detection and dental problem classification in panoramic X-ray images using deep learning and image processing techniques | |
Panetta et al. | Tufts dental database: a multimodal panoramic x-ray dataset for benchmarking diagnostic systems | |
BR112020012292A2 (pt) | previsão automatizada de formato de raiz 3d com o uso de métodos de aprendizado profundo | |
CN107563383A (zh) | 一种医学影像辅助诊断及半监督样本生成系统 | |
Kong et al. | Automated maxillofacial segmentation in panoramic dental x-ray images using an efficient encoder-decoder network | |
US20200134815A1 (en) | System and Method for an Automated Parsing Pipeline for Anatomical Localization and Condition Classification | |
CN111784639A (zh) | 基于深度学习的口腔全景片龋齿深度识别方法 | |
CN115205469A (zh) | 基于cbct的牙齿与牙槽骨重建方法、设备及介质 | |
Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
Huang et al. | A review of deep learning in dentistry | |
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 | |
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 | |
CN114004970A (zh) | 一种牙齿区域检测方法、装置、设备及存储介质 | |
CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
Jaiswal et al. | Multi oral disease classification from panoramic radiograph using transfer learning and XGBoost | |
CN113393470A (zh) | 一种牙齿全自动分割方法 | |
CN112201349A (zh) | 一种基于人工智能的正畸手术方案生成系统 | |
Alam et al. | Teeth segmentation by optical radiographic images using VGG-16 deep learning convolution architecture with R-CNN network approach for biomedical sensing applications | |
Nassar | A prototype automatic dental identification system (ADIS) | |
Brahmi et al. | Exploring the role of Convolutional Neural Networks (CNN) in dental radiography segmentation: A comprehensive Systematic Literature Review | |
CN115294023A (zh) | 肝脏肿瘤自动分割方法及装置 | |
US20220122261A1 (en) | Probabilistic Segmentation of Volumetric Images |
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 |