CN116797731A - 一种基于人工智能的口腔cbct影像截面生成方法 - Google Patents
一种基于人工智能的口腔cbct影像截面生成方法 Download PDFInfo
- Publication number
- CN116797731A CN116797731A CN202310677895.1A CN202310677895A CN116797731A CN 116797731 A CN116797731 A CN 116797731A CN 202310677895 A CN202310677895 A CN 202310677895A CN 116797731 A CN116797731 A CN 116797731A
- Authority
- CN
- China
- Prior art keywords
- cbct
- dimensional image
- oral cavity
- standardized
- oral
- 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
- 210000000214 mouth Anatomy 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract 46
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 210000003484 anatomy Anatomy 0.000 claims abstract description 29
- 210000002455 dental arch Anatomy 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 14
- 210000000988 bone and bone Anatomy 0.000 claims description 12
- 210000001519 tissue Anatomy 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 210000000332 tooth crown Anatomy 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 7
- 238000010191 image analysis Methods 0.000 abstract description 5
- 208000025157 Oral disease Diseases 0.000 abstract description 3
- 208000030194 mouth disease Diseases 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract 2
- 238000004458 analytical method Methods 0.000 description 11
- 238000002372 labelling Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 210000003298 dental enamel Anatomy 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 210000004283 incisor Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 206010044048 Tooth missing Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 210000004268 dentin Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 210000004513 dentition Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 210000002379 periodontal ligament Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了一种基于人工智能的口腔CBCT影像截面生成方法，包括S1、根据标准化拍摄口腔CBCT三维影像资料获取第一CBCT三维影像文件；S2、对第一CBCT三维影像进行切片预处理后重建为第二CBCT三维影像文件；S3、构建第一神经网络模型提取第二CBCT三维影像文件中的标志解剖结构，以及获取标准化口腔CBCT水平截面；S4、构建第二神经网络模型，并根据准化口腔CBCT水平截面对牙齿进行分割；S5、根据牙齿的分割结果获取牙弓曲线；S6、根据牙弓曲线获取标准化牙齿冠状截面或矢状截面；通过上述结构能够实现高效、自动、批量生成口腔CBCT影像截面，有效减轻口腔医生在选取CBCT截面过程中耗费的时间及精力，提高口腔疾病的诊断、筛查、术前影像分析的效率。
Description
技术领域
本发明涉及口腔影像学领域，特别涉及一种基于人工智能的口腔CBCT影像截面生成方法。
背景技术
锥形束CT(Cone beam CT,CBCT)作为口腔医学领域中最常用的三维影像学检查方法，常被用于口腔疾病诊断与筛查、手术方案设计、疾病随访等诊疗流程。CBCT是由X线发生器围绕投照物体进行环形投照后重建形成三维影像。在各个口腔专科的实际临床应用中，常常需要针对特定的牙位或标志解剖位点，从CBCT三维影像中获取特定轴向的二维截面，并在所选截图上进行图像定性或定量分析。例如，口腔种植治疗的术前方案设计主要依赖在目标牙位的CBCT的水平截面、冠状截面及矢状截面上，对缺牙位点可用骨量的全方位定量分析，基于分析结果决定口腔种植适应症选择、治疗时机、手术方案等关键诊疗决策。
目前获取口腔CBCT影像截面的步骤主要由医生手动完成，大致包括：获得CBCT数据并在计算机软件中进行三维重建；在三维图像分析软件中识别合适的水平截面；进一步地在水平截面上描绘标识牙列走向的牙弓曲线；基于牙弓曲线及目标分析牙位，获得目标牙位在各个轴向上的二维平面。上述任务所生成的二维截面并非是统一位置的轴面，而是需要根据每个患者特定的解剖结构特点及其牙弓曲线，个性化地寻找包含最多解剖学信息的截面。另外，由于人工选取CBCT截面的操作步骤繁杂、耗时较长，在临床实践中耗费医生的大量精力和时间，不利于诊疗效率的提高。
以深度学习网络为代表的人工智能技术基于计算机科学，旨在模仿人类智能过程并以人类智能相似的方式做出反应。得益人工智能技术的发展与算力的进步，基于深度学习的智能化医学影像分析工具被逐渐应用于各个临床专科的医学图像分析中，实现快速、自动、准确的医学图像智能化分析。然而，国内外现有研究往往更关注在已有的二维图像(如牙科X线片上进行龋齿诊断)或者原始三维影像(如三维CBCT影像上进行牙齿智能分割)上进行医学影像智能化分析，尚未有科学研究或科技发明解决口腔CBCT三维影像的特定二维分析平面自动转化的技术问题。
口腔CBCT影像特定二维截面的人工智能自动生成存在以下挑战：首先需要在三维影像中基于标志解剖结构选取指定层面作为标准层面(如标准水平面)，以进行后续分析；此步骤要求人工智能模型遍历数百张层面并具备筛选及识别关键解剖结构的能力。其次，为了在所选标准层面中分析个性化解剖信息(如牙位、牙弓曲线)，人工智能模型需要提取牙齿、牙槽骨、软组织等不同解剖组织特征并加以区分；在多数情况下各组织之间的存在生理界限(如牙周膜)及密度差异，然而在某些生理及病理情况下各组织之间的生理界限不清晰、密度差异不大，要求模型具备精准且鲁棒的组织分割能力。最后，要求模型基于所分析的解剖特征转换为特定坐标信息，并实现自动截面重建，获得具备临床分析效能、包含清晰解剖学特征的CBCT影像分析截面。
因此，急需一种自动、高效、准确的基于人工智能的口腔CBCT影像截面生成方法来解决上述问题。
发明内容
为实现口腔CBCT影像特定截面的自动化获取，提高口腔CBCT影像分析效率，减轻临床上医生分析口腔CBCT的工作负担，本发明提出一种基于人工智能的口腔CBCT影像截面生成方法，旨在至少解决现有技术中存在的技术问题之一：
1、通过构建和训练人工智能模型，解决口腔CBCT三维影像中解剖结构精准识别及其标准水平面自动获取的问题；
2、通过构建和训练人工智能模型，解决在自动生成个性化牙弓曲线过程中，解剖结构难以自动、精准且鲁棒地分割的问题；
3、通过计算机图像处理算法及先验解剖学知识，解决基于牙弓曲线的口腔CBCT影像的标准二维截面重建的问题。
为此，本发明采用的技术方案为：
一种基于人工智能的口腔CBCT影像截面生成方法，包括：
S1、根据标准化拍摄口腔CBCT三维影像资料获取第一CBCT三维影像文件；
S2、对第一CBCT三维影像进行切片预处理后重建为第二CBCT三维影像文件；
S3、构建第一人工智能网络模型提取第二CBCT三维影像文件中的标志解剖结构，进而获取标准化口腔CBCT水平截面；
S4、构建第二人工智能网络模型，并基于标准化口腔CBCT水平截面实现解剖结构分割；
S5、根据口腔解剖结构分割结果自动获取个性化牙弓曲线；
S6、根据个性化牙弓曲线来获取标准化牙齿冠状截面或矢状截面。
作为优选实施例，在S1中，包括：
S101、纳入口腔CBCT三维影像资料；
S102、筛除存在运动伪影及金属伪影的质量不佳的CBCT数据；
S103、导出筛选后的口腔CBCT文件，并按照规范法则命名后保存于指定路径，获得第一CBCT三维影像文件。
作为优选实施例，在S2中，包括：
S201、读取第一CBCT三维影像文件中的所有切片，并根据第一CBCT三维影像文件的原始成像视野和体素体积来实现自动归一化裁剪，获得尺寸统一的切片；
S202、基于口腔解剖结构密度调节所有切片的Hounsfiled Unit(HU)值，获得合适的窗位及窗宽，以区分不同密度的口腔解剖结构；
S203、批量归一化处理所有切片并保存为二值化灰度值图像；具体的，将所有层面上所有像素点的灰度值进行归一化处理；
S204、将二值化灰度值图像集合重建为仅保留牙齿及牙槽骨硬组织结构信息的第二CBCT三维影像文件，并按照规范法则命名后保存于指定路径。
作为优选实施例，在S3中，包括：
S301、生成第二CBCT三维影像文件的最大水平面投影、最大矢状面投影或最大冠状面投影；具体的，最大水平面投影、最大矢状面投影或最大冠状面投影包含所需识别的关键解剖学结构；
S302、构建并训练有监督或无监督第一人工智能网络模型自动提取二值化最大投影标志解剖结构，并记录其影像特征信息；
S303、将所生成的二值化最大水平面投影、最大矢状面投影或最大冠状面投影以及标志解剖结构位置信息传入第一CBCT三维影像中，获取该标志解剖结构所处的标准化口腔CBCT水平截面，按照规范法则命名后保存于指定路径。
作为优选实施例，在S4中，包括：
S401、在标准化口腔CBCT水平截面上标注牙齿及解剖结构的边缘；具体的，采用数据标注软件获得牙齿及解剖机构边缘标注信息的标注文件，将牙齿及解剖结构的边缘标注文件及标准化口腔CBCT水平截面整理成分割标注数据集；S402、构建有监督或无监督第二人工智能网络模型，具备在每一个实例目标上生成对应的像素级掩膜的能力；
S403、分割标注数据集投入第二人工智能网络模型中，进行模型训练，以及对训练好的模型验证其分割性能及泛化能力；
S404、将标准化口腔CBCT水平截面投入完成训练及验证的第二人工智能网络模型中，以对牙齿及解剖结构进行分割，将分割后的牙齿进行排序，并根据牙齿排序标定牙位。
作为优选实施例，在S5中，包括：
S501、根据第二人工智能网络模型的分割结果确定牙齿在标准化口腔CBCT水平截面中的几何中心；
S502、连接所有牙齿的几何中心，获得个性化牙弓曲线。
作为优选实施例，在S6中，包括：
S601、获得目标牙位中心在个性化牙弓曲线上的斜率；
S602、根据斜率制作目标牙位中心处的个性化牙弓曲线的法线或切线；
S603、以法线或切线为基准，重建标准化牙齿冠状截面或矢状截面。
作为优选实施例，在S101中，口腔CBCT三维影像的收集采用包括采用各品牌口腔CBCT成像仪器、不同的拍摄规格等，包括来自不同诊疗机构的口腔CBCT影像学资料。
作为优选实施例，在S201中，利用python计算机语言进行CBCT切片尺寸归一化裁剪。
作为优选实施例，在S202中，所用图像处理模块包括但不限于simpleITK、nibabel等。具体的，根据口腔CBCT三维影像中的牙釉质、牙本质、牙槽骨、软组织及空气等不同组织类别的不同密度，调节HU值，获得合适的窗位及窗宽，以较好的区分出硬组织结构。
作为优选实施例，在S301中，所需识别的解剖学结构包括但不限于：上下牙齿釉牙骨质界、上下颌牙槽骨嵴顶、上下牙齿切端、上下颌缺牙区面中份牙槽骨嵴顶等。
作为优选实施例，在S302中，所述有监督或无监督第一人工智能网络模型包括但不限于Harris角点检测、CornerNet等。具体的，所识别的图像特征信息包括但不限于角点、边缘线、位置、灰度等。
作为优选实施例，在S401中，所需标注的牙齿及重要解剖结构包括但不限于牙齿的轮廓、缺牙位点牙槽骨边缘、骨内牙源性或骨源性病损边缘等。
作为优选实施例，在S402中，所述用于牙齿及解剖结构自动实例分割的第二人工智能网络模型包括但不限于Mask RCNN、Fast RCNN、YOLACT、DeepMask等。
作为优选实施例，在S403中，模型训练过程采用包括但不限于K折交叉验证、数据增强、迁移学习、模型集成等方法提高模型的分割性能及泛化能力。
作为优选实施例，在S502中，对所得个性化牙弓曲线采用包括但不限于二次样条插值法、三次样条插值法、Savitzky-Golay滤波器、滑动平均滤波法、高斯滤波等图像处理手段对个性化牙弓曲线进行平滑、连续。
与现有技术相比，本发明的有益效果是：
(1)该发明通过有监督或无监督人工智能网络，实现高效、自动、批量生成口腔CBCT影像指定截面，有效减轻口腔医生在选取用于专科分析的CBCT截面过程中耗费的时间及精力，提高口腔疾病的诊断及筛查、术前影像分析、术后随访研究的效率。
(2)该发明所采用的人工智能网络具有较强的泛化效应，适用于多种复杂情况下的CBCT分析；且对算力资源要求不高，可以实现下沉到放射科医生稀缺的基层口腔医院及口腔诊所，提高口腔基层影像学分析总体诊断效率及水平。
附图说明
本发明的上述或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为一种基于人工智能口腔上前牙CBCT影像正中矢状截面自动生成方法的流程图；
图2为根据标准化拍摄口腔CBCT三维影像资料获取第一CBCT三维影像文件的方法的流程图；
图3为二值化灰度CBCT图像的示例；
图4为基于Harris角点检测算法提取的二值化最大矢状面投影中的口腔上前牙唇侧釉牙骨质界(即图中蓝点所示)；
图5为一种构建有监督Mask RCNN牙齿分割网络实现牙齿自动分割的方法流程图；
图6为有监督Mask RCNN牙齿分割网络组成模块；
图7为牙齿分割标注数据集及基于有监督Mask RCNN牙齿分割网络的牙齿分割像素级掩膜示例；
图8为自动获取的个性化牙弓曲线、指定牙位上的法线及标准化口腔上前牙正中矢状截面结果示例。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明中，除非另有明确的限定，“设置”、“安装”、“连接”等词语应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连；可以是固定连接，也可以是可拆卸连接，还可以是一体成型；可以是机械连接；可以是两个元件内部的连通或两个元件的相互作用关系。所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1-8，在本发明中，以一种基于人工智能的口腔上前牙CBCT影像正中矢状截面的生成为实施例来进行说明，具体包含以下步骤：
S1、根据标准化拍摄口腔CBCT三维影像资料获取第一CBCT三维影像文件；
S101、收集NewTom VG口腔CBCT影像系统标准化拍摄的CBCT三维影像资料；具体的，该系统拍摄方案的参数应一致，包括但不限于成像视野、扫描时间、体素尺寸、曝光时间等；
S102、筛除存在运动伪影、金属伪影及影像文件损坏的质量不佳的CBCT数据；
S103、通过NewTom VG软件导出筛选后的口腔CBCT文件，以DICOM格式保存于指定路径，按照规范法则命名，获得第一CBCT三维影像文件；
S2、对第一CBCT三维影像进行切片预处理后重建为第二CBCT三维影像文件；
S201、利用python计算机语言读取第一CBCT三维影像的所有切片；具体的，利用python计算机语言读取S103所得的第一CBCT三维影像。具体的，读取以DICOM格式保存的每一个切片，每份第一CBCT三维影像共含有404张切面。具体的，所述所有切片沿z轴进行三维重建；
S202、基于口腔解剖结构密度调节所有切片的HU值，以获得合适的窗位及窗宽；具体的，在python计算机语言中，应用simpleITK模块对S201所读取的所有切面进行HU值调整，根据口腔CBCT三维影像中的牙釉质、牙本质、牙槽骨、软组织及空气等不同组织的不同密度调节HU值，获得合适的窗位及窗宽。具体的，设定窗宽为HU值为1700，窗位为HU值为1500，以清晰显现硬组织结构信息；
S203、批量归一化处理所有切片，保存为二值化灰度值图像；具体的，针对S202所得的所有已调节HU值的切片，将图像上的所有像素点的灰度值归一化值为0到255的范围内，所保存的切片为仅保留牙齿及牙槽骨的灰度二值化图像。具体的，此步骤将HU值信息转化为灰度值信息，以便后续步骤算法的读取；
S204、预处理后的切面重建为二值化CBCT三维影像；具体的，将S203所得的归一化处理所得的二值化灰度切片集合进行三维重建，获得第二CBCT三维影像文件，第二CBCT三维影像文件为二值化灰度CBCT图像，并且仅保留牙齿及牙槽骨信息，然后按照规范法则命名第二CBCT三维影像文件，以DICOM格式保存在指定路径；
S3、构建无监督Harris角点检测算法自动识别口腔上前牙釉牙骨质界(CEJ)，获取标准化口腔CBCT水平截面；
S301、生成第二CBCT三维影像文件的最大矢状面投影；具体的，将S204所得的第二CBCT三维影像文件进行矢状面最大投影，即，将同一份CBCT文件的所有矢状面截图进行重叠投影。进一步的，按照规范法则命名所生成的二值化最大矢状面投影，以JPEG格式保存在指定路径；
S302、构建Harris角点检测算法以提取二值化最大矢状面投影中的口腔上前牙唇侧釉牙骨质界(CEJ)；具体的，将S301所保存的二值化最大矢状面投影导入python计算机语言中，构建无监督的Harris角点检测算法提取所述二值化最大矢状面投影的口腔上前牙唇侧CEJ。优选的，所述角点为图像局部曲率(梯度)突变的点或像素值较周围具有明显变化的点；
Harris角点检测算法核心思想是，采用指定尺寸的窗口遍历整张二维图像，通过计算窗口内两个相交方向的梯度乘积矩阵，推算每个像素点的Harris响应值R，以一定阈值筛选符合角点条件的像素点；具体的，对于二值化最大矢状面投影I，采用窗口W扫描，窗口中心位置为(x,y)；然后计算窗口中心点(x,y)在横向和纵向两个方向的梯度Ix、Iy，并求得两者乘积；再使用高斯函数对两者乘积进行高斯加权，计算窗口中心点(x,y)对应的协方差矩阵M；再计算窗口中每个像素点处的Harris响应值R，其中：
R＝[(Ix2+Iy2)-(Ixfy)2]/(Ix2+Iy2)
最后过滤大于设定阈值t的R值，保留的大于阈值的即为算法检测得到的角点；
将所有提取的角点位置转化为在二值化最大矢状面投影的坐标信息，汇总所有角点位置，根据横坐标对所有角点进行排序，选择距离最大矢状面投影左侧边缘最近的三个角点；在所选最左的三个角点中进行纵坐标排序，选择距离最大矢状面投影上侧边缘最近的一个角点，记为上前牙唇侧釉牙骨质界位点，记录该关键角点的坐标信息；
S303、基于自动识别的上前牙唇侧釉牙骨质界自动获取标准化上前牙水平截面；具体的，基于S301所生成的二值化最大矢状面投影及基于S302提取的上前牙唇侧釉牙骨质界位点，将其纵坐标信息传入第一CBCT三维影像中，计算机自动获取上前牙唇侧釉牙骨质界所在的切面，按照规范法则命名及路径保存为标准化上前牙水平截面；
S4、构建有监督Mask RCNN牙齿分割网络实现牙齿自动分割；
S401、口腔医生在标准化上前牙水平截面上标注牙齿；具体的，将S303所选的标准化上前牙水平截面导入数据标注软件labelme中，由受到过专业训练的口腔医生在标准化上前牙水平截面上描绘所有牙齿的的边缘，将牙齿边缘标注的坐标信息自动写入指定文件，并保存在指定路径，然后将牙齿边缘标注文件及S303所生成的标准化口腔CBCT水平截面整理成为牙齿分割标注数据集；
S402、构建有监督Mask RCNN牙齿自动分割网络；具体的，构建有监督Mask RCNN牙齿自动实例分割网络,包括以下模块：
第一模块：特征提取网络模块；由以卷积神经网络为主干的特征图金字塔网络(Feature Pyramid Networks，FPN)组成，具备上采样和卷积池化模块。具体的，将标准化口腔上前牙水平截面输入到预训练后的ResNet 50为主干的FPN中。进一步的，标准化口腔上前牙水平截面通过多层的卷积及池化得到对应的特征图，通过从高维度到低维度的上采样与卷积池化过程中得到同样大小的特征图进行横向连接融合。基于上述结构，FPN同时利用低层特征高分辨率和高层特征的高语义信息；
第二模块：感兴趣区域(ROI)生成模块；对第一模块中所得的特征图中的每一个位置设定指定数量的ROI，该位置相对于原图的区域取决于第一模块特征提取网络提取特征图过程中感受野的大小及网络深度，所生成的ROI数量可通过python计算机语言自行设定；
第三模块：区域生成网络(Region proposal network，RPN)模块；将特征图所有的ROI输入RPN中，生成候选框，并对ROI进行前景及背景的二分类。进一步的，对所有分类位置进行BB回归，筛选出具有相似特征的ROI，定义为前景类别的ROI，否则则定义为背景类别的ROI；
第四模块：ROI对齐模块(ROI Align)；将所筛选的前景类别ROI进行对齐。具体的，将标准化上前牙水平截面与第一模块训练所得特征图的ROI区域对应的像素进行锚定。具体的，在ROI池化的基础上，通过双线性插值得到固定的坐标像素值，保留其浮点小数位，使得ROI在特征图与原图像素对齐的精度更高；
第五模块：掩码的生成及分类；使用全连接网络对筛选所得ROI进行类别分类、标注框回归，赋予相关实例语义。具体的，该实例语义为所分割的牙齿的牙位类别。同时掩码生成旁支采用全卷积网络(fully connected network,FCN)对不同实例语义的ROI进行分割并输出像素级掩码，该掩码对应标准化上前牙水平截面中的牙齿分割结果；
S403、训练及验证Mask RCNN牙齿自动分割网络；具体的，将S401中口腔医生标注的牙齿分割标注数据集投入S402所构建的有监督Mask RCNN牙齿自动分割网络中，进行模型训练，采用五折交叉验证、数据增强、迁移学习、模型集成等方法提高模型的分割性能及泛化能力。进一步的，对训练好的有监督Mask RCNN牙齿自动分割网络进行验证，验证指标包括但不限于像素准确率(PA)、平均精度、Dice相似系数、交并比(mIoU)、精确率、召回率、准确率等。验证分割效果良好的模型可输入到下一个步骤，否则则加大标注数据集数量继续训练及验证；
S404、基于Mask RCNN牙齿自动分割网络自动分割牙齿，自动标定目标牙位；具体的，将S3所生成的标准化口腔CBCT水平截面投入S403完成训练及验证的有监督Mask RCNN牙齿自动分割网络，实现标准化口腔CBCT水平截面中牙齿智能分割；作为优选，优先识别位于标准化上前牙水平截面最前方的4颗牙齿，按照从左到右的顺序，分别将4颗前牙赋予“左侧侧切牙”、“左侧中切牙”、“右侧中切牙”及“右侧侧切牙”的语义标签；
S5、基于图像处理算法，自动获取个性化牙弓曲线；
S501、基于深度学习自动分割结果确定在标准化上前牙水平截面中所分割牙齿的几何中心；具体的，读取S404基于深度学习自动分割的牙齿像素级掩膜的类别及坐标范围信息，将其转化为标准化上前牙水平截面中的连通区域，利用图像处理算法自动计算每颗牙齿的几何中心坐标点。具体的，该几何中心的横坐标是牙齿边缘线上所有点的横坐标平均值，纵坐标是牙齿边缘线上所有点的纵坐标平均值；
S502、连接所有牙齿的几何中心，获得个性化牙弓曲线；具体的，将S501计算的所有牙齿的几何中心点相连，获得个性化牙弓曲线，采用三次样条插值法，对个性化牙弓曲线进行平滑、连续。
S6、自动获取标准化口腔上前牙正中矢状截面；
S601、获得上前牙中心在个性化牙弓曲线上的斜率；具体的，应用python计算机语言中的interpolate函数工具，计算上前牙几何中心处在S502所得的个性化牙弓曲线上的斜率；
S602、根据斜率制作上前牙中心处个性化牙弓曲线的法线；具体的，利用S601所计算的牙弓曲线斜率及上前牙几何中心，描绘上前牙几何中心所在位置的个性化牙弓曲线的法线；
S603、以法线为基准，重建标准化口腔上前牙正中矢状截面；具体的，基于S602所得的法线，获取标准化牙齿矢状面的坐标信息。进一步的，基于该坐标信息，对第一CBCT三维影像文件进行图像重建，获取重建后的标准化口腔上前牙正中矢状截面，所得的标准化口腔上前牙正中矢状截面将用于口腔CBCT的影像学分析。
当然，本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出等同变形或替换，这些等同的变形和替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，包括：
S1、根据标准化拍摄口腔CBCT三维影像资料获取第一CBCT三维影像文件；
S2、对第一CBCT三维影像进行切片预处理后重建为第二CBCT三维影像文件；
S3、构建第一人工智能网络模型提取第二CBCT三维影像文件中的标志解剖结构，进而获取标准化口腔CBCT水平截面；
S4、构建第二人工智能网络模型，并基于标准化口腔CBCT水平截面实现解剖结构分割；
S5、根据口腔解剖结构分割结果自动获取个性化牙弓曲线；
S6、根据个性化牙弓曲线获取牙齿冠状截面或矢状截面。
2.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S1中，包括：
S101、纳入口腔CBCT三维影像资料；
S102、筛除存在运动伪影及金属伪影的质量不佳的CBCT数据；
S103、导出筛选后的口腔CBCT文件，并按照规范法则命名后保存于指定路径，获得第一CBCT三维影像文件。
3.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S2中，包括：
S201、读取第一CBCT三维影像文件中的所有切片，并根据第一CBCT三维影像文件的原始成像视野和体素体积实现自动归一化裁剪，获得尺寸统一的切片；
S202、基于口腔解剖结构密度调节所有切片的HU值，以获得合适的窗位及窗宽；
S203、批量归一化处理所有切片并保存为二值化灰度值图像；
S204、将二值化灰度值图像集合重建为仅保留牙齿及牙槽骨硬组织结构信息的第二CBCT三维影像文件，并按照规范法则命名后保存于指定路径。
4.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S3中，包括：
S301、生成第二CBCT三维影像文件的最大水平面投影、最大矢状面投影或最大冠状面投影；
S302、构建并训练有监督或无监督第一人工智能网络模型自动提取二值化最大投影标志解剖结构；
S303、将所生成的二值化最大水平面投影、最大矢状面投影或最大冠状面投影以及标志解剖结构位置信息传入第一CBCT三维影像中，获取该标志解剖结构所处的标准化口腔CBCT水平截面，按照规范法则命名后保存于指定路径。
5.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S4中，包括：
S401、在标准化口腔CBCT水平截面上标注牙齿及解剖结构的边缘，并将牙齿及解剖结构的边缘标注文件及标准化口腔CBCT水平截面整理成分割标注数据集；
S402、构建有监督或无监督第二人工智能网络模型，并用于在每一个实例目标上生成对应的像素级掩膜；
S403、分割标注数据集投入第二人工智能网络模型中，进行模型训练，以及对训练好的模型进行验证；
S404、将标准化口腔CBCT水平截面投入完成训练及验证的第二人工智能网络模型中，以对牙齿及解剖结构进行分割，将分割后的牙齿进行排序，并根据牙齿排序标定牙位。
6.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S5中，包括：
S501、根据第二人工智能网络模型的分割结果确定牙齿在标准化口腔CBCT水平截面中的几何中心；
S502、连接所有牙齿的几何中心，获得个性化牙弓曲线。
7.根据权利要求1所述的一种基于人工智能的口腔CBCT影像截面生成方法，其特征在于，在S6中，包括：
S601、获得目标牙位中心在个性化牙弓曲线上的斜率；
S602、根据斜率制作目标牙位中心处的个性化牙弓曲线的法线或切线；
S603、以法线或切线为基准，重建标准化牙齿冠状截面或矢状截面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677895.1A CN116797731A (zh) | 2023-06-08 | 2023-06-08 | 一种基于人工智能的口腔cbct影像截面生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310677895.1A CN116797731A (zh) | 2023-06-08 | 2023-06-08 | 一种基于人工智能的口腔cbct影像截面生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116797731A true CN116797731A (zh) | 2023-09-22 |
Family
ID=88047406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310677895.1A Pending CN116797731A (zh) | 2023-06-08 | 2023-06-08 | 一种基于人工智能的口腔cbct影像截面生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797731A (zh) |
-
2023
- 2023-06-08 CN CN202310677895.1A patent/CN116797731A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
| US11734825B2 (en) | Segmentation device and method of generating learning model | |
| CN113223010B (zh) | 口腔图像多组织全自动分割的方法和系统 | |
| US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
| KR20200108822A (ko) | 딥 러닝 방법을 이용한 3d 치아 데이터의 자동 분류 및 분류체계화 | |
| US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
| Kumar et al. | Descriptive analysis of dental X-ray images using various practical methods: A review | |
| Leonardi et al. | An evaluation of cellular neural networks for the automatic identification of cephalometric landmarks on digital images | |
| Kong et al. | Automated maxillofacial segmentation in panoramic dental x-ray images using an efficient encoder-decoder network | |
| CN115205469A (zh) | 基于cbct的牙齿与牙槽骨重建方法、设备及介质 | |
| KR102461343B1 (ko) | 금속 인공 음영이 포함된 의료영상에서 치아 랜드마크 자동 검출 방법 및 시스템 | |
| Sheng et al. | Transformer-based deep learning network for tooth segmentation on panoramic radiographs | |
| CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
| Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
| CN114332123A (zh) | 基于全景片的龋病自动分级方法及系统 | |
| CN114757960A (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
| US20220361992A1 (en) | System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning | |
| CN111325754B (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| 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 | |
| CN113393470A (zh) | 一种牙齿全自动分割方法 | |
| Yeshua et al. | Automatic detection and classification of dental restorations in panoramic radiographs | |
| US20220358740A1 (en) | System and Method for Alignment of Volumetric and Surface Scan Images | |
| Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
| Zhang et al. | Advancements in Oral and Maxillofacial Surgery Medical Images Segmentation Techniques: An Overview | |
| CN116797731A (zh) | 一种基于人工智能的口腔cbct影像截面生成方法 |
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 |