CN116883428B - 一种下颌骨螺旋ct影像分区分割方法 - Google Patents
一种下颌骨螺旋ct影像分区分割方法 Download PDFInfo
- Publication number
- CN116883428B CN116883428B CN202310830051.6A CN202310830051A CN116883428B CN 116883428 B CN116883428 B CN 116883428B CN 202310830051 A CN202310830051 A CN 202310830051A CN 116883428 B CN116883428 B CN 116883428B
- Authority
- CN
- China
- Prior art keywords
- mandible
- slice
- partition
- mark point
- point
- 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
- 210000004373 mandible Anatomy 0.000 title claims abstract description 97
- 238000005192 partition Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 11
- 238000000638 solvent extraction Methods 0.000 claims abstract description 11
- 201000010099 disease Diseases 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 230000001174 ascending effect Effects 0.000 claims description 22
- 210000000988 bone and bone Anatomy 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 241000282465 Canis Species 0.000 claims description 12
- 210000004357 third molar Anatomy 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000003550 marker Substances 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 4
- 238000007408 cone-beam computed tomography Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000025157 Oral disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及CT影像分区，尤其涉及一种下颌骨螺旋CT影像分区分割方法。其将下颌骨二维分区标准应用到三维HCT数据，结合计算机自动分割算法，实现分区分割，为后续的下颌骨疾病检测提供便利。包括步骤：步骤1、确定下颌骨分区标准；步骤2、建立下颌骨分区分割HCT数据集；步骤3、训练下颌骨分区分割算法；步骤4、分割下颌骨数据。
Description
技术领域
本发明涉及CT影像分区，尤其涉及一种下颌骨螺旋CT影像分区分割方法。
背景技术
下颌骨形态复杂，发生疾病和创伤的位置也是多样的。不同分区发生疾病与创伤的概率、成因、类型不尽相同，有必要进行划分。
由于X光全景照片仅提供二维影像信息，三维医学成像技术越来越多地被口腔疾病的检测所需要。相较于广泛使用的锥束CT（Cone BeamComputedTomography,CBCT），螺旋CT（Spiral or HelicalComputedTomography, HCT）的应用正在逐渐增多。一方面HCT的重建算法、重建模式要优于CBCT，对骨组织的观察要更清晰，另一方面其检查视野更大。然而HCT影像的数据量是庞大的，这给人工检测工作带来很大的工作量。为提高检测效率，计算机自动分割算法被不断提出。
目前，基于医学影像的骨分割方法，最广泛借助的是深度学习工具。其是一种计算机处理算法，可以通过对已有图像数据中骨的形态特征进行学习，构建一个针对特定任务的模型，再被用于处理未知的图像数据，从中分割出具有类似形态特征的目标骨骼。这个方法可以同样被用于下颌骨的分割当中。
而现有的基于深度学习的下颌骨分割方法，多将其作为头颈部多器官分割的一部分，这忽略了下颌骨的独特形态特征，同时具有相对更大的任务难度、需要相对更多的计算时间。
专利公开号为CN113298828A、CN112150472A和CN112150473A的三项专利的技术均针对下颌骨分割，训练获得专用的深度学习模型。但三项专利的技术方案都未分区，无法实现后续疾病检测的定位工作。
针对下颌骨的分区标准基于二维模型，其在被具体应用至三维医学影像数据时具有很大难度。
发明内容
本发明就是针对现有技术存在的缺陷，提供一种下颌骨螺旋CT影像分区分割方法。
为实现上述目的，本发明采用如下技术方案，包括步骤：
步骤1、确定下颌骨分区标准。
步骤2、建立下颌骨分区分割HCT数据集。
步骤3、训练下颌骨分区分割算法。
步骤4、分割下颌骨数据。
进一步地，所述确定下颌骨分区标准包括：
步骤1.1、得到分区标准，将下颌骨分为九个分区，分别为：下颌联合、左下颌体、右下颌体、左下颌角及升支、右下颌角及升支，左冠突、右冠突、左髁突、右髁突。
步骤1.2、使用计算机图像处理软件3DSlicer，根据分区标准，人工分区分割一例HCT数据。
步骤1.3、审核HCT人工分区分割结果，确定分区标准可行。
进一步地，所述建立下颌骨分区分割HCT数据集包括：
步骤2.1、选择数据。
选择含完整下颌骨的HCT数据，包含下颌骨健康受检者和下颌骨任意疾病患者的数据，二者数量及人口分布特性应相同。使用多源、无伪影的、骨窗重建数据。
步骤2.2、制作标签。
根据下颌骨分区标准，制定标签制作标准，规定为：使用九个标签，分别对应九个分区；从水平面、冠状面、矢状面三个视角合作；涵盖嵌入下颌骨的牙根。
步骤2.3、划分数据。
将数据集划分为训练集、验证集和测试集三部分，每一部分均包含相同比例（即百分之五十）的疾病数据，其中，训练集和验证集用于自动分割算法的训练，测试集用于最终算法的测试。
更进一步地，所述制作标签包括分步骤：
步骤2.2.1、确定标志点。
水平面视角自颅顶第一切片向下逐层浏览。
至可见左侧髁突顶部的切片，以左侧髁突中心点为标志点1。
至可见右侧髁突顶部的切片，以右侧髁突中心点为标志点2。
至可见左侧冠突顶部的切片，以左侧冠突中心点为标志点3。
至可见右侧冠突顶部的切片，以右侧冠突中心点为标志点4。
至左侧髁突与冠突连接的切片，以左侧髁突与冠突连接点为标志点5。
至右侧髁突与冠突连接的切片，以右侧髁突与冠突连接点为标志点6。
至可见左侧第三磨牙根部被下颌骨包围的切片，以左侧第三磨牙后侧点为标志点7。
至可见右侧第三磨牙根部被下颌骨包围的切片，以右侧第三磨牙后侧点为标志点8。
至可见左侧犬牙根部被下颌骨包围的切片，以左侧犬牙根右侧点为标志点9。
至可见右侧犬牙根部被下颌骨包围的切片，以右侧犬牙根左侧点为标志点10。若缺失牙，参照对侧，选取对称位置。
冠状面视角自前面第一切片向后逐层浏览。
至左侧下颌升支骨底部最后可见的切片，以左侧下颌升支骨底部为标志点11。
至右侧下颌升支骨底部最后可见的切片，以右侧下颌升支骨底部为标志点12。
步骤2.2.2、依据标志点制作分区标签。
水平面视角自颅顶切片向下逐层标记。
自标志点1所在切片标记左侧髁突分区至标志点5所在切片。
自标志点2所在切片标记右侧髁突分区至标志点6所在切片。
自标志点3所在切片标记左侧冠突分区至标志点5所在切片。
自标志点4所在切片标记右侧冠突分区至标志点6所在切片。
矢状面视角自外侧第一切片向内逐层标记。
自左侧下颌骨出现的切片，根据标志点5、标志点7、标志点11确定的三角区域标记左侧髁突分区、左侧冠突分区、左侧下颌角及升支分区，至以上三个分区最后可见的切片。
自右侧下颌骨出现的切片，根据标志点6、标志点8、标志点12确定的三角区域标记右侧髁突分区、右侧冠突分区、右侧下颌角及升支分区，至以上三个分区最后可见的切片。
水平面视角自颅顶第一切片向下逐层标记。
自左侧下颌体出现的切片，根据标志点7和标志点9确定的区域标记左侧下颌体分区，至左侧下颌体最后可见的切片。
自右侧下颌体出现的切片，根据标志点8和标志点10确定的区域标记右侧下颌体分区，至右侧下颌体最后可见的切片。
自下颌联合出现的切片，根据标志点9和标志点10确定的区域标记下颌联合分区，至下颌联合最后出现的切片。
进一步地，训练下颌骨分区分割算法包括。
步骤3.1、选择算法。
选择深度学习U-Net分割算法，将其分割结果数量改造为十个，分别对应背景和下颌骨九个分区。
步骤3.2、数据预处理。
首先将上述建立数据集的分辨率和灰度值归一化，再使用随机旋转扩充数据，最后使用随机裁剪使尺寸归一化。
步骤3.3、算法训练。
使用预处理后数据集，选择Adam优化方法，搭配Dice损失函数训练所选算法。
步骤3.4、算法测试。
将测试集数据输入训练后的算法，得到算法的性能评价。
与现有技术相比本发明有益效果。
本发明提供了下颌骨HCT影像分区分割总体流程；将下颌骨二维分区标准应用到三维HCT数据，结合计算机自动分割算法，实现分区分割，为后续的下颌骨疾病检测提供便利。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是最终分区分割结果示例图一。
图2是最终分区分割结果示例图二。
图3是下颌骨螺旋CT影像分区分割方法流程示意图。
具体实施方式
如图1-3所示，本发明为了更好利用HCT数据，将下颌骨二维分区模型应用到三维HCT数据上，实现下颌骨自动分区分割。
1.确定下颌骨分区标准。
1.1得到分区标准，将下颌骨分为九个分区：下颌联合（Symphysis），左/右下颌体（Body），左/右下颌角及升支（Angle&Ramus），左/右冠突（Coronoid）和左/右髁突（Condylarprocess）。
1.2 使用计算机图像处理软件3DSlicer，根据分区标准，人工分区分割一例HCT数据。
1.3审核HCT人工分区分割结果，确定分区标准可行。
2.建立下颌骨分区分割HCT数据集。
2.1选择数据。
选择含完整下颌骨的HCT数据，包含下颌骨健康受检者和下颌骨任意疾病患者的数据，二者数量及人口分布特性相同。使用多源、无伪影的、骨窗重建数据。
2.2制作标签。
根据上述下颌骨分区标准，制定标签制作标准，规定：共使用九个标签，分别对应九个分区；从水平面、冠状面、矢状面三个视角合作；涵盖嵌入下颌骨的牙根。
总体步骤为：2.2.1、确定标志点。
水平面视角自颅顶第一切片向下逐层浏览。
至可见左侧髁突顶部的切片，以左侧髁突中心点为标志点1。
至可见右侧髁突顶部的切片，以右侧髁突中心点为标志点2；。
至可见左侧冠突顶部的切片，以左侧冠突中心点为标志点3。
至可见右侧冠突顶部的切片，以右侧冠突中心点为标志点4。
至左侧髁突与冠突连接的切片，以左侧髁突与冠突连接点为标志点5。
至右侧髁突与冠突连接的切片，以右侧髁突与冠突连接点为标志点6。
至可见左侧第三磨牙根部被下颌骨包围的切片，以左侧第三磨牙后侧点为标志点7。
至可见右侧第三磨牙根部被下颌骨包围的切片，以右侧第三磨牙后侧点为标志点8。
至可见左侧犬牙根部被下颌骨包围的切片，以左侧犬牙根右侧点为标志点9。
至可见右侧犬牙根部被下颌骨包围的切片，以右侧犬牙根左侧点为标志点10。若缺失牙，参照对侧，选取对称位置。
冠状面视角自前面第一切片向后逐层浏览：
至左侧下颌升支骨底部最后可见的切片，以左侧下颌升支骨底部为标志点11。
至右侧下颌升支骨底部最后可见的切片，以右侧下颌升支骨底部为标志点12。
2.2.2依据标志点制作分区标签。
水平面视角自颅顶切片向下逐层标记：
自标志点1所在切片标记左侧髁突分区至标志点5所在切片。
自标志点2所在切片标记右侧髁突分区至标志点6所在切片。
自标志点3所在切片标记左侧冠突分区至标志点5所在切片。
自标志点4所在切片标记右侧冠突分区至标志点6所在切片。
矢状面视角自外侧第一切片向内逐层标记。
自左侧下颌骨出现的切片，根据标志点5、标志点7、标志点11确定的三角区域标记左侧髁突分区、左侧冠突分区、左侧下颌角及升支分区，至以上三个分区最后可见的切片。
自右侧下颌骨出现的切片，根据标志点6、标志点8、标志点12确定的三角区域标记右侧髁突分区、右侧冠突分区、右侧下颌角及升支分区，至以上三个分区最后可见的切片。
水平面视角自颅顶第一切片向下逐层标记：
自左侧下颌体出现的切片，根据标志点7和标志点9确定的区域标记左侧下颌体分区，至左侧下颌体最后可见的切片。
自右侧下颌体出现的切片，根据标志点8和标志点10确定的区域标记右侧下颌体分区，至右侧下颌体最后可见的切片。
自下颌联合出现的切片，根据标志点9和标志点10确定的区域标记下颌联合分区，至下颌联合最后出现的切片。
2.3 划分数据。
将数据集划分为训练集、验证集和测试集三部分，每一部分都包含了相同比例（即百分之五十）的疾病数据，其中训练集和验证集用于自动分割算法的训练，测试集用于最终算法的测试。
3.训练下颌骨分区分割算法。
3.1 选择算法。
选择深度学习U-Net分割算法，将其分割结果数量改造为十个，分别对应背景和下颌骨九个分区。
3.2 数据预处理。
首先将上述建立数据集的分辨率和灰度值归一化，再使用随机旋转扩充数据，最后使用随机裁剪使尺寸归一化。
3.3 算法训练。
使用上述预处理后数据集，选择Adam优化方法，搭配Dice损失函数训练所选算法。
3.4 算法测试。
将测试集数据输入训练后的算法，得到算法的性能评价。
4.分割下颌骨数据。
对新的HCT数据进行与算法训练过程中同样的预处理，将其输入训练后的深度学习算法，得到下颌骨分区分割结果。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。
Claims (2)
1.一种下颌骨螺旋CT影像分区分割方法，其特征在于：包括步骤：
步骤1、确定下颌骨分区标准；
步骤2、建立下颌骨分区分割HCT数据集；
步骤3、训练下颌骨分区分割算法；
步骤4、分割下颌骨数据；
所述确定下颌骨分区标准包括：
步骤1.1、得到分区标准，将下颌骨分为九个分区，分别为：下颌联合、左下颌体、右下颌体、左下颌角及升支、右下颌角及升支，左冠突、右冠突、左髁突、右髁突；
步骤1.2、使用计算机图像处理软件3DSlicer，根据分区标准，人工分区分割一例HCT数据；
所述建立下颌骨分区分割HCT数据集包括：
步骤2.1、选择数据；
选择含完整下颌骨的HCT数据，包括下颌骨健康受检者和下颌骨疾病患者的数据，二者数量及人口分布特性应相同；
步骤2.2、制作标签；
根据下颌骨分区标准，制定标签制作标准，规定为：使用九个标签，分别对应九个分区；从水平面、冠状面、矢状面三个视角合作；涵盖嵌入下颌骨的牙根；
步骤2.3、划分数据；
将数据集划分为训练集、验证集和测试集三部分，每一部分均包含相同比例的疾病数据；
所述制作标签包括分步骤：
步骤2.2.1、确定标志点；
水平面视角自颅顶第一切片向下逐层浏览：
至可见左侧髁突顶部的切片，以左侧髁突中心点为标志点1；
至可见右侧髁突顶部的切片，以右侧髁突中心点为标志点2；
至可见左侧冠突顶部的切片，以左侧冠突中心点为标志点3；
至可见右侧冠突顶部的切片，以右侧冠突中心点为标志点4；
至左侧髁突与冠突连接的切片，以左侧髁突与冠突连接点为标志点5；
至右侧髁突与冠突连接的切片，以右侧髁突与冠突连接点为标志点6；
至可见左侧第三磨牙根部被下颌骨包围的切片，以左侧第三磨牙后侧点为标志点7；
至可见右侧第三磨牙根部被下颌骨包围的切片，以右侧第三磨牙后侧点为标志点8；
至可见左侧犬牙根部被下颌骨包围的切片，以左侧犬牙根右侧点为标志点9；
至可见右侧犬牙根部被下颌骨包围的切片，以右侧犬牙根左侧点为标志点10；
冠状面视角自前面第一切片向后逐层浏览：
至左侧下颌升支骨底部最后可见的切片，以左侧下颌升支骨底部为标志点11；
至右侧下颌升支骨底部最后可见的切片，以右侧下颌升支骨底部为标志点12；
步骤2.2.2、依据标志点制作分区标签；
水平面视角自颅顶切片向下逐层标记：
自标志点1所在切片标记左侧髁突分区至标志点5所在切片；
自标志点2所在切片标记右侧髁突分区至标志点6所在切片；
自标志点3所在切片标记左侧冠突分区至标志点5所在切片；
自标志点4所在切片标记右侧冠突分区至标志点6所在切片；
矢状面视角自外侧第一切片向内逐层标记：
自左侧下颌骨出现的切片，根据标志点5、标志点7、标志点11确定的三角区域标记左侧髁突分区、左侧冠突分区、左侧下颌角及升支分区，至以上三个分区最后可见的切片；
自右侧下颌骨出现的切片，根据标志点6、标志点8、标志点12确定的三角区域标记右侧髁突分区、右侧冠突分区、右侧下颌角及升支分区，至以上三个分区最后可见的切片；
水平面视角自颅顶第一切片向下逐层标记：
自左侧下颌体出现的切片，根据标志点7和标志点9确定的区域标记左侧下颌体分区，至左侧下颌体最后可见的切片；
自右侧下颌体出现的切片，根据标志点8和标志点10确定的区域标记右侧下颌体分区，至右侧下颌体最后可见的切片；
自下颌联合出现的切片，根据标志点9和标志点10确定的区域标记下颌联合分区，至下颌联合最后出现的切片。
2.根据权利要求1所述的一种下颌骨螺旋CT影像分区分割方法，其特征在于：训练下颌骨分区分割算法包括：
步骤3.1、选择算法；
选择深度学习U-Net分割算法，将其分割结果数量改造为十个，分别对应背景和下颌骨九个分区；
步骤3.2、数据预处理；
首先将建立数据集的分辨率和灰度值归一化，再使用随机旋转扩充数据，最后使用随机裁剪使尺寸归一化；
步骤3.3、算法训练；
使用预处理后数据集，选择Adam优化方法，搭配Dice损失函数训练所选算法；
步骤3.4、算法测试；
将测试集数据输入训练后的算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830051.6A CN116883428B (zh) | 2023-07-07 | 2023-07-07 | 一种下颌骨螺旋ct影像分区分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310830051.6A CN116883428B (zh) | 2023-07-07 | 2023-07-07 | 一种下颌骨螺旋ct影像分区分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883428A CN116883428A (zh) | 2023-10-13 |
| CN116883428B true CN116883428B (zh) | 2024-05-31 |
Family
ID=88270890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310830051.6A Active CN116883428B (zh) | 2023-07-07 | 2023-07-07 | 一种下颌骨螺旋ct影像分区分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883428B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720877A (zh) * | 2013-12-18 | 2015-06-24 | 王旭东 | 一种数字化技术在口内进路下颌骨髁突病变外科切除术中的应用 |
| CN109907827A (zh) * | 2019-04-16 | 2019-06-21 | 北京大学第三医院（北京大学第三临床医学院） | 一种下颌角截骨术的手术导航系统 |
| CN111145181A (zh) * | 2019-12-25 | 2020-05-12 | 华侨大学 | 一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
| CN113298828A (zh) * | 2021-06-11 | 2021-08-24 | 上海交通大学医学院附属第九人民医院 | 一种基于卷积神经网络的颌骨自动分割方法 |
| CN114638852A (zh) * | 2022-02-25 | 2022-06-17 | 汉斯夫(杭州)医学科技有限公司 | 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质 |
| WO2023013805A1 (ko) * | 2021-08-04 | 2023-02-09 | 주식회사 아인사이트 | 자연 두부 위치에서 촬영된 3차원 cbct 영상에서 기계 학습 기반 치아 교정 진단을 위한 두부 계측 파라미터 도출방법 |
-
2023
- 2023-07-07 CN CN202310830051.6A patent/CN116883428B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720877A (zh) * | 2013-12-18 | 2015-06-24 | 王旭东 | 一种数字化技术在口内进路下颌骨髁突病变外科切除术中的应用 |
| CN109907827A (zh) * | 2019-04-16 | 2019-06-21 | 北京大学第三医院（北京大学第三临床医学院） | 一种下颌角截骨术的手术导航系统 |
| CN111145181A (zh) * | 2019-12-25 | 2020-05-12 | 华侨大学 | 一种基于多视角分离卷积神经网络的骨骼ct图像三维分割方法 |
| CN113298828A (zh) * | 2021-06-11 | 2021-08-24 | 上海交通大学医学院附属第九人民医院 | 一种基于卷积神经网络的颌骨自动分割方法 |
| WO2023013805A1 (ko) * | 2021-08-04 | 2023-02-09 | 주식회사 아인사이트 | 자연 두부 위치에서 촬영된 3차원 cbct 영상에서 기계 학습 기반 치아 교정 진단을 위한 두부 계측 파라미터 도출방법 |
| CN114638852A (zh) * | 2022-02-25 | 2022-06-17 | 汉斯夫(杭州)医学科技有限公司 | 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 融合CT 和MRI 数据构建颌面部3D 数字化模型;雷公元;《口腔疾病防治》;20170820;第520-523页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883428A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
| US20200402647A1 (en) | Dental image processing protocol for dental aligners | |
| US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
| US9439610B2 (en) | Method for teeth segmentation and alignment detection in CBCT volume | |
| US11734825B2 (en) | Segmentation device and method of generating learning model | |
| US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
| 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 | |
| CN113223010B (zh) | 口腔图像多组织全自动分割的方法和系统 | |
| US12062170B2 (en) | System and method for classifying a tooth condition based on landmarked anthropomorphic measurements | |
| CN110236673B (zh) | 一种基于数据库的双侧颌骨缺损重建术前设计方法及装置 | |
| CN114757960B (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 | |
| CN112785609A (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
| US20220358740A1 (en) | System and Method for Alignment of Volumetric and Surface Scan Images | |
| CN117876578B (zh) | 基于冠根融合的正畸排牙的方法 | |
| US20230419631A1 (en) | Guided Implant Surgery Planning System and Method | |
| US20230252748A1 (en) | System and Method for a Patch-Loaded Multi-Planar Reconstruction (MPR) | |
| WO2023194500A1 (en) | Tooth position determination and generation of 2d reslice images with an artificial neural network | |
| CN112201349A (zh) | 一种基于人工智能的正畸手术方案生成系统 | |
| CN116883428B (zh) | 一种下颌骨螺旋ct影像分区分割方法 | |
| US20230013902A1 (en) | System and Method for Correcting for Distortions of a Diagnostic Image | |
| CN116797731A (zh) | 一种基于人工智能的口腔cbct影像截面生成方法 | |
| CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
| Yun et al. | Automated 3D cephalometric landmark identification using computerized tomography | |
| Dhar et al. | Automatic tracing of mandibular canal pathways using deep learning |
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 |