CN117437250A - 一种基于深度学习的三维牙颌图像分割方法及系统 - Google Patents
一种基于深度学习的三维牙颌图像分割方法及系统 Download PDFInfo
- Publication number
- CN117437250A CN117437250A CN202311767194.3A CN202311767194A CN117437250A CN 117437250 A CN117437250 A CN 117437250A CN 202311767194 A CN202311767194 A CN 202311767194A CN 117437250 A CN117437250 A CN 117437250A
- Authority
- CN
- China
- Prior art keywords
- dimensional dental
- molar
- dental image
- model
- image segmentation
- 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
Links
- 238000003709 image segmentation Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 210000004357 third molar Anatomy 0.000 claims abstract description 126
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 5
- 238000000227 grinding Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及到图像分割技术领域,特别是涉及一种基于深度学习的三维牙颌图像分割方法及系统;本发明在建立用于三维牙颌图像分割的深度学习模型时,首先对三维牙颌图像进行分类,分为有第三磨牙三维牙颌图像和无第三磨牙三维牙颌图像;然后针对不同类型的三维牙颌图像设置不同的图像分割模型,用于实现不同类型三维牙颌图像的分割;相对于现有技术中仅通过深度学习模型分割所有类型的三维牙颌图像,可有效提高三维牙颌图像的分割精度。
Description
技术领域
本申请涉及到图像分割技术领域,特别是涉及一种基于深度学习的三维牙颌图像分割方法及系统。
背景技术
近年来,随着三维数据扫描技术和计算机图形图像处理技术的应用和发展,计算机辅助设计系统出现在越来越多的领域,他们利用硬件支持的计算机图形图像技术来高效地完成传统上工作量很大的任务。目前全球许多牙科诊所都使用计算机辅助正畸治疗系统对患者的牙齿进行矫正治疗,计算机辅助正畸系统在现代牙科中起着重要作用。它能高效地帮助医生进行牙齿矫正的定位、牙弓形态预测以及牙齿治疗前后配准等医学操作,使临床牙医避免许多重复工作,有助于形成一套准确的治疗计划。
而在计算机辅助正畸治疗系统中,牙齿的分割是这些系统中最基本和最关键的组成部分。在通过扫描患者的口腔获取三维牙颌模型后,一般都包含有牙齿和牙龈两部分,口腔医生通常需要从三维牙颌模型中分割出所有牙齿。分割得到牙齿后,医生会在计算机上分析牙齿的位置和排列,并进行模拟以制定适用于患者的治疗计划。所以在牙齿矫正治疗过程中,将三维牙颌模型分割成一个个单颗牙齿是至关重要的一步,是否能精确地分割出牙齿会影响后续治疗工作的准确性,同时高效地分割牙齿也会为医生节约很多时间,缩短牙齿正畸治疗的周期。
现有技术中存在通过深度学习模型对牙齿图像分割的技术方案,例如,中国发明专利(CN108986111A)公开了一种用于计算机辅助隐形正畸的三维牙颌模型分割方法,包括如下步骤,步骤1,读取三角网格牙颌模型;步骤2,简化该模型;步骤3,标记牙齿种子点和牙颌种子点;步骤4,设定阈值,通过设置的特征区域和扩散操作形成牙齿轮廓线;步骤5,重复步骤4直到所有牙齿种子点扩散结束;步骤6,进行牙齿侧面搭桥;步骤7,得到孔洞网格模型;步骤8:整合步骤4和步骤7得到最终的单颗牙齿模型。
然而,上述方案通过标记种子点再通过扩散操作形成牙齿轮廓线的形式实现单个牙齿的图像分割,没有对牙齿的类型主要是有无第三磨牙进行区分即进行图像的分割,而第三磨牙的存在会导致分割精度不高。
因此,现有技术急需一种提高牙齿分割精度的基于深度学习的三维牙颌图像分割的技术方案。
发明内容
本发明要解决的技术问题是针对上述技术方案的不足,提供一种基于深度学习的三维牙颌图像分割方法及系统,用于提高牙齿分割精度。
为了实现上述目的,根据本发明的一个方面,提供一种基于深度学习的三维牙颌图像分割方法,包括以下步骤:
S1:获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集;
S2:建立用于三维牙颌图像分割的模型;所述模型包括有第三磨牙三维牙颌图像分割子模型和无第三磨牙三维牙颌图像分割子模型;
所述无第三磨牙三维牙颌图像分割子模型为深度学习模型中的卷积神经网络模型;
所述有第三磨牙三维牙颌图像分割子模型为深度学习模型中的卷积神经网络模型和第三磨牙识别模型的组合模型;所述有第三磨牙三维牙颌图像分割子模型中的卷积神经网络模型用于分割所述有第三磨牙三维牙颌图像中的除第三磨牙外的其他牙齿图像;在得到上述的其他牙齿图像后,将所述其他牙齿图像在所述三维牙颌图像中分割出去,然后,再将其他牙齿图像被分割出去的三维牙颌图像输入至所述第三磨牙识别模型中,用于分割得到第三磨牙图像;
所述第三磨牙识别模型采用区域生长法分割所述有第三磨牙三维牙颌图像中的第三磨牙图像;
S3:判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入S4,若存在第三磨牙,则进入S5;
S4:采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
S5:采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
优选地,所述三维牙颌图像通过锥型束CT断层扫描获得。
优选地,所述S1具体为:
S1.1:获取不同病人的三维牙颌图像;
S1.2:对所述S1.1获取的三维牙颌图像进行预处理;
S1.3:对经过所述S1.2预处理的三维牙颌图像进行人工标注;
S1.4:将经过所述S1.3标注的三维牙颌图像作为图像分割的样本集。
优选地,所述预处理包括:对所述三维牙颌图像进行滤波操作以消除所述三维牙颌图像中的噪音;对所述三维牙颌图像进行伪影消除操作,以消除所述三维牙颌图像中的金属伪影;具体地,采用多项式插值法消除所述三维牙颌图像中的金属伪影;采用labelimg对所述三维牙颌图像进行标注,标注出每个牙齿的位置以及大小、轮廓信息;以及所述三维牙颌图像中是否存在第三磨牙。
其中,对于无第三磨牙三维牙颌图像分割子模型为卷积神经网络模型;所述无第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2A.1:筛选出所述S1中不含有第三磨牙的样本集作为所述无第三磨牙三维牙颌图像分割子模型的训练集;
S2A.2:建立卷积神经网络模型;
具体地,所述卷积神经网络模型包括输入层、卷积层、采样层、全连接层和输出层;
S2A.3:将所述无第三磨牙三维牙颌图像分割子模型的训练集对所述卷积神经网络模型训练,从而得到所述无第三磨牙三维牙颌图像分割子模型。
优选地,所述有第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2B.1:建立所述有第三磨牙三维牙颌图像分割子模型的框架;
S2B.2:筛选出所述S1中含有第三磨牙的三维牙颌图像,并将含有第三磨牙的三维牙颌图像中标注的第三磨牙分割出去作为所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型的训练集,对所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型训练;
S2B.3:将训练好的所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型和第三磨牙识别模型组合,形成所述有第三磨牙三维牙颌图像分割子模型。
优选地,所述区域生长法的分割过程为:以任意选定的种子点作为第三磨牙的起始像素,从种子点出发,按照生长规则,对种子点周围的像素进行一致性检测,即判断其3×3邻域的灰度均值是否满足一致性准则,把这些通过一致性测试的像素并入生长区中,从而完成第三磨牙的分割。
根据本发明的另一方面,还包括一种基于深度学习的三维牙颌图像分割系统,该系统采用上述的一种基于深度学习的三维牙颌图像分割方法,包括如下模块:
样本集获取模块:与三维牙颌图像分割模型建立模块连接,用于获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集。
三维牙颌图像分割模型建立模块:与待分割三维牙颌图像类型判断模块连接,建立用于三维牙颌图像分割的深度学习模型;
待分割三维牙颌图像类型判断模块:分别与无第三磨牙三维牙颌图像分割子模块和有第三磨牙三维牙颌图像分割子模块连接,用于判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入无第三磨牙三维牙颌图像分割子模块,若存在第三磨牙,则进入有第三磨牙三维牙颌图像分割子模块;
无第三磨牙三维牙颌图像分割子模块:用于采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
有第三磨牙三维牙颌图像分割子模块:用于采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
根据本发明的另一个方面,提供一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行上述的基于深度学习的三维牙颌图像分割方法。
基于上述技术方案,本申请提供的基于深度学习的三维牙颌图像分割方法及系统,具有如下技术效果:
本发明在建立用于三维牙颌图像分割的深度学习模型时,首先对三维牙颌图像进行分类,分为有第三磨牙三维牙颌图像和无第三磨牙三维牙颌图像;然后针对不同类型的三维牙颌图像设置不同的图像分割模型,用于实现不同类型三维牙颌图像的分割;相对于现有技术中仅通过深度学习模型分割所有类型的三维牙颌图像,可有效提高三维牙颌图像的分割精度。
本发明在对有第三磨牙的三维牙颌图像进行分割时,首先采用深度学习模型识别出除第三磨牙外的其他牙齿图像,然后将其他牙齿图像分割出去,以避免对第三磨牙分割时其他牙齿对第三磨牙的影响,再通过区域增长法分割第三磨牙的图像,正是由于已经将三维牙颌图像中的其他牙齿分割出去,区域生长法仅用来分割第三磨牙图像,这样可避免了其他牙齿对第三磨牙分割的影响,从而提高了第三磨牙的分割精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于深度学习的三维牙颌图像分割方法的流程图;
图2为本申请实施例提供的无第三磨牙三维牙颌图像分割子模型的分割成果图;
图3为本申请实施例提供的有第三磨牙三维牙颌图像分割子模型的分割成果图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是,以下对各个概念的说明,仅为了使本申请的内容更加容易理解,并不表示对本申请保护范围的限定。
实施例一、在本实施例的实例中,为了实现上述目的,如图1所示,提供一种基于深度学习的三维牙颌图像分割方法,包括以下步骤:
S1:获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集。
其中,所述三维牙颌图像通过锥型束CT断层扫描获得;
具体地,所述S1具体为:
S1.1:获取不同病人的三维牙颌图像;
在本实施例中,通过获取某医院口腔医学科自2000年至2022年的不同病人的三维牙颌的锥型束CT断层扫描图像,其中,共获取381例三维牙颌图像;
S1.2:对所述S1.1获取的三维牙颌图像进行预处理;
所述预处理包括:对所述三维牙颌图像进行滤波操作以消除所述三维牙颌图像中的噪音;对所述三维牙颌图像进行伪影消除操作,以消除所述三维牙颌图像中的金属伪影;具体地,采用多项式插值法消除所述三维牙颌图像中的金属伪影;
S1.3:对经过所述S1.2预处理的三维牙颌图像进行人工标注;
具体地,采用labelimg对所述三维牙颌图像进行标注,标注出每个牙齿的位置以及大小、轮廓信息;以及所述三维牙颌图像中是否存在第三磨牙;
值得注意的是,在标注过程中,重点关注每例三维牙颌图像中是否存在第三磨牙,以方便后续步骤的开展。
S1.4:将经过所述S1.3标注的三维牙颌图像作为图像分割的样本集。
S2:建立用于三维牙颌图像分割的分割模型;
现有技术中,一般不会对三维牙颌图像的类型进行区分,比如是否存在第三磨牙,均输入至深度学习模型中进行压出图像的分割,发明人在实际应用现有技术的图像分割模型时发现,对于存在第三磨牙的三维牙颌图像,现有技术中的深度学习模型的分割效果并不突出,通过分析原因发现,由于第三磨牙具有生长角度、位置不规则的特点导致分割起来较为困难,且在对深度学习模型训练时,由于数据集的数量以及类型的影响,导致对第三磨牙图像分割的学习程度不够,因此,一般地深度学习模型对第三磨牙的分割精度较低,进而导致三维牙颌图像的分割精度较低;针对这一现状,本实施例,在建立用于三维牙颌图像分割的深度学习模型时,首先对三维牙颌图像进行分类,分为有第三磨牙三维牙颌图像和无第三磨牙三维牙颌图像;然后针对不同类型的三维牙颌图像设置不同的图像分割模型,用于实现不同类型三维牙颌图像的分割;
具体地,所述分割模型为有第三磨牙三维牙颌图像分割子模型和无第三磨牙三维牙颌图像分割子模型;
其中,所述无第三磨牙三维牙颌图像分割子模型为深度学习模型中的卷积神经网络模型;所述无第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2A.1:筛选出所述S1中不含有第三磨牙的样本集作为所述无第三磨牙三维牙颌图像分割子模型的训练集;
S2A.2:建立卷积神经网络模型;
具体地,所述卷积神经网络模型包括输入层、卷积层、采样层、全连接层和输出层;
S2A.3:将所述无第三磨牙三维牙颌图像分割子模型的训练集对所述卷积神经网络模型训练,从而得到所述无第三磨牙三维牙颌图像分割子模型。
所述有第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2B.1:建立所述有第三磨牙三维牙颌图像分割子模型;
其中,所述有第三磨牙三维牙颌图像分割子模型为卷积神经网络模型和第三磨牙识别模型的组合模型;
所述卷积神经网络模型用于分割所述有第三磨牙三维牙颌图像中的除第三磨牙外的其他牙齿图像;
在得到上述的其他牙齿图像后,将其他牙齿图像在所述三维牙颌图像中分割出去,然后,再将其他牙齿图像被分割出去的三维牙颌图像输入至所述第三磨牙识别模型中,用于分割得到第三磨牙图像;
所述第三磨牙识别模型采用区域生长法分割所述有第三磨牙三维牙颌图像中的第三磨牙图像;
具体地,所述区域生长法的分割过程为:以任意选定的种子点作为第三磨牙的起始像素,从种子点出发,按照生长规则,对种子点周围的像素进行一致性检测,即判断其3×3邻域的灰度均值是否满足一致性准则,把这些通过一致性测试的像素并入生长区中,从而完成第三磨牙的分割;
正是由于已经将三维牙颌图像中的其他牙齿分割出去,区域生长法仅用来分割第三磨牙图像,这样可避免了其他牙齿对第三磨牙分割的影响,从而提高了第三磨牙的分割精度。
现有技术中,一般仅采用深度学习模型对整个的牙齿图像进行分割,没有考虑到第三磨牙对分割精度的影响,本实施例首先采用深度学习模型识别出除第三磨牙外的其他牙齿图像,然后将其他牙齿图像分割出去,以避免对第三磨牙分割时,其他牙齿对第三磨牙的影响,可有效提高第三磨牙的分割精度。
S2B.2:筛选出所述S1中含有第三磨牙的三维牙颌图像,并将含有第三磨牙的三维牙颌图像中标注的第三磨牙分割出去作为所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型的训练集,对所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型训练;
S2B.3:将训练好的所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型和第三磨牙识别模型组合,形成所述有第三磨牙三维牙颌图像分割子模型。
S3:判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入S4,若存在第三磨牙,则进入S5;
S4:采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
S5:采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
其中,附图2和附图3分别公开了采用本实施例的方案分割的无智齿三维牙颌图像和无智齿三维牙颌图像,可见,通过本实施例提供的方案,无论是有智齿三维牙颌图像还是无智齿三维牙颌图像,均可实现精确分割。
实施例二:本实施例包括一种基于深度学习的三维牙颌图像分割系统,该系统采用上述的一种基于深度学习的三维牙颌图像分割方法,包括如下模块:
样本集获取模块:与三维牙颌图像分割模型建立模块连接,用于获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集。
三维牙颌图像分割模型建立模块:与待分割三维牙颌图像类型判断模块连接,建立用于三维牙颌图像分割的深度学习模型;
待分割三维牙颌图像类型判断模块:分别与无第三磨牙三维牙颌图像分割子模块和有第三磨牙三维牙颌图像分割子模块连接,用于判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入无第三磨牙三维牙颌图像分割子模块,若存在第三磨牙,则进入有第三磨牙三维牙颌图像分割子模块;
无第三磨牙三维牙颌图像分割子模块:用于采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
有第三磨牙三维牙颌图像分割子模块:用于采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
实施例三,本实施例包括一种计算机可读存储介质,计算机可读存储介质上存储有数据处理程序,数据处理程序被处理器执行实施例一的一种基于深度学习的三维牙颌图像分割方法。
本领域技术人员应明白,本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的实施例及/或实施方式,仅是用以说明实现本发明技术的较佳实施例及/或实施方式,并非对本发明技术的实施方式作任何形式上的限制,任何本领域技术人员,在不脱离本发明内容所公开的技术手段的范围,当可作些许的更动或修改为其它等效的实施例,但仍应视为与本发明实质相同的技术或实施例。
Claims (9)
1.一种基于深度学习的三维牙颌图像分割方法,其特征在于,包括以下步骤:
S1:获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集;
S2:建立用于三维牙颌图像分割的分割模型;所述分割模型包括有第三磨牙三维牙颌图像分割子模型和无第三磨牙三维牙颌图像分割子模型;
所述无第三磨牙三维牙颌图像分割子模型为深度学习模型中的卷积神经网络模型;
所述有第三磨牙三维牙颌图像分割子模型为深度学习模型中的卷积神经网络模型和第三磨牙识别模型的组合模型;所述有第三磨牙三维牙颌图像分割子模型中的卷积神经网络模型用于分割所述有第三磨牙三维牙颌图像中的除第三磨牙外的其他牙齿图像;在得到上述的其他牙齿图像后,将所述其他牙齿图像在所述三维牙颌图像中分割出去,然后,再将其他牙齿图像被分割出去的三维牙颌图像输入至所述第三磨牙识别模型中,用于分割得到第三磨牙图像;
所述第三磨牙识别模型采用区域生长法分割所述有第三磨牙三维牙颌图像中的第三磨牙图像;
S3:判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入S4,若存在第三磨牙,则进入S5;
S4:采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
S5:采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
2.根据权利要求1所述的基于深度学习的三维牙颌图像分割方法,其特征在于, 所述三维牙颌图像通过锥型束CT断层扫描获得。
3.根据权利要求1所述的基于深度学习的三维牙颌图像分割方法,其特征在于,所述S1具体为:
S1.1:获取不同病人的三维牙颌图像;
S1.2:对所述S1.1获取的三维牙颌图像进行预处理;
S1.3:对经过所述S1.2预处理的三维牙颌图像进行人工标注;
S1.4:将经过所述S1.3标注的三维牙颌图像作为图像分割的样本集。
4.根据权利要求3所述的基于深度学习的三维牙颌图像分割方法,其特征在于,所述预处理包括:
对所述三维牙颌图像进行滤波操作用于消除所述三维牙颌图像中的噪音;对所述三维牙颌图像进行伪影消除操作,用于消除所述三维牙颌图像中的金属伪影。
5.根据权利要求3所述的基于深度学习的三维牙颌图像分割方法,其特征在于,
所述S1.3具体为:采用labelimg对所述三维牙颌图像进行标注,标注出每个牙齿的位置以及大小、轮廓信息;以及所述三维牙颌图像中是否存在第三磨牙。
6.根据权利要求1所述的基于深度学习的三维牙颌图像分割方法,其特征在于,
所述无第三磨牙三维牙颌图像分割子模型为卷积神经网络模型;所述无第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2A.1:筛选出所述S1中不含有第三磨牙的样本集作为所述无第三磨牙三维牙颌图像分割子模型的训练集;
S2A.2:建立卷积神经网络模型;
所述卷积神经网络模型包括输入层、卷积层、采样层、全连接层和输出层;
S2A.3:将所述无第三磨牙三维牙颌图像分割子模型的训练集对所述卷积神经网络模型训练,从而得到所述无第三磨牙三维牙颌图像分割子模型。
7.根据权利要求1所述的基于深度学习的三维牙颌图像分割方法,其特征在于,
所述有第三磨牙三维牙颌图像分割子模型的建立步骤为:
S2B.1:建立所述有第三磨牙三维牙颌图像分割子模型的框架;
S2B.2:筛选出所述S1中含有第三磨牙的三维牙颌图像,并将含有第三磨牙的三维牙颌图像中标注的第三磨牙分割出去作为所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型的训练集,对所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型训练;
S2B.3:将训练好的所述有第三磨牙三维牙颌图像分割子模型的卷积神经网络模型和第三磨牙识别模型组合,形成所述有第三磨牙三维牙颌图像分割子模型。
8.根据权利要求1所述的基于深度学习的三维牙颌图像分割方法,其特征在于,所述区域生长法的分割过程为:以任意选定的种子点作为第三磨牙的起始像素,从种子点出发,按照生长规则,对种子点周围的像素进行一致性检测,即判断其3×3邻域的灰度均值是否满足一致性准则,把这些通过一致性测试的像素并入生长区中,从而完成第三磨牙的分割。
9.一种基于深度学习的三维牙颌图像分割系统,其特征在于,该系统采用权利要求1-8任一项所述的基于深度学习的三维牙颌图像分割方法,包括如下模块:
样本集获取模块:与三维牙颌图像分割模型建立模块连接,用于获取不同病人的三维牙颌图像,并进行预处理以及标注,形成用于深度学习模型训练的样本集;
三维牙颌图像分割模型建立模块:与待分割三维牙颌图像类型判断模块连接,建立用于三维牙颌图像分割的深度学习模型;
待分割三维牙颌图像类型判断模块:分别与无第三磨牙三维牙颌图像分割子模块和有第三磨牙三维牙颌图像分割子模块连接,用于判断待分割三维牙颌图像的类型,若不存在第三磨牙,则进入无第三磨牙三维牙颌图像分割子模块,若存在第三磨牙,则进入有第三磨牙三维牙颌图像分割子模块;
无第三磨牙三维牙颌图像分割子模块:用于采用所述无第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割;
有第三磨牙三维牙颌图像分割子模块:用于采用所述有第三磨牙三维牙颌图像分割子模型对所述待分割三维牙颌图像进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311767194.3A CN117437250B (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的三维牙颌图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311767194.3A CN117437250B (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的三维牙颌图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437250A true CN117437250A (zh) | 2024-01-23 |
CN117437250B CN117437250B (zh) | 2024-04-02 |
Family
ID=89550226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311767194.3A Active CN117437250B (zh) | 2023-12-21 | 2023-12-21 | 一种基于深度学习的三维牙颌图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437250B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016197370A1 (zh) * | 2015-06-11 | 2016-12-15 | 深圳先进技术研究院 | 牙齿和牙槽骨的分割与重构方法及装置 |
CN108986123A (zh) * | 2017-06-01 | 2018-12-11 | 无锡时代天使医疗器械科技有限公司 | 牙颌三维数字模型的分割方法 |
CN112515787A (zh) * | 2020-11-05 | 2021-03-19 | 上海牙典软件科技有限公司 | 一种三维牙颌数据分析方法 |
CN114529553A (zh) * | 2021-12-21 | 2022-05-24 | 河北科技大学 | 一种自动牙颌数字模型分割算法 |
CN114972360A (zh) * | 2021-02-18 | 2022-08-30 | 无锡时代天使医疗器械科技有限公司 | 牙齿的计算机断层扫描图像的分割方法 |
CN116958169A (zh) * | 2023-06-30 | 2023-10-27 | 电子科技大学 | 一种三维牙颌模型牙齿分割方法 |
CN117095183A (zh) * | 2023-08-17 | 2023-11-21 | 可丽尔医疗科技(常州)有限公司 | 基于深度学习的牙齿解剖特点检测方法、程序、存储介质和系统 |
-
2023
- 2023-12-21 CN CN202311767194.3A patent/CN117437250B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016197370A1 (zh) * | 2015-06-11 | 2016-12-15 | 深圳先进技术研究院 | 牙齿和牙槽骨的分割与重构方法及装置 |
CN107106117A (zh) * | 2015-06-11 | 2017-08-29 | 深圳先进技术研究院 | 牙齿和牙槽骨的分割与重构方法及装置 |
CN108986123A (zh) * | 2017-06-01 | 2018-12-11 | 无锡时代天使医疗器械科技有限公司 | 牙颌三维数字模型的分割方法 |
CN112515787A (zh) * | 2020-11-05 | 2021-03-19 | 上海牙典软件科技有限公司 | 一种三维牙颌数据分析方法 |
CN114972360A (zh) * | 2021-02-18 | 2022-08-30 | 无锡时代天使医疗器械科技有限公司 | 牙齿的计算机断层扫描图像的分割方法 |
CN114529553A (zh) * | 2021-12-21 | 2022-05-24 | 河北科技大学 | 一种自动牙颌数字模型分割算法 |
CN116958169A (zh) * | 2023-06-30 | 2023-10-27 | 电子科技大学 | 一种三维牙颌模型牙齿分割方法 |
CN117095183A (zh) * | 2023-08-17 | 2023-11-21 | 可丽尔医疗科技(常州)有限公司 | 基于深度学习的牙齿解剖特点检测方法、程序、存储介质和系统 |
Non-Patent Citations (1)
Title |
---|
王旭: "三维全牙列分割技术研究与应用", 万方数据知识服务平台, 29 August 2022 (2022-08-29) * |
Also Published As
Publication number | Publication date |
---|---|
CN117437250B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11232573B2 (en) | Artificially intelligent systems to manage virtual dental models using dental images | |
Lee et al. | Automated CNN-based tooth segmentation in cone-beam CT for dental implant planning | |
US11398013B2 (en) | Generative adversarial network for dental image super-resolution, image sharpening, and denoising | |
Muresan et al. | Teeth detection and dental problem classification in panoramic X-ray images using deep learning and image processing techniques | |
US20200305808A1 (en) | Automated Tooth Localization, Enumeration, and Diagnostic System and Method | |
US20210118132A1 (en) | Artificial Intelligence System For Orthodontic Measurement, Treatment Planning, And Risk Assessment | |
CN113223010B (zh) | 口腔图像多组织全自动分割的方法和系统 | |
Leonardi et al. | An evaluation of cellular neural networks for the automatic identification of cephalometric landmarks on digital images | |
CN111685899A (zh) | 基于口内图像和三维模型的牙齿正畸治疗监测方法 | |
CN112515787B (zh) | 一种三维牙颌数据分析方法 | |
CN110555852B (zh) | 基于灰度直方图的单牙及其牙髓分割方法 | |
Kondo et al. | Computer-based extraction of the inferior alveolar nerve canal in 3-D space | |
CN113628223A (zh) | 基于深度学习的牙科cbct三维牙齿分割方法 | |
CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
CN117437250B (zh) | 一种基于深度学习的三维牙颌图像分割方法及系统 | |
CN116958169A (zh) | 一种三维牙颌模型牙齿分割方法 | |
Pavaloiu et al. | Knowledge based segmentation for fast 3D dental reconstruction from CBCT | |
Zhang et al. | Advancements in Oral and Maxillofacial Surgery Medical Images Segmentation Techniques: An Overview | |
Kakehbaraei et al. | 3D tooth segmentation in cone-beam computed tomography images using distance transform | |
Widiasri et al. | Alveolar bone detection from dental cone beam computed tomography using YOLOv3-tiny | |
Wu et al. | Clinical tooth segmentation based on local enhancement | |
Sotthivirat et al. | Automatic detection of inferior alveolar nerve canals on CT images | |
CN117392149A (zh) | 一种三维牙颌网格模型分割与边界优化方法及相关装置 | |
TWI593392B (zh) | Metal Detection and Artifact Removal Methods in Computerized Tomography Images | |
CN111933252B (zh) | 一种牙位检出和缺失牙标记方法及装置 |
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 |