CN117541672A - 一种从口腔cbct自动合成全景图像的方法 - Google Patents
一种从口腔cbct自动合成全景图像的方法 Download PDFInfo
- Publication number
- CN117541672A CN117541672A CN202311483663.9A CN202311483663A CN117541672A CN 117541672 A CN117541672 A CN 117541672A CN 202311483663 A CN202311483663 A CN 202311483663A CN 117541672 A CN117541672 A CN 117541672A
- Authority
- CN
- China
- Prior art keywords
- image
- dental arch
- cbct
- panoramic
- characteristic diagram
- 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
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002194 synthesizing effect Effects 0.000 title claims abstract description 24
- 210000000214 mouth Anatomy 0.000 title claims abstract description 22
- 210000002455 dental arch Anatomy 0.000 claims abstract description 86
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 32
- 239000002356 single layer Substances 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000007797 corrosion Effects 0.000 claims description 15
- 238000005260 corrosion Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 230000015572 biosynthetic process Effects 0.000 abstract description 5
- 238000003786 synthesis reaction Methods 0.000 abstract description 5
- 210000003484 anatomy Anatomy 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009931 harmful effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 4
- 210000003128 head Anatomy 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000001738 temporomandibular joint Anatomy 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 210000004373 mandible Anatomy 0.000 description 1
- 210000002050 maxilla Anatomy 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06T7/10—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
- G06T2207/30—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)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种从口腔CBCT自动合成全景图像的方法,利用深度学习技术,能够自动获得牙齿分割结果,进而计算出牙弓曲线和牙弓厚度,实现全自动全景图像重建,无需人工设置参数,从而提高口腔医生的诊疗效率和工作效率;并且通过训练完成的牙齿分割网络,能够自动获得牙齿分割结果,避免了口腔中各种干扰物对牙弓曲线提取的不良影响,进一步确保了全景图像合成过程的准确性和可靠性,使合成影像中的结构更加清晰,为口腔医生在临床判断和制定诊疗方案时提供了更准确和全面的口腔解剖结构信息,从而为患者提供更加安全和精确的治疗决策。
Description
技术领域
本发明属于医疗图像处理领域,尤其涉及了一种从口腔CBCT自动合成全景图像的方法。
背景技术
从头部锥形束CT生成断层图像是口腔CT图像后处理的一项重要功能,虚拟全景图像是这些断层图像的产物,广泛应用于口腔手术和口腔种植领域。虚拟全景图像将上颌骨、下颌骨、鼻腔、全部牙齿和颞下颌关节投射到一张平片中,为口腔医生提供口腔健康状况和牙齿结构的概览,对于牙齿正畸、牙槽骨和颞颌关节等疾病的诊断和治疗非常重要。此外,与头部锥形束CT相比,全景图像提供了一种直观、清晰、易于理解的口腔图像,患者可以直观地了解牙齿的位置、缺失以及可能的治疗区域,有助于患者更好地理解口腔状况,并与医生一起讨论治疗选择,以确保最终的治疗计划满足患者的需求和期望。另外,使用头部锥形束CT生成虚拟全景图像可以避免那些已经接受过口腔CBCT扫描的患者再次进行全景片拍摄,有助于减少患者的辐射风险,提高医疗服务的效率和安全性。
发明名称为口腔全景图生成方法、装置、电子设备及存储介质,公开号为CN115937410A,公开日期为2023-04-07的中国发明申请;公开了口腔全景图生成方法、装置、电子设备及存储介质,该方法首先在原始CBCT设置第一横断面图像,然后对其处理获得包含被测对象的牙齿的骨阈值分割图像,从而确定骨阈值分割图像中各个像素点在预定极坐标系中的极坐标。接着,根据骨阈值分割图像中以预定角度为极角且像素值非零的像素点的极径,确定每个预定角度对应的目标极径。然后,以每个预定角度及其目标极径为数值对形成数值对序列,数值对序列为牙弓曲线的采样点数据。最后,利用采样点数据拟合,得到被测对象的牙弓曲线,并进一步生成被测对象的口腔全景图。该方法虽然可以合成全景图像,但是无法实现全自动的全景图像合成,需要人工设置第一横断面图像,无法有效提高口腔医生的诊疗效率。
发明名称为自动采样厚度检测的非线性口腔CT全景图像合成方法,公开号为CN109377534B,公开日期为2022-4-26的中国发明专利;公开了自动采样厚度检测的非线性口腔CT全景图像合成方法,该方法首先从原始CBCT序列生成冠状最大强度投影(MIP)图像,然后在MIP图像直方图的峰值处使用正常曲线拟合来确定阈值,从而完成牙弓区域的分割。随后,从分割出的牙弓区域中提取牙弓曲线,并生成与牙弓曲线等像的等厚曲线来定义牙弓的厚度。然后,根据牙弓厚度对CBCT数据进行切割,生成全景容积图像。最后,按照牙弓曲线法向量的方向进行虚拟全景图像的合成。该方法虽然可以全自动合成全景图像,但当患者口腔中存在种植物、金属管、牙套等干扰物时,阈值计算会产生偏差,导致无法正确分割牙弓区域,导致合成图像质量下降。
因此,如何全自动生成较为精确、质量更好的口腔全景图像,是亟待解决的技术问题。
发明内容
为了克服已有口腔CBCT自动合成全景图像方法的精确性较差、质量较低的不足,本发明提供了一种全自动生成较为精确、质量更好的口腔全景图像的从口腔CBCT自动合成全景图像的方法,在改进现有技术的基础上,进一步全自动实现全景图像合成,并解决口腔内的各种干扰物对牙弓区域分割的不利影响。
本发明解决其技术问题所采用的技术方案是:
一种从口腔CBCT自动合成全景图像的方法,包括以下步骤:
步骤S1、将原始口腔CBCT输入至牙齿分割网络,得到牙齿分割结果Iseg;
步骤S2、对获得的牙齿分割结果Iseg进行牙齿区域分析,提取牙齿分割结果中牙齿区域的最高高度Hmax和最低高度Hmin,并计算原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As;
步骤S3、根据轴向切片范围Ae和As,生成轴位最大强度投影图像M,进行牙弓掩码检测,生成牙弓掩码图像Plabel,再进行牙弓曲线检测,得到牙弓曲线p;
步骤S4、基于牙弓掩码图像Plabel和检测到的牙弓曲线p,进行牙弓厚度检测,得到牙弓厚度Td;
步骤S5、对检测到的牙弓曲线p进行等像素间隔采样,得到采样点集C_set,并基于获得的牙弓厚度Td对原始口腔CBCT进行切割,得到单层厚全景图像集Pn;
步骤S6、基于单层厚全景图像集Pn合成全景图像I0,并对全景图像I0使用高斯滤波,获得最终的全景图像I。
进一步,所述步骤S1中,牙齿分割模型包括一个特征编码网络和一个特征解码网络,特征编码网络包含五个卷积块和下采样操作,特征解码网络包含四个卷积块、上采样操作和跳跃连接。
优选的,所述步骤S1包括以下子步骤:
步骤1.1、将原始口腔CBCT影像输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F1,其维度大小为
步骤1.2、将特征图F1进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F2,其维度大小为
步骤1.3、将特征图F2进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F3,其维度大小为
步骤1.4、将特征图F3进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F4,其维度大小为
步骤1.5、将特征图F4进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F5,其维度大小为
步骤1.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup1,其维度大小与F4一致;
步骤1.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup2,其维度大小与F3一致;
步骤1.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup3,其维度大小与F2一致;
步骤1.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup4,其维度大小与F1一致;
步骤1.10、将特征图Fup4输入至卷积核大小为1×1×1的卷积块,得到牙齿分割结果Iseg。
再进一步,所述步骤S2包括以下子步骤:
步骤2.1、对牙齿分割结果Iseg进行冠状面最大强度投影,得到冠状面最大强度投影图像Icoro,并对冠状面最大强度投影图像Icoro进行二值化处理,得到冠状平面二值化图像Isb;
步骤2.2、对冠状平面二值化图像Isb做连通组件分析,得到连通组件分析图像Icca;
步骤2.3、计算连通组件分析图像Icca中牙齿区域的最高高度Hmax和最低高度Hmin,并根据牙齿轴位计算公式得到原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As,公式如下:
As=Hmin+(Hmax-Hmin)/8
Ae=Hmax-(Hmax-Hmin)/4。
更进一步,所述步骤S3包括以下子步骤:
步骤3.1、根据轴向切片范围Ae和As,生成CBCT轴向最大强度投影图像M;
步骤3.2、设置最大循环次数max_it,阈值步长step_l,初始阈值th和期望阈值范围h_l。计算当前图像M中像素值大于阈值的占比P,若当前占比在期望阈值范围h_l外,则根据阈值更新函数更新阈值th,阈值更新函数为:
th=th±step_l
迭代更新阈值th,依据最大循环次数或占比P在期望阈值范围h_l内来判断当前迭代轮次是否停止更新。基于阈值th对图像M进行二值化处理,得到二值化图像Pth;
步骤3.3、对二值化图像Pth进行形态学闭运算,得到孔洞填充图像Phf。对孔洞填充图像Phf进行连通组件分析,得到牙弓掩码图像Plabel;
步骤3.4、创建一个与牙弓掩码图像Plabel大小相同的空白图像Pskel,创建一个3*3像素大小的交叉形状的结构元素,用于腐蚀和膨胀操作,对牙弓掩码图像Plabel进行腐蚀操作,得到腐蚀图像Perode,对腐蚀图像Perode进行膨胀操作,得到膨胀图像Pdilate,计算腐蚀图像Perode和膨胀图像Pdilate的差值,得到图像Ptemp,使用位或操作将Ptemp与图像Pskel进行合并更新图像Pskel,将腐蚀图像Perode作为新一轮迭代的输入;
迭代更新图像Pskel,依据腐蚀图像Perode中像素值是否都为0来判断当前迭代轮次是否停止更新;
步骤3.5、对图像Pskel应用高斯滤波,得到骨架图像Pguassian。基于骨架图像Pguassian,利用多项式拟合函数拟合牙弓曲线,得到牙弓曲线p。
所述步骤S4的过程如下:对牙弓掩码图像Plabel进行距离变换和归一化处理,将像素值归一化到[0,255]之间,得到距离变换图像D。取出距离变换图像D中距离大于245的点组成距离变换点集R,距离变换点集R中的点数记为K。计算牙弓掩码图像Plabel中像素值不为0的像素横坐标范围,在牙弓曲线p上进行采样,得到牙弓曲线点集A,对于距离变换点集R中每个点,计算其与牙弓曲线点集A中每个点的距离,取最小距离作为其与牙弓曲线的距离,保存在数组LK中,并基于数组LK计算牙弓厚度,得到牙弓厚度Td,计算公式如下:
所述步骤S5包括以下子步骤:
步骤5.1、设置偏移量fd,在牙弓曲线p进行等像素间隔采样,得到采样点集C_set。对于采样点集C_set中每个采样点c,作其与牙弓曲线p的切线,并作穿过采样点c的切线的垂线Linev,在垂线Linev上距采样点c依次个单位距离计算上下两个偏移点,保存偏移点坐标在数组all_offset中,数组大小为Td*W,数组中每一行的点相连即是一条偏移曲线;
步骤5.2、按照行遍历数组all_offset中的偏移点坐标,保存每一行的偏移点坐标对集为(X,Y)idx,取出原始口腔CBCT中第二维和第三维坐标相同的点,组成单层厚全景图像panorexidx,单层厚全景图像的点个数记为N,全部单层厚全景图像组成单层厚全景图像集Pn。
所述步骤S6包括以下子步骤:
步骤6.1、根据获得的单层厚全景图像集Pn合成全景图像,得到全景图像I0,计算公式如下:
其中S是要抑制的组织的阈值,(i,j)为合成图像的像素索引;
步骤6.2、对合成图像I0使用高斯滤波,获得最终全景图像I,计算公式如下:
I=αI0+(1-α)(I0-G(I0))
其中α用于控制图像增强细节的权重系数,通过对α的调节来得到不同的图像增强效果;G表示二维高斯滤波函数,在横坐标和纵坐标方向上的标准偏差是0.8,内核大小为3*3。
本发明的有益效果主要表现在:利用深度学习技术,能够自动获得牙齿分割结果,进而计算出牙弓曲线和牙弓厚度,实现全自动全景图像重建,无需人工设置参数,从而提高口腔医生的诊疗效率和工作效率。并且通过训练完成的牙齿分割网络,能够自动获得牙齿分割结果,避免了口腔中各种干扰物对牙弓曲线提取的不良影响,进一步确保了全景图像合成过程的准确性和可靠性,使合成影像中的结构更加清晰,为口腔医生在临床判断和制定诊疗方案时提供了更准确和全面的口腔解剖结构信息,从而为患者提供更加安全和精确的治疗决策。
附图说明
图1是从口腔CBCT自动重建全景图像的方法的流程图;
图2是从口腔CBCT自动重建全景图像的方法的技术框架图;
图3是从口腔CBCT自动重建全景图像的方法的牙弓曲线检测结果。
图4是从口腔CBCT自动重建全景图像的方法的牙弓厚度检测及等像素间隔采样结果。
图5是从口腔CBCT自动重建全景图像的方法的虚拟全景图像重建结果。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图5,一种从口腔CBCT自动合成全景图像的方法,包括以下步骤:
步骤S1、将原始口腔CBCT输入至牙齿分割网络,得到牙齿分割结果Iseg;
所述步骤S1中,牙齿分割模型包括一个特征编码网络和一个特征解码网络,特征编码网络包含五个卷积块和下采样操作,特征解码网络包含四个卷积块、上采样操作和跳跃连接。
所述步骤S1包括以下子步骤:
步骤1.1、将原始口腔CBCT影像输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F1,其维度大小为
步骤1.2、将特征图F1进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F2,其维度大小为
步骤1.3、将特征图F2进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F3,其维度大小为
步骤1.4、将特征图F3进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F4,其维度大小为
步骤1.5、将特征图F4进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F5,其维度大小为
步骤1.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup1,其维度大小与F4一致;
步骤1.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup2,其维度大小与F3一致;
步骤1.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup3,其维度大小与F2一致;
步骤1.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup4,其维度大小与F1一致;
步骤1.10、将特征图Fup4输入至卷积核大小为1×1×1的卷积块,得到牙齿分割结果Iseg。
步骤S2、对获得的牙齿分割结果Iseg进行牙齿区域分析,提取牙齿分割结果中牙齿区域的最高高度Hmax和最低高度Hmin,并计算原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As;
所述步骤S2包括以下子步骤:
步骤2.1、对牙齿分割结果Iseg进行冠状面最大强度投影,得到冠状面最大强度投影图像Icoro,并对冠状面最大强度投影图像Icoro进行二值化处理,得到冠状平面二值化图像Isb;
步骤2.2、对冠状平面二值化图像Isb做连通组件分析,得到连通组件分析图像Icca;
步骤2.3、计算连通组件分析图像Icca中牙齿区域的最高高度Hmax和最低高度Hmin,并根据牙齿轴位计算公式得到原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As,公式如下:
As=Hmin+(Hmax-Hmin)/8
Ae=Hmax-(Hmax-Hmin)/4。
步骤S3、根据轴向切片范围Ae和As,生成轴位最大强度投影图像M,进行牙弓掩码检测,生成牙弓掩码图像Plabel,再进行牙弓曲线检测,得到牙弓曲线p;
所述步骤S3包括以下子步骤:
步骤3.1、根据轴向切片范围Ae和As,生成CBCT轴向最大强度投影图像M;
步骤3.2、设置最大循环次数max_it,阈值步长step_l,初始阈值th和期望阈值范围h_l。计算当前图像M中像素值大于阈值的占比P,若当前占比在期望阈值范围h_l外,则根据阈值更新函数更新阈值th,阈值更新函数为:
th=th±step_l
迭代更新阈值th,依据最大循环次数或占比P在期望阈值范围h_l内来判断当前迭代轮次是否停止更新。基于阈值th对图像M进行二值化处理,得到二值化图像Pth;
步骤3.3、对二值化图像Pth进行形态学闭运算,得到孔洞填充图像Phf。对孔洞填充图像Phf进行连通组件分析,得到牙弓掩码图像Plabel;
步骤3.4、创建一个与牙弓掩码图像Plabel大小相同的空白图像Pskel,创建一个3*3像素大小的交叉形状的结构元素,用于腐蚀和膨胀操作,对牙弓掩码图像Plabel进行腐蚀操作,得到腐蚀图像Perode,对腐蚀图像Perode进行膨胀操作,得到膨胀图像Pdilate,计算腐蚀图像Perode和膨胀图像Pdilate的差值,得到图像Ptemp,使用位或操作将Ptemp与图像Pskel进行合并更新图像Pskel,将腐蚀图像Perode作为新一轮迭代的输入;
迭代更新图像Pskel,依据腐蚀图像Perode中像素值是否都为0来判断当前迭代轮次是否停止更新;
步骤3.5、对图像Pskel应用高斯滤波,得到骨架图像Pguassian。基于骨架图像Pguassian,利用多项式拟合函数拟合牙弓曲线,得到牙弓曲线p。
步骤S4、基于牙弓掩码图像Plabel和检测到的牙弓曲线p,进行牙弓厚度检测,得到牙弓厚度Td;
所述步骤S4的过程如下:对牙弓掩码图像Plabel进行距离变换和归一化处理,将像素值归一化到[0,255]之间,得到距离变换图像D。取出距离变换图像D中距离大于245的点组成距离变换点集R,距离变换点集R中的点数记为K。计算牙弓掩码图像Plabel中像素值不为0的像素横坐标范围,在牙弓曲线p上进行采样,得到牙弓曲线点集A,对于距离变换点集R中每个点,计算其与牙弓曲线点集A中每个点的距离,取最小距离作为其与牙弓曲线的距离,保存在数组LK中,并基于数组LK计算牙弓厚度,得到牙弓厚度Td,计算公式如下:
步骤S5、对检测到的牙弓曲线p进行等像素间隔采样,得到采样点集C_set,并基于获得的牙弓厚度Td对原始口腔CBCT进行切割,得到单层厚全景图像集Pn;
所述步骤S5包括以下子步骤:
步骤5.1、设置偏移量fd,在牙弓曲线p进行等像素间隔采样,得到采样点集C_set。对于采样点集C_set中每个采样点c,作其与牙弓曲线p的切线,并作穿过采样点c的切线的垂线Linev,在垂线Linev上距采样点c依次1、2…fd个单位距离计算上下两个偏移点,保存偏移点坐标在数组all_offset中,数组大小为Td*W,数组中每一行的点相连即是一条偏移曲线;
步骤5.2、按照行遍历数组all_offset中的偏移点坐标,保存每一行的偏移点坐标对集为(X,Y)idx,取出原始口腔CBCT中第二维和第三维坐标相同的点,组成单层厚全景图像panorexidx,单层厚全景图像的点个数记为N,全部单层厚全景图像组成单层厚全景图像集Pn。
步骤S6、基于单层厚全景图像集Pn合成全景图像I0,并对全景图像I0使用高斯滤波,获得最终的全景图像I。
所述步骤S6包括以下子步骤:
步骤6.1、根据获得的单层厚全景图像集Pn合成全景图像,得到全景图像I0,计算公式如下:
其中S是要抑制的组织的阈值,(i,j)为合成图像的像素索引;
步骤6.2、对合成图像I0使用高斯滤波,获得最终全景图像I,计算公式如下:
I=αI0+(1-α)(I0-G(I0))
其中α用于控制图像增强细节的权重系数,通过对α的调节来得到不同的图像增强效果;G表示二维高斯滤波函数,在横坐标和纵坐标方向上的标准偏差是0.8,内核大小为3*3。
需要说明的是,本实施例中C为通道数,H为图片的高度,W为图片的宽度,字母的下标表示序号,用以区别不同特征图的维度。
本实施例利用深度学习技术,自动获得牙齿分割结果,进而计算出牙弓曲线和牙弓厚度,实现全自动全景图像重建,无需人工设置参数,从而提高口腔医生的诊疗效率和工作效率。并且通过训练完成的牙齿分割网络,自动获得牙齿分割结果,避免了口腔中各种干扰物对牙弓曲线提取的不良影响,进一步确保了全景图像合成过程的准确性和可靠性,使合成影像中的结构更加清晰,为口腔医生在临床判断和制定诊疗方案时提供了更准确和全面的口腔解剖结构信息,从而为患者提供更加安全和精确的治疗决策。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举,仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式,本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (8)
1.一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述方法包括以下步骤:
步骤S1、将原始口腔CBCT输入至牙齿分割网络,得到牙齿分割结果Iseg;
步骤S2、对获得的牙齿分割结果Iseg进行牙齿区域分析,提取牙齿分割结果中牙齿区域的最高高度Hmax和最低高度Hmin,并计算原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As;
步骤S3、根据轴向切片范围Ae和As,生成轴位最大强度投影图像M,进行牙弓掩码检测,生成牙弓掩码图像Plabel,再进行牙弓曲线检测,得到牙弓曲线p;
步骤S4、基于牙弓掩码图像Plabel和检测到的牙弓曲线p,进行牙弓厚度检测,得到牙弓厚度Td;
步骤S5、对检测到的牙弓曲线p进行等像素间隔采样,得到采样点集C_set,并基于获得的牙弓厚度Td对原始口腔CBCT进行切割,得到单层厚全景图像集Pn;
步骤S6、基于单层厚全景图像集Pn合成全景图像I0,并对全景图像I0使用高斯滤波,获得最终的全景图像I。
2.如权利要求1所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S1中,牙齿分割模型包括一个特征编码网络和一个特征解码网络,特征编码网络包含五个卷积块和下采样操作,特征解码网络包含四个卷积块、上采样操作和跳跃连接。
3.如权利要求2所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S1包括以下子步骤:
步骤1.1、将原始口腔CBCT影像输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F1,其维度大小为
步骤1.2、将特征图F1进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F2,其维度大小为
步骤1.3、将特征图F2进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F3,其维度大小为
步骤1.4、将特征图F3进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F4,其维度大小为
步骤1.5、将特征图F4进行最大池化,并输入至卷积核大小为3×3×3的卷积块中,得到输出特征图F5,其维度大小为
步骤1.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup1,其维度大小与F4一致;
步骤1.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup2,其维度大小与F3一致;
步骤1.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup3,其维度大小与F2一致;
步骤1.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为3×3×3的卷积块中,得到特征图Fup4,其维度大小与F1一致;
步骤1.10、将特征图Fup4输入至卷积核大小为1×1×1的卷积块,得到牙齿分割结果Iseg。
4.如权利要求1~3之一所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S2包括以下子步骤:
步骤2.1、对牙齿分割结果Iseg进行冠状面最大强度投影,得到冠状面最大强度投影图像Icoro,并对冠状面最大强度投影图像Icoro进行二值化处理,得到冠状平面二值化图像Isb;
步骤2.2、对冠状平面二值化图像Isb做连通组件分析,得到连通组件分析图像Icca;
步骤2.3、计算连通组件分析图像Icca中牙齿区域的最高高度Hmax和最低高度Hmin,并根据牙齿轴位计算公式得到原始CBCT数据中包含牙齿和部分颌骨的轴向切片范围Ae和As,公式如下:
As=Hmin+(Hmax-Hmin)/8
Ae=Hmax-(Hmax-Hmin)/4。
5.如权利要求1~3之一所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S3包括以下子步骤:
步骤3.1、根据轴向切片范围Ae和As,生成CBCT轴向最大强度投影图像M;
步骤3.2、设置最大循环次数max_it,阈值步长step_l,初始阈值th和期望阈值范围h_l。计算当前图像M中像素值大于阈值的占比P,若当前占比在期望阈值范围h_l外,则根据阈值更新函数更新阈值th,阈值更新函数为:
th=th±step_l
迭代更新阈值th,依据最大循环次数或占比P在期望阈值范围h_l内来判断当前迭代轮次是否停止更新。基于阈值th对图像M进行二值化处理,得到二值化图像Pth;
步骤3.3、对二值化图像Pth进行形态学闭运算,得到孔洞填充图像Phf。对孔洞填充图像Phf进行连通组件分析,得到牙弓掩码图像Plabel;
步骤3.4、创建一个与牙弓掩码图像Plabel大小相同的空白图像Pskel,创建一个3*3像素大小的交叉形状的结构元素,用于腐蚀和膨胀操作,对牙弓掩码图像Plabel进行腐蚀操作,得到腐蚀图像Perode,对腐蚀图像Perode进行膨胀操作,得到膨胀图像Pdilate,计算腐蚀图像Perode和膨胀图像Pdilate的差值,得到图像Ptemp,使用位或操作将Ptemp与图像Pskel进行合并更新图像Pskel,将腐蚀图像Perode作为新一轮迭代的输入;
迭代更新图像Pskel,依据腐蚀图像Perode中像素值是否都为0来判断当前迭代轮次是否停止更新;
步骤3.5、对图像Psbel应用高斯滤波,得到骨架图像Pguassian。基于骨架图像Pguassian,利用多项式拟合函数拟合牙弓曲线,得到牙弓曲线p。
6.如权利要求1~3之一所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S4的过程如下:对牙弓掩码图像Plabel进行距离变换和归一化处理,将像素值归一化到[0,255]之间,得到距离变换图像D。取出距离变换图像D中距离大于245的点组成距离变换点集R,距离变换点集R中的点数记为K。计算牙弓掩码图像Plabel中像素值不为0的像素横坐标范围,在牙弓曲线p上进行采样,得到牙弓曲线点集A,对于距离变换点集R中每个点,计算其与牙弓曲线点集A中每个点的距离,取最小距离作为其与牙弓曲线的距离,保存在数组LK中,并基于数组LK计算牙弓厚度,得到牙弓厚度Td,计算公式如下:
7.如权利要求1~3之一所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S5包括以下子步骤:
步骤5.1、设置偏移量fd,在牙弓曲线p进行等像素间隔采样,得到采样点集C_set。对于采样点集C_set中每个采样点c,作其与牙弓曲线p的切线,并作穿过采样点c的切线的垂线Linev,在垂线Linev上距采样点c依次个单位距离计算上下两个偏移点,保存偏移点坐标在数组all_offset中,数组大小为Td*W,数组中每一行的点相连即是一条偏移曲线;
步骤5.2、按照行遍历数组all_offset中的偏移点坐标,保存每一行的偏移点坐标对集为(X,Y)idx,取出原始口腔CBCT中第二维和第三维坐标相同的点,组成单层厚全景图像panorexidx,单层厚全景图像的点个数记为N,全部单层厚全景图像组成单层厚全景图像集Pn。
8.如权利要求1~3之一所述的一种从口腔CBCT自动合成全景图像的方法,其特征在于,所述步骤S6包括以下子步骤:
步骤6.1、根据获得的单层厚全景图像集Pn合成全景图像,得到全景图像I0,计算公式如下:
其中S是要抑制的组织的阈值,(i,j)为合成图像的像素索引;
步骤6.2、对合成图像I0使用高斯滤波,获得最终全景图像I,计算公式如下:
I=αI0+(1-α)(I0-G(I0))
其中α用于控制图像增强细节的权重系数,通过对α的调节来得到不同的图像增强效果;G表示二维高斯滤波函数,在横坐标和纵坐标方向上的标准偏差是0.8,内核大小为3*3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483663.9A CN117541672A (zh) | 2023-11-09 | 2023-11-09 | 一种从口腔cbct自动合成全景图像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483663.9A CN117541672A (zh) | 2023-11-09 | 2023-11-09 | 一种从口腔cbct自动合成全景图像的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541672A true CN117541672A (zh) | 2024-02-09 |
Family
ID=89785368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311483663.9A Pending CN117541672A (zh) | 2023-11-09 | 2023-11-09 | 一种从口腔cbct自动合成全景图像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953066A (zh) * | 2024-03-26 | 2024-04-30 | 有方(合肥)医疗科技有限公司 | Ct数据处理方法、系统及可读存储介质 |
-
2023
- 2023-11-09 CN CN202311483663.9A patent/CN117541672A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117953066A (zh) * | 2024-03-26 | 2024-04-30 | 有方(合肥)医疗科技有限公司 | Ct数据处理方法、系统及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
CN113223010B (zh) | 口腔图像多组织全自动分割的方法和系统 | |
CN106846307B (zh) | 基于锥形束计算机体层摄影的图像处理方法及装置 | |
CN110889850B (zh) | 一种基于中心点检测的cbct牙齿图像分割方法 | |
CN109377534B (zh) | 自动采样厚度检测的非线性口腔ct全景图像合成方法 | |
CN117541672A (zh) | 一种从口腔cbct自动合成全景图像的方法 | |
CN111223156B (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
CN112102495B (zh) | 一种基于cbct影像的牙弓曲面生成方法 | |
Hosntalab et al. | Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set | |
CN115205469A (zh) | 基于cbct的牙齿与牙槽骨重建方法、设备及介质 | |
US12062170B2 (en) | System and method for classifying a tooth condition based on landmarked anthropomorphic measurements | |
US20220012888A1 (en) | Methods and system for autonomous volumetric dental image segmentation | |
Widiasri et al. | Dental-yolo: Alveolar bone and mandibular canal detection on cone beam computed tomography images for dental implant planning | |
US20220361992A1 (en) | System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning | |
Chen et al. | Automated Detection System Based on Convolution Neural Networks for Retained Root, Endodontic Treated Teeth, and Implant Recognition on Dental Panoramic Images | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
Kakehbaraei et al. | 3D tooth segmentation in cone-beam computed tomography images using distance transform | |
CN110619646A (zh) | 一种基于全景图的单牙提取方法 | |
CN113393470A (zh) | 一种牙齿全自动分割方法 | |
JP7269587B2 (ja) | セグメンテーション装置 | |
Cunha et al. | A method for segmentation of dental implants and crestal bone | |
CN114241173B (zh) | 一种牙齿cbct图像三维分割方法及系统 | |
CN114972360A (zh) | 牙齿的计算机断层扫描图像的分割方法 | |
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 |