CN117575922A - 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统 - Google Patents

一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统 Download PDF

Info

Publication number
CN117575922A
CN117575922A CN202311382241.2A CN202311382241A CN117575922A CN 117575922 A CN117575922 A CN 117575922A CN 202311382241 A CN202311382241 A CN 202311382241A CN 117575922 A CN117575922 A CN 117575922A
Authority
CN
China
Prior art keywords
image
cbct
treatment
image data
residual
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
Application number
CN202311382241.2A
Other languages
English (en)
Inventor
张海涛
刘旭
刘耀海
王涔光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Naikang Technology Co ltd
Original Assignee
Sichuan Naikang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Naikang Technology Co ltd filed Critical Sichuan Naikang Technology Co ltd
Priority to CN202311382241.2A priority Critical patent/CN117575922A/zh
Publication of CN117575922A publication Critical patent/CN117575922A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Computer Graphics (AREA)
  • Optics & Photonics (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Pulmonology (AREA)

Abstract

本发明涉及医学图像处理技术领域，公开了一种基于数字化治疗的牙齿与牙冠位姿确定方法，包括：采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。本发明基于CBCT技术，通过对患者进行立体成像扫描，基于深度学习和图像重建技术，能够准确还原CBCT图像的细节和结构，实现精确定位和引导治疗操作。

Description

一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统。
背景技术
在医学领域，精确定位是很多治疗操作的关键步骤。然而，传统的影像设备和图像处理方法在精确定位方面存在一定的局限性。目前，CBCT作为一种快速成像技术，已被广泛应用于外科手术、放射治疗等领域。但是，在CBCT图像中，由于扫描过程中影响图像质量的因素较多，图像精细度和准确性有待提高。
传统的牙科CBCT图像处理方法存在诸多局限，如图像模糊、噪声干扰和边缘模糊等问题，这些问题直接影响了诊断的准确性和临床应用的效果。因此，需要新的CBCT图像处理算法，以提高图像质量和分辨率。
发明内容
本发明提供了一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统，基于CBCT技术，通过对患者进行立体成像扫描，基于深度学习和图像重建技术，能够准确还原CBCT图像的细节和结构，实现精确定位和引导治疗操作。
本发明提供了一种基于数字化治疗的牙齿与牙冠位姿确定方法，包括：
采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
进一步地，所述对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像的步骤，包括：
对CBCT图像数据行去噪和增强处理，以提高图像质量和对比度；
采用CBCT图像数据训练预设的深度学习模型，以学习CBCT图像的特征和结构；
采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘；
对重建后的图像进行后处理，以增强图像的锐度和对比度，优化图像的视觉效果。
进一步地，所述采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘的步骤，包括：
输入CBCT图像数据，并利用卷积网络自适应获得测量向量yi，将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像，生成初始重建图像的过程表示为：
其次，为进一步缩小初始重建图像与CBCT图像数据xi之间的误差，在它们之间引入残差网络/>以估计差值/>其中，Wr是残差网络的参数，该过程表示为：
将初始重建图像与从残差网络得到的残差估计值/>相融合，其过程表示为：
其中，为经过残差网络改善后的重建图像。
进一步地，所述将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像的步骤中，子像素卷及网络由两个结构相同的子像素卷积模块组成，每个子像素卷积模块包括一个卷积层、一个像素清洗层和一个激活函数PReLU层；
子像素卷积利用像素清洗层将输入图像的像素重新排列以实现对图像的上采样运算，当一个上采样操作的放大倍数为r时，子像素卷积需要输入r2个由图像构成的同等大小的特征张量,上采样后的图像上位于(x,y)处像素的值由第c张特征图中位于 处的像素点，该过程表示为：
进一步地，所述残差网络由四个结构相同的残差块组成，每个残差块包含两个卷积和一个跳连接，其中，卷积核的大小为3×3，每个卷积核有16个特征通道，卷积层后跟有批处理归一化层和激活函数PReLU层，残差网络中的激活函数为网络模型引入的非线性特性。
进一步地，残差网络缩小了初始重建图像与原CBCT图像xi之间的误差，通过以下公式得到其残差估计值：
将初始重建图像与从残差网络得到的残差估计值/>相融合，得到经过残差网络改善后的重建图像/>
进一步地，预设的深度学习网络的损失函数为：
其中，xi为第i个训练样本的原信号，Ff(yi,Wf)为第i个重建图像，N为训练集中的样本总数。
本发明还提供了一种基于数字化治疗的牙齿与牙冠位姿确定系统，包括：
扫描模块，用于采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
重建模块，用于对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
配准模块，用于将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
确定模块，用于根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明结合CBCT和图像重建，提高图像质量和分辨率，清晰还原牙齿和周围组织的结构和细节，减少CBCT图像的噪声干扰和伪影，提高图像的准确性和可靠性，经过训练的深度学习模型能够自动学习和识别图像特征，具有较强的泛化能力，应用于不同型号和品牌的CBCT设备，提高设备的整体性能和附加值；能够精确还原患者的解剖结构，提高影像精细度，通过对患者和治疗目标区域进行图像配准，能够验证精确定位的准确性；能够实时定位治疗设备或操作工具，为精确治疗提供准确引导，在介入手术、放射治疗等领域具有广泛的应用前景。
附图说明
图1为本发明一实施例的方法流程示意图。
图2为本发明一实施例的装置结构示意图。
图3为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明基于CBCT技术，通过对患者进行立体成像扫描，结合图像重建和图像配准，基于深度学习和图像重建技术，能够准确还原CBCT图像的细节和结构，通过在CBCT图像处理过程中引入该算法，可以有效改善牙科影像学的临床诊断和治疗计划；可以通过专用的CBCT设备、图像处理软件和治疗设备实现精确定位和引导治疗操作，可应用于介入手术，放射治疗、肿瘤治疗等领域。
如图1所示，本发明提供了一种基于数字化治疗的牙齿与牙冠位姿确定方法，包括：
S1、采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
S2、对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
步骤S2具体包括：
S21、对CBCT图像数据行去噪和增强处理，以提高图像质量和对比度；
S22、采用CBCT图像数据训练预设的深度学习模型，以学习CBCT图像的特征和结构；
S23、采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘；
图像重建算法是从测量向量y中重建原信号x，其中，y∈RM×1,x∈RN×1，M＜＜N，因此同一个测量向量y可以重建出多个不同的信号x，将从y到x的映射近似看做线性映射，映射关系表示为：
x＝Wy
其中，W∈RN×M是线性映射矩阵，方程不是唯一解，原信号和她相对应的测量向量分别表示为：yi∈RM×1,xi∈RN×1，将包含N个训练样本的训练集表示为{(y1,x1),(y2,x2),…,(yN,xN)}，通过评估映射矩阵Wf保证/>的偏差最小，损失函数为：
其中，xi为第i个训练样本的原信号，Ff(yi,Wf)为第i个重建图像，N为训练集中的样本总数。
利用自适应矩阵估计优化算法(Adam)优化网络模型参数并通过反向传播来最小化损失函数，得到最优映射矩阵Wf和损失函数中训练样本所对应的自适应测量向量yi：
其中，
预设的深度学习模型中，第一个卷积层后面引入最大池化层来压缩图像，最大池化层可以输出局部接受域中的最大值能更好保留图像的纹理特征，因此被广泛应用在图像处理领域，具体包括：
利用卷积网络自适应获得测量向量yi，将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像，生成初始重建图像的过程表示为：
其次，为进一步缩小初始重建图像与CBCT图像数据xi之间的误差，在它们之间引入残差网络/>以估计差值/>其中，Wr是残差网络的参数，该过程表示为：
将初始重建图像与从残差网络得到的残差估计值/>相融合，其过程表示为：
其中，为经过残差网络改善后的重建图像，将/>和/>分别代入，其过程可以表示为：
子像素卷及网络：
子像素卷及网络由两个结构相同的子像素卷积模块组成，每个子像素卷积模块包括一个卷积层、一个像素清洗层和一个激活函数PReLU层；
子像素卷积利用像素清洗层将输入图像的像素重新排列以实现对图像的上采样运算，当一个上采样操作的放大倍数为r时，子像素卷积需要输入r2个由图像构成的同等大小的特征张量,上采样后的图像上位于(x,y)处像素的值由第c张特征图中位于 处的像素点，该过程表示为：
假设利用子像素卷积进行缩放因子为r的上采样操作，记上采样之前特征图的大小为：H×W×C，首先通过卷积运算输出大小为rH×r2W×C的特征图，然后经过像素清洗层将特征图的大小调整为：rH×rW×C，要利用子像素卷积将二维图像放大2倍，则需要生成(22＝4)4个同等大小的特征图，即通道数被扩充为原来的4倍。特征图的大小调整为：rH×rW×C，要利用子像素卷积将二维图像放大2倍，则需要生成(22＝4)4个同等大小的特征图，即通道数被扩充为原来的4倍。特征图做完卷积后再经过像素清洗层作特定排列，像素清洗后的特征通道数又恢复为初始输入时的大小，而每个特征图的尺寸则会变大为原来的2倍。
本发明的子像素卷积网络由于子像素清洗层能确保前面的卷积运算在低分辨率空间上运行所以减少了卷积的运算时间，而激活函数的使用给神经网络中引入了非线性特性使得输出不再只是输入的线性组合，增强了神经网络的表达能力。假设特征通道数为16，卷积核的大小为3×3，则该卷积核的特征通道数为16×放大倍数的2次方。
由于像素的扩展方式由其对应的卷积决定，而卷积的参数是通过学习得到的，所以子像素卷积这种基于学习的图像上采样方法较传统放大方法可以更好地拟合像素之间的关系，从而得到更高质量的初始重建图像。
残差网络：
弧线向下的捷径连接映射方式能确保残差网络中的每个卷积层都有一条将自己的输出直接传给较前卷积层的短连接并通过前向传播特征实现恒等映射，恒等映射可以保证误差在反向传播过程的梯度信息不受影响地通过捷径连接传向浅层并达到缓解梯度消失现象的效果。该捷径连接映射方式还可提高神经网络提取目的特征的能力，促进网络模型的优化和训练。
用x表示给定的输入参数，H(x)表示底层映射的期望输出，采用几个卷积运算来拟合H(·)并且期望H(·)是一个恒等映射，给定输入x与期望输出H(x)之间会产生残差，即：
H(x)＝F(x)+x
若H(x)与x近似相等则残差F(x)将趋于0，由于卷积层的权值常被零初始化所以容易通过训练卷积层来实现让等式中的残差F(x)趋于0并得到恒等映射的输出H(x):
F(x)：＝H(x)-x
本发明的残差网络由四个结构相同的残差块组成，每个残差块包含两个卷积和一个跳连接，其中，卷积核的大小为3×3，每个卷积核有16个特征通道，卷积层后跟有批处理归一化层和激活函数PReLU层，批处理归一化可以增强响应大的元素同时抑制响应小的元素，有效提升了模型的泛化性，残差网络中的激活函数为网络模型引入的非线性特性，不仅增强了神经网络的表达能力，还提高了网络模型的精度，使重建质量得到进一步提升。
残差网络缩小了初始重建图像与原CBCT图像xi之间的误差，通过以下公式得到其残差估计值：
将初始重建图像与从残差网络得到的残差估计值/>相融合，得到经过残差网络改善后的重建图像/>提升图像的重建精度。
S24、对重建后的图像进行后处理，以增强图像的锐度和对比度，优化图像的视觉效果。
S3、将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
S4、根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
本发明结合CBCT和图像重建，提高图像质量和分辨率，清晰还原牙齿和周围组织的结构和细节，减少CBCT图像的噪声干扰和伪影，提高图像的准确性和可靠性，经过训练的深度学习模型能够自动学习和识别图像特征，具有较强的泛化能力，应用于不同型号和品牌的CBCT设备，提高设备的整体性能和附加值；能够精确还原患者的解剖结构，提高影像精细度，通过对患者和治疗目标区域进行图像配准，能够验证精确定位的准确性；能够实时定位治疗设备或操作工具，为精确治疗提供准确引导，在介入手术、放射治疗等领域具有广泛的应用前景。
如图2所示，本发明还提供了一种基于数字化治疗的牙齿与牙冠位姿确定系统，包括：
扫描模块1，用于采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
重建模块2，用于对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
配准模块3，用于将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
确定模块4，用于根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
在一个实施例中，重建模块2，包括：
处理单元，用于对CBCT图像数据行去噪和增强处理，以提高图像质量和对比度；
学习单元，用于采用CBCT图像数据训练预设的深度学习模型，以学习CBCT图像的特征和结构；
重建单元，用于采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘；
后处理单元，用于对重建后的图像进行后处理，以增强图像的锐度和对比度，优化图像的视觉效果。
在一个实施例中，重建单元，包括：
输入子单元，用于输入CBCT图像数据，并利用卷积网络自适应获得测量向量yi，将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像，生成初始重建图像的过程表示为：
其次，为进一步缩小初始重建图像与CBCT图像数据xi之间的误差，在它们之间引入残差网络/>以估计差值/>其中，Wr是残差网络的参数，该过程表示为：
融合子单元，用于将初始重建图像与从残差网络得到的残差估计值/>相融合，其过程表示为：
其中，为经过残差网络改善后的重建图像。
在一个实施例中，输入子单元中，子像素卷及网络由两个结构相同的子像素卷积模块组成，每个子像素卷积模块包括一个卷积层、一个像素清洗层和一个激活函数PReLU层；
子像素卷积利用像素清洗层将输入图像的像素重新排列以实现对图像的上采样运算，当一个上采样操作的放大倍数为r时，子像素卷积需要输入r2个由图像构成的同等大小的特征张量,上采样后的图像上位于(x,y)处像素的值由第c张特征图中位于 处的像素点，该过程表示为：
在一个实施例中，所述残差网络由四个结构相同的残差块组成，每个残差块包含两个卷积和一个跳连接，其中，卷积核的大小为3×3，每个卷积核有16个特征通道，卷积层后跟有批处理归一化层和激活函数PReLU层，残差网络中的激活函数为网络模型引入的非线性特性。
在一个实施例中，残差网络缩小了初始重建图像与原CBCT图像xi之间的误差，通过以下公式得到其残差估计值：
将初始重建图像与从残差网络得到的残差估计值/>相融合，得到经过残差网络改善后的重建图像/>
在一个实施例中，预设的深度学习网络的损失函数为：
其中，xi为第i个训练样本的原信号，Ff(yi,Wf)为第i个重建图像，N为训练集中的样本总数。
上述各模块、单元、子单元均是用于对应执行上述基于数字化治疗的牙齿与牙冠位姿确定方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图3所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于数字化治疗的牙齿与牙冠位姿确定方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于数字化治疗的牙齿与牙冠位姿确定方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个基于数字化治疗的牙齿与牙冠位姿确定方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，包括：
采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
2.根据权利要求1所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，所述对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像的步骤，包括：
对CBCT图像数据行去噪和增强处理，以提高图像质量和对比度；
采用CBCT图像数据训练预设的深度学习模型，以学习CBCT图像的特征和结构；
采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘；
对重建后的图像进行后处理，以增强图像的锐度和对比度，优化图像的视觉效果。
3.根据权利要求1所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，所述采用训练好的深度学习模型对CBCT图像数据进行重建，以还原图像的细节和边缘的步骤，包括：
输入CBCT图像数据，并利用卷积网络自适应获得测量向量yi，将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像，生成初始重建图像的过程表示为：
其次，为进一步缩小初始重建图像与CBCT图像数据xi之间的误差，在它们之间引入残差网络/>以估计差值/>其中，Wr是残差网络的参数，该过程表示为：
将初始重建图像与从残差网络得到的残差估计值/>相融合，其过程表示为：
其中，为经过残差网络改善后的重建图像。
4.根据权利要求3所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，所述将yi作为初始重建阶段子像素卷积的输入并恢复出低分辨率初始重建图像的步骤中，子像素卷及网络由两个结构相同的子像素卷积模块组成，每个子像素卷积模块包括一个卷积层、一个像素清洗层和一个激活函数PReLU层；
子像素卷积利用像素清洗层将输入图像的像素重新排列以实现对图像的上采样运算，当一个上采样操作的放大倍数为r时，子像素卷积需要输入r2个由图像构成的同等大小的特征张量,上采样后的图像上位于(x,y)处像素的值由第c张特征图中位于 处的像素点，该过程表示为：
5.根据权利要求3所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，所述残差网络由四个结构相同的残差块组成，每个残差块包含两个卷积和一个跳连接，其中，卷积核的大小为3×3，每个卷积核有16个特征通道，卷积层后跟有批处理归一化层和激活函数PReLU层，残差网络中的激活函数为网络模型引入的非线性特性。
6.根据权利要求5所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，残差网络缩小了初始重建图像与原CBCT图像xi之间的误差，通过以下公式得到其残差估计值：
将初始重建图像与从残差网络得到的残差估计值/>相融合，得到经过残差网络改善后的重建图像/>
7.根据权利要求3所述的基于数字化治疗的牙齿与牙冠位姿确定方法，其特征在于，预设的深度学习网络的损失函数为：
其中，xi为第i个训练样本的原信号，Ff(yi,Wf)为第i个重建图像，N为训练集中的样本总数。
8.一种基于数字化治疗的牙齿与牙冠位姿确定系统，其特征在于，包括：
扫描模块，用于采用CBCT设备对患者进行立体成像扫描，获取多个角度的CBCT图像数据；其中，所述CBCT图像数据包括骨骼结构、牙齿和周围组织的信息；
重建模块，用于对扫描得到的CBCT图像数据采用预设的深度学习模型进行图像重建处理，以生成重建图像；
配准模块，用于将患者的所述重建图像与治疗设备或目标区域的三维模型进行图像配准，以对准确性进行验证；
确定模块，用于根据图像配准结果确定治疗设备或手术操作的位置和方向，并根据精确定位结果，进行治疗操作，引导治疗设备或手术操作的准确定位。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202311382241.2A 2023-10-24 2023-10-24 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统 Pending CN117575922A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311382241.2A CN117575922A (zh) 2023-10-24 2023-10-24 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311382241.2A CN117575922A (zh) 2023-10-24 2023-10-24 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统

Publications (1)

Publication Number Publication Date
CN117575922A true CN117575922A (zh) 2024-02-20

Family

ID=89859703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311382241.2A Pending CN117575922A (zh) 2023-10-24 2023-10-24 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统

Country Status (1)

Country Link
CN (1) CN117575922A (zh)

Similar Documents

Publication Publication Date Title
CN109993726B (zh) 医学图像的检测方法、装置、设备和存储介质
US10964071B2 (en) Systems and methods for data and model-driven image reconstruction and enhancement
CN109523584B (zh) 图像处理方法、装置、多模态成像系统、存储介质及设备
JP7221421B2 (ja) Ｃｔ画像の椎骨位置決め方法、装置、機器及び媒体
CN109697740B (zh) 图像重建方法、装置和计算机设备
CN111179372B (zh) 图像衰减校正方法、装置、计算机设备和存储介质
CN112396560A (zh) 用于使用深度神经网络对医疗图像进行去模糊的系统和方法
CN111161269A (zh) 图像分割方法、计算机设备和可读存储介质
CN110796620B (zh) 乳腺断层重建图像的层间伪影抑制方法和装置
CN111105472B (zh) Pet图像的衰减校正方法、装置、计算机设备和存储介质
CN110084868B (zh) 图像校正方法、装置、计算机设备和可读存储介质
CN113610752A (zh) 乳腺图像配准方法、计算机设备和存储介质
CN112950684B (zh) 基于表面配准的目标特征提取方法、装置、设备和介质
CN110473285B (zh) 图像重构方法、装置、计算机设备和存储介质
CN110766661B (zh) 磁共振成像的水脂分离方法、磁共振成像方法和设备
CN111091504B (zh) 图像偏差场矫正方法、计算机设备和存储介质
CN111681297A (zh) 图像重建方法、计算机设备和存储介质
JPWO2020175445A1 (ja) 学習方法、学習装置、生成モデル及びプログラム
CN117575922A (zh) 一种基于数字化治疗的牙齿与牙冠位姿确定方法及系统
CN111311531A (zh) 图像增强方法、装置、控制台设备及医学成像系统
CN114881930B (zh) 基于降维定位的3d目标检测方法、装置、设备和存储介质
CN112184850B (zh) 图像处理方法、装置、控制台设备及ct系统
CN108961161A (zh) 一种图像数据处理方法、装置和计算机存储介质
CN113963037A (zh) 图像配准方法、装置、计算机设备和存储介质
KR20230121364A (ko) 희박 뷰 ct의 아티팩트를 제거하는 방법

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