CN118096793A - 口腔图像多组织全自动分割方法 - Google Patents

口腔图像多组织全自动分割方法 Download PDF

Info

Publication number
CN118096793A
CN118096793A CN202410285320.XA CN202410285320A CN118096793A CN 118096793 A CN118096793 A CN 118096793A CN 202410285320 A CN202410285320 A CN 202410285320A CN 118096793 A CN118096793 A CN 118096793A
Authority
CN
China
Prior art keywords
model
image
oral cavity
oral
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.)
Pending
Application number
CN202410285320.XA
Other languages
English (en)
Inventor
张洁
金冠男
周忠伟
李晓洁
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.)
Bitbo Nantong Medical Technology Co ltd
Original Assignee
Bitbo Nantong Medical 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 Bitbo Nantong Medical Technology Co ltd filed Critical Bitbo Nantong Medical Technology Co ltd
Priority to CN202410285320.XA priority Critical patent/CN118096793A/zh
Publication of CN118096793A publication Critical patent/CN118096793A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/20—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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了口腔图像多组织全自动分割方法，属于口腔图像多组织分割技术领域，本发明中通过模型对比确认出可疑或差异节点，并通过判定结果分路运行，从而简化流程，节省判断及运行效率，且借由模型的建设流程，能够有效的保障模型的可靠性、稳定性及准确性，进而在确保模型准确性的情况下，经对比后，所得到的结果准确性也有所保障，进而有效解决传统运行方法中准确性低的情况，同时，根据建立模型和分割掩码图像进行图像分割得到目标分割图像，其用于表示建立模型中关键结构的分割图像，能够有效提高口腔图像分割的抗干扰能力和分割准确性，且基于坐标对比模块判定坐标原点，能够有效确保同一组织的空间位置相近程度符合预定标准。

Description

口腔图像多组织全自动分割方法
技术领域
本发明涉及口腔图像多组织分割技术领域，具体为口腔图像多组织全自动分割方法。
背景技术
口腔图像是指用于观察和分析口腔内部结构的图像。口腔图像分割是指将口腔图像中的不同结构或组织(如牙齿、牙龈、舌头等)分割出来，以实现口腔疾病诊断、牙齿计算机辅助设计、口腔手术规划等应用的技术；
而目前深度学习技术应用于口腔CT/MRI图像分割已取得长足进步，可实现牙齿、上颌、软组织等多个区域的自动分割，卷积神经网络UNet、Attention UNet等结构成功运用于口腔分割任务，分割精度不断提高，开源的口腔图像数据集已有一定规模；
但相比其他医学图像仍较小，虽然已开发口腔图像自动分割产品，用于辅助诊断分析，但临床广泛应用还面临挑战，而且不同口腔解剖结构分割质量参差，精细结构易受遮挡无法分割，存在过分割、漏分割等问题，后处理尚有改进空间，同时，由于采集的口腔图像容易受到光照强度、远近距离、相对位置等干扰因素的影响，从而影响口腔图像的分割准确性，为此，提出口腔图像多组织全自动分割方法。
发明内容
本发明的目的在于提供口腔图像多组织全自动分割方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：口腔图像多组织全自动分割方法，包括以下步骤：
S1、通过图像获取模块采集获取口腔图像信息；
S2、经S1所获取的口腔图像信息通过坐标解析模块得到初始化坐标原点；
S3、将通过S2得到的初始化坐标原点带入设置的预设坐标模块中；
S4、经S3运行后，利用设置的坐标对比模块判定初始化坐标原点与预设坐标模块两者之间的误差；
S5、通过S4的判定，当初始化坐标原点与预设坐标模块两者之间的误差满足设定阈值时，则根据初始化坐标原点建立空间坐标系，并通过设置的模型建设模块建立相应的模型；
而当初始化坐标原点与预设坐标模块两者之间的误差不满足设定的阈值时，则返还至S2中重新运行；
S6、利用设置的图像处理模块对S5中所建设的模型进行处理；
S7、将通过S6处理后的得到模型带入设置的预设口腔模型模块中；
S8、经S7运行后，利用设置的模型对比模块判定建立模型与预设口腔模型两者之间的差异；
S9、通过S8的判定，当建立模型与预设口腔模型两者之间的差异满足设定时，则通过设置的结果输出模块输出最终口腔分割图像；
而建立模型与预设口腔模型两者之间的差异不满足设定时，则返还至S5中重新运行。
作为本技术方案的进一步优选的：在S1中，获取的口腔图像信息包括口腔色彩图像单元、口腔特征图像单元和口腔深度图像单元；
其中，在口腔色彩图像单元中，合适的色彩视觉原理对于口腔具有重要作用，运用色彩的视觉原理可以使口腔组织效果更加突出；
而口腔特征图像单元，便于观察口腔内部结构、辅助诊断口腔以及提高对口腔组织的观测；
而获取口腔深度图像单元，便于后期模型建设时，控制其大小及尺寸。
作为本技术方案的进一步优选的：在S4中，坐标对比模块设定的误差阈值，即X、Y、Z各轴点位不超过±3度分秒。
作为本技术方案的进一步优选的：在S5中，模型建设模块的具体运行方法，包括以下步骤：
A1、首先明确各节点的信息，从而得出其趋势规律；
A2、收集各节点数据，并采集一个完整的预设监测的节点信息数据，从而能够分析出同一路径、时间和节点下信息数据；
A3、将收集到的数据进行清洗和整理；
A4、通过一个完整预设监测的时序图，探索数据的特征和规律；
A5、根据数据的特点，选出适用的时间序列模型类型；
A6、依据新选定的模型类型和模型参数，确认新的时间序列模型，并对新的时间序列模型进行诊断；
A7、使用建立好的时间序列模型对数据进行预测，加入预设的预测误差和置信区间等因素，从而进一步检测模型的稳定性及准确性；
A8、根据预测结果，判定模型的准确性和实用性。
作为本技术方案的进一步优选的：在A3中，检查数据的准确性和完整性，去除异常值和缺失值，使得数据更加可靠，在A6中，对时间序列模型进行诊断，检验模型的拟合程度、残差序列的平稳性等，判断模型的可靠性。
作为本技术方案的进一步优选的：在S6中，图像处理模块的具体运行方法，包括以下步骤：
B1、确定滤波的大小及标准差；
B2、对采取图像中的每个像素，以该像素为中心成放射性取值，取出与滤波大小相等的矩阵；
B3、计算每个像素值的新值；
B4、将新值赋给该像素，完成该像素的滤波；
B5、重复以上B1-B4的步骤，直到所有像素都被滤波处理；
B6、最终得到平滑后的图像。
作为本技术方案的进一步优选的：在B1中，滤波大小决定了滤波的范围，标准差决定了滤波的权重分布,在B3中，采用的计算方式即将该像素周围像素值乘以对应的滤波权重后求和。
作为本技术方案的进一步优选的：在S7中，预设口腔模型模块包括编码子单元、空间注意力子单元和解码子单元；
其中，编码子单元，用于对建立模型中口腔图像信息进行编码处理，得到口腔编码特征；
空间注意力子单元，用于对口腔编码特征进行注意力处理，得到口腔注意力特征；
解码子单元，用于对口腔注意力特征进行解码处理，得到分割掩码图像；
其中，根据建立模型和分割掩码图像进行图像分割，得到目标分割图像，目标分割图像用于表示建立模型中关键结构的分割图像。
作为本技术方案的进一步优选的：编码子单元包括至少两个3×3的卷积层和ReLu层，以及至少一个2×2的最大池化层，且编码子单元包括一个上采样的卷积层和两个3×3的卷积层；
其中，边缘提取网络所采用的损失函数为交叉熵损失函数：
CE(p)＝-ylogp-(1-y)log(1-p)
其公式中，y表示真实的像素标签值，y∈{0,1}，p表示网络预测的像素标签值，p∈{0,1}；
空间注意力子单元采用CBAM注意力获取空间权重，设置跳连连接，将编码子单元中层输出连接到相应解码器层；采用Adam优化器，设置学习率为1e-4，Batch Size为[16,32]之间。
作为本技术方案的进一步优选的：在S8中，模型对比模块中建立的模型与预设的口腔模型两者之间的差异值为±5毫米。
与现有技术相比，本发明的有益效果是：
1、本发明中通过编码子单元对建立模型中口腔图像信息进行编码处理，得到口腔编码特征，此时空间注意力子单元对口腔编码特征进行注意力处理，得到口腔注意力特征，之后借由解码子单元对口腔注意力特征进行解码处理，得到分割掩码图像，从而根据建立模型和分割掩码图像进行图像分割，得到目标分割图像，目标分割图像用于表示建立模型中关键结构的分割图像，综上所述以此能够有效提高口腔图像分割的抗干扰能力和分割准确性，同时确定坐标原点，基于坐标对比模块判定初始化坐标原点与预设坐标模块两者之间的误差，能够有效确保同一组织的空间位置相近程度符合预定标准；
2、本发明中通过模型对比的方法，确认出可疑或差异节点数据，并通过判定结果分路进行后续运行，从而简化流程，节省判断及运行效率，且借由模型的建设流程，能够有效的保障模型的可靠性、稳定性及准确性，进而在确保模型准确性的情况下，经对比后，所得到的结果准确性也有所保障，进而有效解决传统运行方法中准确性低的情况；
3、本发明中建立模型与预设口腔模型两者之间的差异不满足设定时，则返还至模型建设模块中重新运行，而模型对比间的差异不满足设定时，至少经过一次的重复运行才能对其结果进行输出，从而经过多次重复运行测试，后期所输出的图像信息更加的精准，所判定的结果也更加的准确；
4、本发明中通过图像处理模块减少图像中的颗粒及变色，从而提升图像质量，以此保障后期模型对比的效果，且借以图像处理模块在视觉上增加对比，突出图像的目标区域，来增强图像效果及提高图像的观感，以此来规避传统图像数据处理时，光线对图像的影响。
附图说明
图1为本发明口腔图像多组织全自动分割方法的运行流程图；
图2为本发明口腔图像多组织全自动分割方法中模型建设模块的运行流程图；
图3为本发明口腔图像多组织全自动分割方法中图像处理模块的运行流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例
请参阅图1-图3，本发明提供一种技术方案：口腔图像多组织全自动分割方法，包括以下步骤：
S1、通过图像获取模块采集获取口腔图像信息；
S2、经S1所获取的口腔图像信息通过坐标解析模块得到初始化坐标原点；
S3、将通过S2得到的初始化坐标原点带入设置的预设坐标模块中；
S4、经S3运行后，利用设置的坐标对比模块判定初始化坐标原点与预设坐标模块两者之间的误差；
S5、通过S4的判定，当初始化坐标原点与预设坐标模块两者之间的误差满足设定阈值时，则根据初始化坐标原点建立空间坐标系，并通过设置的模型建设模块建立相应的模型；
而当初始化坐标原点与预设坐标模块两者之间的误差不满足设定的阈值时，则返还至S2中重新运行；
S6、利用设置的图像处理模块对S5中所建设的模型进行处理；
S7、将通过S6处理后的得到模型带入设置的预设口腔模型模块中；
S8、经S7运行后，利用设置的模型对比模块判定建立模型与预设口腔模型两者之间的差异；
S9、通过S8的判定，当建立模型与预设口腔模型两者之间的差异满足设定时，则通过设置的结果输出模块输出最终口腔分割图像；
而建立模型与预设口腔模型两者之间的差异不满足设定时，则返还至S5中重新运行。
本实施例中，具体的：在S1中，获取的口腔图像信息包括口腔色彩图像单元、口腔特征图像单元和口腔深度图像单元；
其中，在口腔色彩图像单元中，合适的色彩视觉原理对于口腔具有重要作用，运用色彩的视觉原理可以使口腔组织效果更加突出；
而口腔特征图像单元，便于观察口腔内部结构、辅助诊断口腔以及提高对口腔组织的观测；
而获取口腔深度图像单元，便于后期模型建设时，控制其大小及尺寸。
本实施例中，具体的：在S4中，坐标对比模块设定的误差阈值，即X、Y、Z各轴点位不超过±3度分秒。
本实施例中，具体的：在S5中，模型建设模块的具体运行方法，包括以下步骤：
A1、首先明确各节点的信息，从而得出其趋势规律；
A2、收集各节点数据，并采集一个完整的预设监测的节点信息数据，从而能够分析出同一路径、时间和节点下信息数据；
A3、将收集到的数据进行清洗和整理；
A4、通过一个完整预设监测的时序图，探索数据的特征和规律；
A5、根据数据的特点，选出适用的时间序列模型类型；
A6、依据新选定的模型类型和模型参数，确认新的时间序列模型，并对新的时间序列模型进行诊断；
A7、使用建立好的时间序列模型对数据进行预测，加入预设的预测误差和置信区间等因素，从而进一步检测模型的稳定性及准确性；
A8、根据预测结果，判定模型的准确性和实用性。
本实施例中，具体的：在A3中，检查数据的准确性和完整性，去除异常值和缺失值，使得数据更加可靠，在A6中，对时间序列模型进行诊断，检验模型的拟合程度、残差序列的平稳性等，判断模型的可靠性。
本实施例中，具体的：在S6中，图像处理模块的具体运行方法，包括以下步骤：
B1、确定滤波的大小及标准差；
B2、对采取图像中的每个像素，以该像素为中心成放射性取值，取出与滤波大小相等的矩阵；
B3、计算每个像素值的新值；
B4、将新值赋给该像素，完成该像素的滤波；
B5、重复以上B1-B4的步骤，直到所有像素都被滤波处理；
B6、最终得到平滑后的图像。
本实施例中，具体的：在B1中，滤波大小决定了滤波的范围，标准差决定了滤波的权重分布,在B3中，采用的计算方式即将该像素周围像素值乘以对应的滤波权重后求和。
本实施例中，具体的：在S7中，预设口腔模型模块包括编码子单元、空间注意力子单元和解码子单元；
其中，编码子单元，用于对建立模型中口腔图像信息进行编码处理，得到口腔编码特征；
空间注意力子单元，用于对口腔编码特征进行注意力处理，得到口腔注意力特征；
解码子单元，用于对口腔注意力特征进行解码处理，得到分割掩码图像；
其中，根据建立模型和分割掩码图像进行图像分割，得到目标分割图像，目标分割图像用于表示建立模型中关键结构的分割图像。
本实施例中，具体的：编码子单元包括至少两个3×3的卷积层和ReLu层，以及至少一个2×2的最大池化层，且编码子单元包括一个上采样的卷积层和两个3×3的卷积层；
其中，边缘提取网络所采用的损失函数为交叉熵损失函数：
CE(p)＝-ylogp-(1-y)log(1-p)
其公式中，y表示真实的像素标签值，y∈{0,1}，p表示网络预测的像素标签值，p∈{0,1}；
空间注意力子单元采用CBAM注意力获取空间权重，设置跳连连接，将编码子单元中层输出连接到相应解码器层；采用Adam优化器，设置学习率为1e-4，Batch Size为[16,32]之间。
本实施例中，具体的：在S8中，模型对比模块中建立的模型与预设的口腔模型两者之间的差异值为±5毫米。
工作原理或者结构原理：使用运行时，先通过图像获取模块采集获取口腔图像信息，再将所获取的口腔图像信息通过坐标解析模块得到初始化坐标原点，此时，得到的初始化坐标原点带入设置的预设坐标模块中，利用设置的坐标对比模块判定初始化坐标原点与预设坐标模块两者之间的误差，即通过判定，当初始化坐标原点与预设坐标模块两者之间的误差满足设定阈值时，则根据初始化坐标原点建立空间坐标系，并通过设置的模型建设模块建立相应的模型，而当初始化坐标原点与预设坐标模块两者之间的误差不满足设定的阈值时，则返还至坐标解析模块中重新运行；
通过上述运行，利用设置的图像处理模块对所建设的模型进行处理，并将处理后的得到模型带入设置的预设口腔模型模块中，此时，利用设置的模型对比模块判定建立模型与预设口腔模型两者之间的差异，即通过判定，当建立模型与预设口腔模型两者之间的差异满足设定时，则通过设置的结果输出模块输出最终口腔分割图像，而建立模型与预设口腔模型两者之间的差异不满足设定时，则返还至模型建设模块中重新运行。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.口腔图像多组织全自动分割方法，其特征在于，包括以下步骤：
S1、通过图像获取模块采集获取口腔图像信息；
S2、经S1所获取的口腔图像信息通过坐标解析模块得到初始化坐标原点；
S3、将通过S2得到的初始化坐标原点带入设置的预设坐标模块中；
S4、经S3运行后，利用设置的坐标对比模块判定初始化坐标原点与预设坐标模块两者之间的误差；
S5、通过S4的判定，当初始化坐标原点与预设坐标模块两者之间的误差满足设定阈值时，则根据初始化坐标原点建立空间坐标系，并通过设置的模型建设模块建立相应的模型；
而当初始化坐标原点与预设坐标模块两者之间的误差不满足设定的阈值时，则返还至S2中重新运行；
S6、利用设置的图像处理模块对S5中所建设的模型进行处理；
S7、将通过S6处理后的得到模型带入设置的预设口腔模型模块中；
S8、经S7运行后，利用设置的模型对比模块判定建立模型与预设口腔模型两者之间的差异；
S9、通过S8的判定，当建立模型与预设口腔模型两者之间的差异满足设定时，则通过设置的结果输出模块输出最终口腔分割图像；
而建立模型与预设口腔模型两者之间的差异不满足设定时，则返还至S5中重新运行。
2.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S1中，获取的口腔图像信息包括口腔色彩图像单元、口腔特征图像单元和口腔深度图像单元；
其中，在口腔色彩图像单元中，合适的色彩视觉原理对于口腔具有重要作用，运用色彩的视觉原理可以使口腔组织效果更加突出；
而口腔特征图像单元，便于观察口腔内部结构、辅助诊断口腔以及提高对口腔组织的观测；
而获取口腔深度图像单元，便于后期模型建设时，控制其大小及尺寸。
3.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S4中，坐标对比模块设定的误差阈值，即X、Y、Z各轴点位不超过±3度分秒。
4.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S5中，模型建设模块的具体运行方法，包括以下步骤：
A1、首先明确各节点的信息，从而得出其趋势规律；
A2、收集各节点数据，并采集一个完整的预设监测的节点信息数据，从而能够分析出同一路径、时间和节点下信息数据；
A3、将收集到的数据进行清洗和整理；
A4、通过一个完整预设监测的时序图，探索数据的特征和规律；
A5、根据数据的特点，选出适用的时间序列模型类型；
A6、依据新选定的模型类型和模型参数，确认新的时间序列模型，并对新的时间序列模型进行诊断；
A7、使用建立好的时间序列模型对数据进行预测，加入预设的预测误差和置信区间等因素，从而进一步检测模型的稳定性及准确性；
A8、根据预测结果，判定模型的准确性和实用性。
5.根据权利要求4所述的口腔图像多组织全自动分割方法，其特征在于：在A3中，检查数据的准确性和完整性，去除异常值和缺失值，使得数据更加可靠，在A6中，对时间序列模型进行诊断，检验模型的拟合程度、残差序列的平稳性等，判断模型的可靠性。
6.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S6中，图像处理模块的具体运行方法，包括以下步骤：
B1、确定滤波的大小及标准差；
B2、对采取图像中的每个像素，以该像素为中心成放射性取值，取出与滤波大小相等的矩阵；
B3、计算每个像素值的新值；
B4、将新值赋给该像素，完成该像素的滤波；
B5、重复以上B1-B4的步骤，直到所有像素都被滤波处理；
B6、最终得到平滑后的图像。
7.根据权利要求6所述的口腔图像多组织全自动分割方法，其特征在于：在B1中，滤波大小决定了滤波的范围，标准差决定了滤波的权重分布,在B3中，采用的计算方式即将该像素周围像素值乘以对应的滤波权重后求和。
8.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S7中，预设口腔模型模块包括编码子单元、空间注意力子单元和解码子单元；
其中，编码子单元，用于对建立模型中口腔图像信息进行编码处理，得到口腔编码特征；
空间注意力子单元，用于对口腔编码特征进行注意力处理，得到口腔注意力特征；
解码子单元，用于对口腔注意力特征进行解码处理，得到分割掩码图像；
其中，根据建立模型和分割掩码图像进行图像分割，得到目标分割图像，目标分割图像用于表示建立模型中关键结构的分割图像。
9.根据权利要求8所述的口腔图像多组织全自动分割方法，其特征在于：编码子单元包括至少两个3×3的卷积层和ReLu层，以及至少一个2×2的最大池化层，且编码子单元包括一个上采样的卷积层和两个3×3的卷积层；
其中，边缘提取网络所采用的损失函数为交叉熵损失函数：
CE(p)＝-ylogp-(1-y)log(1-p)
其公式中，y表示真实的像素标签值，y∈{0,1}，p表示网络预测的像素标签值，p∈{0,1}；
空间注意力子单元采用CBAM注意力获取空间权重，设置跳连连接，将编码子单元中层输出连接到相应解码器层；采用Adam优化器，设置学习率为1e-4，Batch Size为[16,32]之间。
10.根据权利要求1所述的口腔图像多组织全自动分割方法，其特征在于：在S8中，模型对比模块中建立的模型与预设的口腔模型两者之间的差异值为±5毫米。
CN202410285320.XA 2024-03-13 2024-03-13 口腔图像多组织全自动分割方法 Pending CN118096793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410285320.XA CN118096793A (zh) 2024-03-13 2024-03-13 口腔图像多组织全自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410285320.XA CN118096793A (zh) 2024-03-13 2024-03-13 口腔图像多组织全自动分割方法

Publications (1)

Publication Number Publication Date
CN118096793A true CN118096793A (zh) 2024-05-28

Family

ID=91161472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410285320.XA Pending CN118096793A (zh) 2024-03-13 2024-03-13 口腔图像多组织全自动分割方法

Country Status (1)

Country Link
CN (1) CN118096793A (zh)

Similar Documents

Publication Publication Date Title
CN109859203B (zh) 基于深度学习的缺陷牙齿图像识别方法
EP3164062B1 (en) Detecting tooth wear using intra-oral 3d scans
CN110232383A (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN109741346A (zh) 感兴趣区域提取方法、装置、设备及存储介质
CN109872325B (zh) 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法
KR20130136519A (ko) 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램
CN110652312B (zh) 一种血管cta智能分析系统及应用
Yuan et al. Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks
CN110729045A (zh) 一种基于上下文感知残差网络的舌图像分割方法
CN112151167A (zh) 一种基于深度学习的儿童六龄牙龋齿智能筛查方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
CN111754485A (zh) 一种用于肝脏的人工智能超声辅助系统
CN113344940A (zh) 一种基于深度学习的肝脏血管图像分割方法
CN116580819B (zh) 用于自动化地确定图像序列中的检查结果的方法和系统
CN116975779A (zh) 基于神经网络的口腔全景片特征识别方法、系统及终端
CN118096793A (zh) 口腔图像多组织全自动分割方法
CN110739051A (zh) 利用鼻息肉病理图片建立嗜酸性粒细胞占比模型的方法
CN116012343A (zh) 一种融合注意力机制和关键特征的龋齿细粒度分类方法
KR102095731B1 (ko) 딥러닝 기반의 보조 진단 시스템의 mra 영상 학습 방법 및 혈관 병변 보조 진단 방법
CN112150422A (zh) 一种基于多任务学习的口腔健康自我检测模型的建模方法
CN114463328B (zh) 一种自动化正畸难度系数评估方法
CN116363083B (zh) 基于混合模型的龋齿检测方法、系统及可读存储介质
CN118512278B (zh) 一种用于牙齿3d打印前的ai建模方法及装置
CN117351489B (zh) 面向全身pet/ct扫描的头颈肿瘤靶区的勾画系统
WO2024188887A1 (en) Method and system for estimating tooth wear type on a virtual model of teeth

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication