KR20230030197A - 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 - Google Patents

치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 Download PDF

Info

Publication number
KR20230030197A
KR20230030197A KR1020210112125A KR20210112125A KR20230030197A KR 20230030197 A KR20230030197 A KR 20230030197A KR 1020210112125 A KR1020210112125 A KR 1020210112125A KR 20210112125 A KR20210112125 A KR 20210112125A KR 20230030197 A KR20230030197 A KR 20230030197A
Authority
KR
South Korea
Prior art keywords
tooth
image
images
rois
teeth
Prior art date
Application number
KR1020210112125A
Other languages
English (en)
Inventor
서진근
장태준
김강철
조현철
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020210112125A priority Critical patent/KR20230030197A/ko
Publication of KR20230030197A publication Critical patent/KR20230030197A/ko

Links

Images

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C19/00—Dental auxiliary appliances
    • A61C19/04—Measuring instruments specially adapted for dentistry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C9/00—Impression cups, i.e. impression trays; Impression methods
    • A61C9/004—Means or methods for taking digitized impressions
    • A61C9/0046—Data acquisition means or methods
    • A61C9/0053—Optical means or methods, e.g. scanning the teeth by a laser or light beam
    • 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
    • G06T5/007—
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

본 발명은 치과용 3D CBCT(Cone Beam CT) 영상을 인가받아 3D CBCT 영상에서 상악 영역과 하악 영역을 분할하고, 분할된 상악 영역과 하악 영역 각각에서 치아 배치 구조 형상을 나타내는 참조 곡선을 획득하여 참조 곡선에 대응하는 2개의 2D 파노라마 영상을 획득하는 파노라마 영상 획득부, 미리 학습된 인공 신경망을 이용하여 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하고 해당 치아의 식별자를 부여하며, 2개의 2D 파노라마 영상 각각에서 다수의 2D 경계 박스에 따라 획득되는 다수의 2D 패치 내에서 2D 치아 영역을 분할하여 획득하는 2D 치아 분할부, 3D CBCT 영상에서 다수의 2D 경계 박스에 각각 대응하는 3D 영역인 다수의 3D 대략 ROI와 다수의 2D 치아 영역에 각각 대응하는 3D 영역인 다수의 3D 정밀 ROI를 추출하는 3D ROI 검출부 및 다수의 3D 대략 ROI와 다수의 3D 정밀 ROI 중 서로 대응하는 ROI를 결합하여 다수의 결합 ROI를 획득하고, 미리 학습된 인공 신경망을 이용하여 다수의 결합 ROI 내에서 3D 치아 영역을 검출하여 치아 분할을 수행하는 3D 치아 분할부를 포함하여, 대용량의 3D CBCT 영상에서도 용이하게 개별 치아를 정확하게 식별 및 분할할 수 있는 치아 자동 식별 분할 장치 및 방법을 제공한다.

Description

치과용 CBCT에서 개별 치아 자동 식별 분할 장치 및 방법{Fully Automated Apparatus and Method for Individual Tooth Identification and Segmentation in Dental CBCT}
본 발명은 치아 자동 식별 분할 장치 및 방법에 관한 것으로, 치과용 CBCT에서 개별 치아를 자동으로 식별하고 분할할 수 있는 치아 자동 식별 분할 장치 및 방법에 관한 것이다.
치아 교정이나 임플란트 시술 등을 위한 치과 진료 시에는 방사선 조사량을 줄이기 위해, 치아 및 그 주변에 대한 3D 영상을 획득할 수 있는 치과용 CBCT(Cone Beam CT)가 주로 이용되고 있다. 그리고 치아 교정 수술 시뮬레이션 및 임플란트 가이드 제작에서 요구되는 각종 작업을 수행하기 위해서는 CBCT 영상에서 개별 치아를 식별(identification) 및 분할(segmentation)할 수 있어야 한다. 다만 CBCT 영상에서 개별 치아를 식별하여 분할하는 것은 인접 치아 및 주변 치조골로 인해 자동화하기 어렵다는 문제가 있다.
최근 딥러닝의 발전으로 인해 자동으로 CBCT 영상에서 개별 치아를 식별 및 분할하는 기법에 대한 연구가 수행되고 있으나, 대용량 데이터를 갖는 고해상도의 3차원 CBCT 영상을 처리하기 위한 메모리 문제와 학습 데이터 수의 충분한 확보 등의 문제로 인해 이를 구현하기 어려움이 여전히 있다. 이를 해결하기 위해 영상 패치 기반 접근(patch-based approach) 기법이 이용된 바도 있으나, 영상 패치 기반 접근 기법에서는 CBCT 영상이 다수의 로컬 영상 패치 (local image patch)로 분할되어 개별 처리되므로, 전체 CBCT 영상에 대한 결과를 획득하기 위해서는 다시 다수의 로컬 영상 패치에서의 처리 결과가 결합되어야 한다. 이때 각 영상 패치들은 인접 영상 패치에 대한 공간적 정보가 단절된 상태에서 작업이 수행되므로 영상 패치간 결합 부위에 매끄럽지 못한 결과가 도출될 수 있다. 이를 보완하기 위해, 인접한 영상 패치들에 서로 중복되는 영역이 포함되도록 할 수도 있으나, 이 경우 영상 패치에 인접 치아가 포함되어 개별 치아를 정확하게 분할하기 어렵다. 특히 인접 치아들은 서로 유사한 형태를 가지므로, 각 영상 패치에 따른 개별 치아 영상만으로는 정확한 치아 식별이 어려운 문제가 있다.
한국 등록 특허 제10-2176490호 (2020.11.03 등록)
본 발명의 목적은 치과용 3D CBCT 영상으로부터 개별 치아를 정확하게 식별하고 분할할 수 있는 치아 자동 식별 분할 장치 및 방법을 제공하는데 있다.
본 발명의 다른 목적은 대용량 데이터를 갖는 3D CBCT 영상을 효율적으로 이용하여 개별 치아를 식별하고 분할할 수 있는 치아 자동 식별 분할 장치 및 방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 치아 자동 식별 분할 장치는 치과용 3D CBCT(Cone Beam CT) 영상을 인가받아 상기 3D CBCT 영상에서 상악 영역과 하악 영역을 분할하고, 분할된 상악 영역과 하악 영역 각각에서 치아 배치 구조 형상을 나타내는 참조 곡선을 획득하여 참조 곡선에 대응하는 2개의 2D 파노라마 영상을 획득하는 파노라마 영상 획득부; 미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하고 해당 치아의 식별자를 부여하며, 상기 2개의 2D 파노라마 영상 각각에서 다수의 2D 경계 박스에 따라 획득되는 다수의 2D 패치 내에서 2D 치아 영역을 분할하여 획득하는 2D 치아 분할부; 상기 3D CBCT 영상에서 상기 다수의 2D 경계 박스에 각각 대응하는 3D 영역인 다수의 3D 대략 ROI와 상기 다수의 2D 치아 영역에 각각 대응하는 3D 영역인 다수의 3D 정밀 ROI를 추출하는 3D ROI 검출부; 및 상기 다수의 3D 대략 ROI와 상기 다수의 3D 정밀 ROI 중 서로 대응하는 ROI를 결합하여 다수의 결합 ROI를 획득하고, 미리 학습된 인공 신경망을 이용하여 상기 다수의 결합 ROI 내에서 3D 치아 영역을 검출하여 치아 분할을 수행하는 3D 치아 분할부를 포함한다.
상기 파노라마 영상 획득부는 상기 3D CBCT 영상을 상악 영역과 하악 영역으로 분할하여 2개의 3D 그레이 스케일 영상을 획득하며, 2개의 3D 그레이 스케일 영상 각각을 얼굴 상하 방향인 종방향으로 투사하여 2개의 2D 영상을 획득하는 2D 영상 변환부; 상기 2개의 2D 영상 각각을 이진화하고, 이진화된 2개의 2D 영상 각각에서 기지정된 방식으로 치아 영역을 검출하는 치아 영역 추출부; 이진화된 2개의 2D 영상 각각에서 검출된 치아 영역에서 각 치아의 중심축을 통과하는 곡선을 추출하여 2개의 참조 곡선을 획득하는 참조 곡선 획득부; 및 상기 2개의 3D 그레이 스케일 영상 각각에 대응하는 참조 곡선을 종방향으로 연장하여 2개의 참조 곡선면을 설정하고, 상기 2개의 참조 곡선면 각각에서 법선 방향의 픽셀들의 픽셀값을 합산하여 상기 2개의 참조 곡선면에 투사하여 상기 2개의 2D 파노라마 영상을 생성하는 파노라마 영상 생성부를 포함할 수 있다.
상기 2D 영상 변환부는 상기 3D CBCT 영상을 치아의 강도에 따라 설정된 문턱값에 기반하여 이진화하여 3D 이진 CBCT 영상을 획득하는 이진 영상 생성부; 연결요소 레이블링(connected component labeling) 기법에 따라 상기 3D 이진 CBCT 영상에서 연결요소들을 검출하고, 검출된 연결요소들 중 가장 큰 크기를 갖는 2개의 요소를 선택하며, 상기 3D 이진 CBCT 영상에서 선택된 2개의 요소가 포함된 영역을 구분하여 상악 이진 CBCT 영상과 하악 이진 CBCT 영상으로 분할하는 이진 영상 분할부; 상기 상악 이진 CBCT 영상과 상기 하악 이진 CBCT 영상 각각을 상기 3D CBCT 영상의 대응하는 영역과 원소곱하여 상기 2개의 3D 그레이 스케일 영상을 획득하는 그레이 스케일 변환부; 및 상기 2개의 3D 그레이 스케일 영상 각각에 대해 종방항에서 최대 강도 투사를 적용하여 상기 2개의 2D 영상인 2D 상악 영상 및 2D 하악 영상을 획득하는 2D 영상 획득부를 포함할 수 있다.
상기 치아 영역 추출부는 이진화된 2개의 2D 영상 각각에 대해 형태학적 닫힘(morphological closing) 기법을 적용하여 치아의 배치 구조 형상에 따른 악궁(dental arch)이 나타나도록 치아 영역을 검출할 수 있다.
상기 참조 곡선 획득부는 2개의 2D 영상 각각에서 검출된 치아 영역에 대해 형태학적 골격화(morphological skeletonization) 기법을 적용하여 각 치아의 중심축 위치를 판별하고, 다수의 치아에서 판별된 중심축을 통과하는 곡선을 검출하여 상기 참조 곡선으로 획득할 수 있다.
상기 2D 치아 분할부는 미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하며, 각 치아의 클래스를 분류하는 치아 추정부; 각 치아의 클래스와 각 치아의 중심 위치를 기반으로 상기 2개의 2D 파노라마 영상 각각에 포함된 다수의 영상의 식별자를 부여하는 치아 식별자 부여부; 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대응하는 다수의 2D 경계 박스에 해당하는 영역을 추출하여 상기 다수의 2D 패치를 추출하는 2D 패치 획득부; 및 미리 학습된 인공 신경망으로 구현되어 상기 다수의 2D 패치 각각에서 치아 영역을 픽셀 단위로 구분하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대한 2D 치아 영역을 분할하는 2D 치아 영역 분할부를 포함할 수 있다.
상기 3D ROI 검출부는 상기 3D CBCT 영상에서 상기 2개의 참조 곡선면인 상악 참조 곡선면과 하악 참조 곡선면의 위치를 확인하고, 확인된 상기 상악 참조 곡선면과 상기 하악 참조 곡선면에 다수의 2D 경계 박스와 다수의 2D 치아 영역을 각각 배치하는 2D 경계 박스 배치부; 상기 다수의 2D 경계 박스 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 대략 ROI를 획득하는 3D 대략 ROI 획득부; 및 상기 다수의 2D 치아 영역 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 정밀 ROI를 획득하는 3D 대략 ROI 획득부를 포함할 수 있다.
상기 3D 치아 분할부는 다수의 치아 각각에 대해 검출된 다수의 3D 치아 영역을 상기 3D CBCT 영상에 표시하여 시각화할 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 치아 자동 식별 분할 방법은 치과용 3D CBCT 영상에서 다수의 치아 각각을 식별하고 각 치아 영역을 분할하는 자동 식별 분할 장치의 치아 자동 식별 분할 방법에 있어서, 상기 3D CBCT 영상에서 상악 영역과 하악 영역을 분할하고, 분할된 상악 영역과 하악 영역 각각에서 치아 배치 구조 형상을 나타내는 참조 곡선을 획득하여 참조 곡선에 대응하는 2개의 2D 파노라마 영상을 획득하는 단계; 미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하고 해당 치아의 식별자를 부여하며, 상기 2개의 2D 파노라마 영상 각각에서 다수의 2D 경계 박스에 따라 획득되는 다수의 2D 패치 내에서 2D 치아 영역을 분할하여 획득하는 단계; 상기 3D CBCT 영상에서 상기 다수의 2D 경계 박스에 각각 대응하는 3D 영역인 다수의 3D 대략 ROI와 상기 다수의 2D 치아 영역에 각각 대응하는 3D 영역인 다수의 3D 정밀 ROI를 추출하는 단계; 및 상기 다수의 3D 대략 ROI와 상기 다수의 3D 정밀 ROI 중 서로 대응하는 ROI를 결합하여 다수의 결합 ROI를 획득하고, 미리 학습된 인공 신경망을 이용하여 상기 다수의 결합 ROI 내에서 3D 치아 영역을 검출하여 치아 분할을 수행하는 단계를 포함한다.
따라서, 본 발명의 실시예에 따른 치아 자동 식별 분할 장치 및 방법은 치과용 3D CBCT 영상에서 상악과 하악이 구분된 2D 파노라마 영상을 획득하고, 2D 파노라마 영상에서 1차적으로 치아를 식별 및 분류한 후, 2D 분류 결과를 토대로 3D CBCT 영상의 관심 영역을 설정하여 3D CBCT 영상에서 개별 치아를 식별 및 분할하므로, 대용량의 3D CBCT 영상에서도 용이하게 개별 치아를 정확하게 식별 및 분할할 수 있다.
도 1은 본 발명의 일 실시예에 따른 치아 자동 식별 분할 장치의 개략적 구조를 나타낸다.
도 2는 도 1의 치아 자동 식별 분할 장치의 전체적인 동작을 설명하기 위한 도면이다.
도 3은 도 1의 파노라마 영상 획득부의 상세 구성의 일 예를 나타낸다.
도 4는 도 3의 파노라마 영상 획득부의 각 구성별 동작을 설명하기 위한 도면이다.
도 5은 도 1의 2D 치아 분할부의 상세 구성의 일 예를 나타낸다.
도 6은 도 5의 치아 추정부의 동작을 설명하기 위한 도면이다.
도 7은 도 5의 치아 식별자 부여부의 동작을 설명하기 위한 도면이다.
도 8은 도 1의 3D ROI 검출부의 상세 구성의 일 예를 나타낸다.
도 9는 도 8의 3D ROI 검출부의 각 구성별 동작을 설명하기 위한 도면이다.
도 10은 도 1의 3D 치아 분할부의 동작을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 치아 자동 식별 분할 방법을 나타낸다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 치아 자동 식별 분할 장치의 개략적 구조를 나타내고, 도 2는 도 1의 치아 자동 식별 분할 장치의 전체적인 동작을 설명하기 위한 도면이다.
도 1을 참조하면, 본 실시예에 따른 치아 자동 식별 분할 장치는 CBCT 영상 획득부(100), 파노라마 영상 획득부(200), 2D 치아 분할부(300), 3D ROI 검출부(400) 및 3D 치아 분할부(500)를 포함할 수 있다.
CBCT 영상 획득부(100)는 치아 교정이나 임플란트 시술 등과 같은 치과 진료를 위해 턱 부근에 대해 촬영된 치과용 3D CBCT(Cone Beam CT) 영상을 획득한다.
파노라마 영상 획득부(200)는 도 2의 (c)와 같이, 3D CBCT 영상에서 상악 영역과 하악 영역 각각에 대응하는 상악 2D 영상들을 구분하여 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득하고, 획득된 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득 각각을 얼굴에서 종(longitudinal)방향으로 투사하여 2D 상악 영상 및 2D 하악 영상을 획득한다. 그리고 2개의 2D 상악 영상 및 2D 하악 영상 각각에서 개별 치아의 중심점을 검출하여 곡선으로 연결함으로써 상악과 하악 각각에서 치아가 배열된 위치를 나타내는 2개의 참조 곡선을 획득한다. 이후 3D CBCT 영상에서 획득된 2개의 참조 곡선 각각에 대응하는 픽셀들의 픽셀값을 참조 곡선에 따라 형성되는 2D 평면 상에 투영함으로써, 도 2의 (c)와 같이 상악과 하악 각각의 다수의 치아가 일렬로 펼쳐진 형태의 2개의 2D 파노라마 영상을 획득할 수 있다.
그리고 2D 치아 분할부(300)는 미리 학습된 신경망 연산 방식에 따라 획득된 2개의 2D 파노라마 영상 각각에서 개별 치아를 식별하고 각 개별 치아를 구분하여 도 2의 (d)와 같이 다수의 2D 경계 박스를 획득하며, 다수의 2D 경계 박스 각각에 대해 다시 픽셀 수준에서 치아 영역을 분할(segmentation)한다.
3D ROI 검출부(400)는 도 2의 (e)와 같이 다수의 2D 경계 박스 각각을 인가받고, 3D CBCT 영상에서 다수의 2D 경계 박스와 2D 경계 박스 내의 분할된 치아 영역 각각에 대응하는 영역을 검출하여 도 2의 (e)와 같은, 3D의 다수의 대략 ROI(Region of Interest)와 다수의 정밀 ROI를 획득한다.
그리고 3D 치아 분할부(500)는 도 2의 (g)와 같이, 각 치아별로 획득된 대략 ROI와 정밀 ROI를 미리 학습된 신경망 연산 방식에 따라 분석하여 3D CBCT 영상에 포함된 다수의 치아 각각을 개별적으로 분할한다. 3D 치아 분할부(500)는 개별 치아에 대한 3D 분할 영상을 획득하지만, 2D 치아 분할부(300)에서 획득된 대응하는 식별자에 따라 획득된 3D 분할 영상을 3D CBCT 영상의 대응하는 위치에 표현함으로써, 도 2의 (h)에 도시된 바와 같이, 3D 상에 시각화할 수도 있다.
도 1에 도시된 본 실시예의 치아 자동 식별 분할 장치는 대용량의 3D CBCT 영상으로부터 상악과 하악에 대응하는 2개의 2D 파노라마 영상을 획득하고, 2개의 2D 파노라마 영상으로부터 2D 상의 개별 치아를 식별 및 분할한다. 이후 3D CBCT 영상에서 식별 및 분할된 개별 치아 각각에 대응하는 영역을 추출하여 3D로 개별 치아를 식별 및 분할한다. 따라서 3D CBCT 영상으로부터 곧바로 3D로 개별 치아를 식별 및 분할하지 않고, 2D 영상에서 우선 개별 치아를 식별 및 분할한 후, 이를 기반으로 제한된 3D 영역 내에서 개별 치아를 식별 및 분할하므로, 메모리 문제가 발생하지 않으며, 적은 학습 데이터로도 정확하게 개별 치아를 검출할 수 있다. 또한 3D 상에서 개별 치아의 주변 영역까지 포함하는 대략 ROI와 해당 치아가 포함된 영역을 정밀하게 정밀 ROI를 함께 이용하여 매우 정확하게 개별 치아를 식별 및 분할할 수 있다. 또한 3D CBCT 영상보다 차원이 낮은 2D 파노라마 영상을 기반으로 우선 치아를 식별 및 분할하므로 메탈 아티팩트의 영향을 크게 감소시킬 수 있다.
이하에서는 도 3 내지 도 10을 참조하여, 도 1의 치아 자동 식별 분할 장치의 각 구성을 상세하게 설명한다.
도 3은 도 1의 파노라마 영상 획득부의 상세 구성의 일 예를 나타내고, 도 4는 도 3의 파노라마 영상 획득부의 각 구성별 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 파노라마 영상 획득부(200)는 2D 영상 변환부(210), 치아 영역 추출부(220), 참조 곡선 획득부(230) 및 파노라마 영상 생성부(240)를 포함할 수 있다.
2D 영상 변환부(210)는 CBCT 영상 획득부(100)로부터 3D의 CBCT 영상을 인가받고, 인가된 3D의 CBCT 영상을 기지정된 방식으로 2D 영상으로 변환한다. 이때 2D 영상 변환부(210)는 CBCT 영상에서 상악 영역과 하악 영역을 구분하여 상악 2D 영상과 하악 2D 영상을 각각 획득할 수 있다.
구체적으로 2D 영상 변환부(210)는 이진 영상 생성부(211), 이진 영상 분할부(212), 그레이 스케일 변환부(213) 및 2D 영상 획득부(214)를 포함할 수 있다.
이진 영상 생성부(211)는 도 4의 (a)와 같은 3D의 CBCT 영상이 인가되면, 3D의 CBCT 영상을 3D 이진 CBCT 영상으로 변환한다. 이진 영상 생성부(211)는 미리 지정된 문턱값을 기반으로 3D의 CBCT 영상을 3D 이진 CBCT 영상으로 변환할 수 있다. 본 실시예에서 이진 영상 생성부(211)는 각 픽셀값이 치아의 강도를 기준으로 미리 지정된 문턱값 이상이면 1의 값을 갖도록 하고, 기준 픽셀값 미만이면 0의 값을 갖도록 하여 이진화하여 도 4의 (b)에 도시된 바와 같은 3D 이진 CBCT 영상을 획득할 수 있다.
그러나 이진 영상 생성부(211)는 오츠 문턱값(Otsu's thresholding) 기법등을 이용하여 가변적으로 문턱값을 설정하고, 설정된 문턱값에 따라 각 픽셀의 픽셀값을 이진화함으로써 3D 이진 CBCT 영상을 획득할 수도 있다.
한편 이진 영상 생성부(211)는 데이터량이 매우 CBCT의 데이터량을 줄이기 위해, 3D CBCT 영상에 대해 우선 3차원의 복셀 그리드를 이용하여 복셀화하고 이후, 이진화를 수행하여 3D 이진 CBCT 영상을 획득할 수도 있다.
이진 영상 분할부(212)는 3D 이진 CBCT 영상을 상악 영역과 하악 영역을 구분하여 상악 CBCT 영상과 하악 CBCT 영상을 획득한다. 이진 영상 분할부(212)는 공지된 기술인 연결요소 레이블링(connected component labeling: 이하 CCL) 기법에 따라 3D 이진 CBCT 영상에서 연결요소들을 검출하고, 도 4의 (c)에 도시된 바와 같이, 검출된 연결요소들 중 가장 큰 크기를 갖는 2개의 요소를 선택한다. 그리고 이진 영상 분할부(212)는 3D 이진 CBCT 영상에서 선택된 2개의 요소가 포함된 영역을 구분하여 추출한다. 사람의 턱 부위를 촬영하여 획득된 치과용 3D CBCT 영상에서는 가장 큰 요소가 하악이고, 두번째 큰 요소는 상악이다. 따라서 CCL 기법에 따라 3D 이진 CBCT 영상에서 가장 큰 2개의 요소를 검출하여 분할하면 도 4의 (c)와 같은 상악 이진 CBCT 영상과 하악 이진 CBCT 영상이 획득된다. 여기서 상악 이진 CBCT 영상과 하악 이진 CBCT 영상 또한 3D 영상이다.
그레이 스케일 변환부(213)는 이진 영상 분할부(212)에서 획득된 상악 이진 CBCT 영상과 하악 이진 CBCT 영상 각각을 3D CBCT 영상의 대응하는 영역과 원소곱(elementwise product)하여 그레이 스케일 영상으로 변환한다. 상악 이진 CBCT 영상과 하악 이진 CBCT 영상은 이진 영상 생성부(211)에 의해 치아의 강도를 기준으로 설정된 문턱값에 따라 3D CBCT 영상이 이진화된 3D 이진 CBCT 영상에서 일부가 추출된 CBCT 영상이므로, 뼈나 치아 구조물 이외에 나머지 요소가 모두 제거된 상태이다. 즉 이진화에 의해 불필요한 요소가 모두 제거된 상태이다. 다만 치아나 뼈에 해당하는 픽셀은 모두 동일하게 1의 픽셀값을 가지게 되므로, 치아의 식별이나 분할이 매우 어렵다. 이에 그레이 스케일 변환부(213)는 상악 이진 CBCT 영상과 하악 이진 CBCT 영상 각각을 3D CBCT 영상의 대응하는 영역과 원소곱함으로써 3D CBCT 영상에서 치아와 뼈에 해당하는 영역의 픽셀만이 나타나도록 한다. 즉 그레이 스케일 변환부(213)는 상악 이진 CBCT 영상과 하악 이진 CBCT 영상을 이진 마스크로 이용하여 3D CBCT 영상에 대한 필터링을 수행하여 도 4의 (d)와 같은 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득한다. 여기서 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상 또한 3D 영상이다.
2D 영상 획득부(214)는 3D의 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상 각각에서 종(longitudinal) 방향(도 4의 (d)에서는 z축 방향)으로 최대 강도 투사(Maximum Intensity projection: MIP)를 적용하여 도 4의 (e)와 같이 2D 상악 영상 및 2D 하악 영상을 획득한다.
한편, 치아 영역 추출부(220)는 2D 상악 영상 및 2D 하악 영상 각각에 대해 다시 문턱값을 적용하여 이진화하고, 형태학적 닫힘(morphological closing) 기법을 적용하여 도 4의 (f)에 도시된 바와 같이 2D 상악 영상 및 2D 하악 영상 각각에서 치아의 배치 구조 형상에 따른 악궁(dental arch)이 나타나도록 함으로써 2D 상악궁 영상 및 2D 하악궁 영상을 획득한다.
참조 곡선 획득부(230)는 2D 상악궁 영상 및 2D 하악궁 영상 각각에 대해 형태학적 골격화(morphological skeletonization) 기법을 적용하여, 2D 상악궁 영상 및 2D 하악궁 영상에서 개별 치아 영역의 중심을 나타내는 중심축(medial axis)을 획득하고, 2D 상악궁 영상 및 2D 하악궁 영상 각각에서 개별 치아의 중심축을 통과하는 2개의 참조 곡선(Reference curve)을 도 4의 (g)와 같이 획득한다. 여기서 2개의 참조 곡선은 2D 상악궁 영상 및 2D 하악궁 영상 각각에서 개별 치아에 대해 획득된 다수의 중심축을 통과하는 곡선을 곡선 맞춤(curve fitting) 기법에 따라 추출함으로써 획득될 수 있다. 이때 보간법(interpolation)을 이용하여 치아 영역 내에서 다수(예를 들면 500개)의 포인트를 지정하고, 보외법(extrapolation)을 이용하여 치아 영역 양측 각각에 다수(예를 들면 70개)의 포인트를 지정하여 매끄러운 형태를 갖는 2개의 참조 곡선(Reference curve)을 획득할 수도 있다.
상악에 대한 상악 참조 곡선과 하악에 대한 하악 참조 곡선이 2개의 참조 곡선으로 획득되면, 파노라마 영상 생성부(240)는 상악 참조 곡선과 하악 참조 곡선 각각에 따라 상악 그레이 스케일 영상과 하악 그레이 스케일 영상 각각에서 상악 2D 파노라마 영상과 하악 2D 파노라마 영상을 획득한다.
파노라마 영상 생성부(240)는 상악 그레이 스케일 영상에서 상악 참조 곡선을 종방향(여기서는 z축 방향)으로 연장하고, 하악 그레이 스케일 영상에서 하악 참조 곡선을 종방향(여기서는 z축 방향)으로 연장하여, 상악 참조 곡선과 하악 참조 곡선의 형태에 대응하는 상악 참조 곡선면과 하악 참조 곡선면을 설정한다. 그리고 상악 그레이 스케일 영상에서 설정된 상악 참조 곡선면의 법선 방향의 픽셀값들을 합산하여 상악 2D 파노라마 영상을 획득하고, 하악 그레이 스케일 영상에서 설정된 하악 참조 곡선면의 법선 방향의 픽셀값들을 합산하여 하악 2D 파노라마 영상을 획득한다. 즉 상악 그레이 스케일 영상과 하악 그레이 스케일 영상 각각에서 상악 참조 곡선면과 하악 참조 곡선면에 대해 법선 방향에 위치하는 픽셀(복셀화 된 경우에는 복셀)들을 상악 참조 곡선면과 하악 참조 곡선에 투사하여 도 4의 (h)에 도시된 바와 같은 상악 2D 파노라마 영상과 하악 2D 파노라마 영상을 획득한다.
이하에서는 도 5 내지 도 7을 참조하여 도 1의 2D 치아 분할부의 각 구성 및 동작을 설명한다.
도 5은 도 1의 2D 치아 분할부의 상세 구성의 일 예를 나타내고, 도 6은 도 5의 치아 추정부의 동작을 설명하기 위한 도면이며, 도 7은 도 5의 치아 식별자 부여부의 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 2D 치아 분할부(300)는 치아 추정부(310), 치아 식별자 부여부(320), 2D 패치 획득부(330) 및 2D 치아 영역 분할부(340)를 포함할 수 있다.
치아 추정부(310)는 미리 학습된 인공 신경망으로 구현되고, 상악 2D 파노라마 영상과 하악 2D 파노라마 영상을 인가받아 학습된 방식에 따라 신경망 연산하여 상악 2D 파노라마 영상과 하악 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치, 개별 치아의 영역을 지정하는 2D 경계 박스 및 각 치아를 구분하기 위한 클래스를 추정하여 획득한다. 도 6에서는 중심 위치(Gij(sij, zij))와 2D 경계 박스의 폭(wij)과 높이(hij)가 추정되어 획득되었으며, 클래스(pij)가 어금니(molar)로 추정된 경우를 나타낸다.
여기서 치아 추정부(310)는 상악 2D 파노라마 영상과 하악 2D 파노라마 영상을 위한 인공 신경망을 각각 구비할 수 있다. 즉 치아 추정부(310)는 2개의 인공 신경망을 구비할 수 있다.
그리고 도 6에 도시된 바와 같이, 각 인공 신경망은 입력되는 상악 2D 파노라마 영상 또는 하악 2D 파노라마 영상 각각에서 치아 중심 위치, 2D 경계 박스 및 클래스를 한 번에 획득하도록 구성될 수 있다. 여기서 인공 신경망은 입력되는 2D 파노라마 영상의 특징을 학습된 방식에 따라 신경망 연산으로 추출하여 특징맵을 획득하고, 특징맵을 인가받아 학습된 방식에 따라 신경망 연산하여 특징을 재구성하며, 재구성된 특징을 분류하여 치아 중심 위치, 2D 경계 박스 및 클래스를 각각 획득할 수 있다.
여기서 치아 추정부(310)의 인공 신경망은 각 치아의 클래스를 앞니(Incisivus: I), 송곳니(Canine tooth: C), 작은 어금니(Premolar: P), 어금니(Molar: M)와 같이 4개의 클래스(I, C, P, M)로 구분하여 추정할 수 있으나 이에 한정되지는 않는다.
치아 식별자 부여부(320)는 상악 2D 파노라마 영상과 하악 2D 파노라마 영상 각각에서 치아 추정부(310)에서 획득된 치아 중심 위치, 2D 경계 박스 및 클래스를 기반으로 개별 치아의 식별자를 부여한다. 상기한 바와 같이, 치아 추정부(310)가 2D 파노라마 영상의 각 치아의 클래스를 앞니, 송곳니, 작은 어금니, 어금니와 같이 기지정된 개수의 클래스(I, C, P, M)로 추정하면, 치아 식별자 부여부(320)는 도 7에 도시된 바와 같이, 2D 파노라마 영상의 중심을 기준으로 양측을 구분하고, 구분된 양측 방향의 치아 각각에 대해 추정된 클래스와 배치 순서와 따라 순차적으로 식별자를 부여하여 각 치아가 구분되도록 할 수 있다. 이때 일부 치아가 발치된 경우도 있을 수 있으나, 치아 추정부(310)에서 추정된 클래스(I, C, P, M)를 기반으로 식별자가 부여되도록 함으로써, 치아의 식별자가 클래스를 넘어 잘못 부여되는 경우를 방지할 수 있다.
2D 패치 획득부(330)는 상악 2D 파노라마 영상과 하악 2D 파노라마 영상 각각에서 치아 추정부(310)에서 추정된 개별 치아 각각에 대한 2D 경계 박스 영역을 추출하여 다수의 2D 패치를 획득한다. 여기서 상악 2D 파노라마 영상에서 획득된 다수의 2D 패치를 상악 2D 패치라 하고, 하악 2D 파노라마 영상에서 획득된 다수의 2D 패치를 하악 2D 패치라 할 수 있다.
2D 치아 영역 분할부(340)는 미리 학습된 인공 신경망으로 구현되어, 2D 패치 획득부(330)에서 획득된 다수의 2D 패치를 인가받고, 학습된 방식에 따라 신경망 연산하여 인가된 다수의 2D 패치 내에서 치아 영역에 해당하는 픽셀들을 추출하여 구분한다. 즉 다수의 2D 경계 박스 각각의 내부에서 2D 치아 영역을 분할할 수 있다.
이때 다수의 2D 패치와 다수의 2D 치아 영역 각각에는 대응하는 치아의 식별자가 함께 부여될 수 있다.
이하에서는 도 8 및 도 9를 참조하여, 3D ROI 검출부의 상세 구성에 따른 동작을 설명한다.
도 8은 도 1의 3D ROI 검출부의 상세 구성의 일 예를 나타내고, 도 9는 도 8의 3D ROI 검출부의 각 구성별 동작을 설명하기 위한 도면이다.
도 8을 참조하면, 3D ROI 검출부(400)는 2D 경계 박스 배치부(410), 3D 대략 ROI 획득부(420), 2D 치아 영역 배치부(430) 및 3D 정밀 ROI 획득부(440)를 포함할 수 있다.
먼저 2D 경계 박스 배치부(410)는 3D CBCT 영상에서 상악 참조 곡선면과 하악 참조 곡선면의 위치를 확인하고, 다수의 2D 경계 박스 각각을 상악 참조 곡선면과 하악 참조 곡선면의 대응하는 위치에 배치한다.
2D 경계 박스는 도 9에서 (a)에 도시된 바와 같이, 2D 파노라마 영상에 대해 설정된 2차원 박스로서, 3D CBCT 영상에서 해당 치아를 분할하기 위해서는 우선 2D 경계 박스를 3D CBCT 영상에 맞추어 배치할 필요가 있다. 2D 파노라마 영상이 상악 참조 곡선면과 하악 참조 곡선면에서 획득된 영상이므로, 2D 경계 박스 배치부(410)는 2D 경계 박스를 3D CBCT 영상의 상악 참조 곡선면과 하악 참조 곡선면 상의 대응하는 위치에 배치한다.
3D 대략 ROI 획득부(420)는 3D CBCT 영상의 상악 참조 곡선면과 하악 참조 곡선면 상의 대응하는 위치에 배치된 다수의 2D 경계 박스 각각에 대해 상악 참조 곡선면과 하악 참조 곡선면 법선 방향으로 기지정된 거리(예를 들면 10mm)만큼 확장된 영역을 추출하여 3D 대략 ROI를 획득한다. 3D CBCT 영상에서 개별 치아의 영역은 도 2의 (f)에 나타난 바와 같이, 3차원 구조를 가지므로, 3D 대략 ROI 획득부(420)는 2개의 참조 곡선면과 다수의 2D 경계 박스를 기반으로 다수의 치아가 개별적으로 포함되는 다수의 3D 대략 ROI를 획득한다. 이때 다수의 3D 대략 ROI 각각에는 인접한 치아가 일부 포함될 수 있다.
한편, 2D 치아 영역 배치부(430)는 2D 경계 박스 배치부(410)와 유사하게 3D CBCT 영상에서 다수의 2D 치아 영역 각각을 상악 참조 곡선면과 하악 참조 곡선면의 대응하는 위치에 배치한다. 2D 치아 영역 또한 도 9의 (a)에 도시된 바와 같이, 2D 파노라마 영상에 대해 설정된 2차원 박스이므로, 2D 치아 영역 배치부(430)는 3D CBCT 영상의 상악 참조 곡선면과 하악 참조 곡선면 상의 대응하는 위치에 다수의 2D 치아 영역 각각을 배치한다.
3D 정밀 ROI 획득부(440)는 3D CBCT 영상의 상악 참조 곡선면과 하악 참조 곡선면 상의 대응하는 위치에 배치된 다수의 2D 치아 영역 각각에 대해 상악 참조 곡선면과 하악 참조 곡선면 법선 방향으로 기지정된 거리(예를 들면 10mm)만큼 확장된 영역을 추출하여 도 9의 (d)에 도시된 바와 같이 3D 정밀 ROI를 획득한다. 이때 3D 정밀 ROI 획득부(440)는 참조 곡선면 법선 방향에서 3D 대략 ROI 획득부(420)와 동일한 거리로 확장된 영역을 추출하여 3D 정밀 ROI를 획득할 수 있다.
이때 다수의 3D 정밀 ROI에는 도 9의 (d)와 같이 3D 대략 ROI와 달리 인접한 치아가 포함되지 않는다. 이는 2D 치아 영역이 이미 대응하는 치아에 해당하는 영역만을 검출한 결과이기 때문이다.
여기서 다수의 3D 대략 ROI와 다수의 3D 정밀 ROI 각각은 3D CBCT 영상에서 추출된 3D 패치 영상으로 볼 수 있다.
도 8에서 2D 경계 박스 배치부(410)와 2D 치아 영역 배치부(430)는 2D 경계 영역 배치부로 통합될 수 있다.
도 10은 도 1의 3D 치아 분할부의 동작을 설명하기 위한 도면이다.
도 10을 참조하면, 3D 치아 분할부(500)는 미리 학습된 인공 신경망을 포함하여 구성되며, 인공 신경망은 다수의 3D 대략 ROI와 다수의 3D 정밀 ROI 중 동일한 개별 치아에 대해 획득된 대응하는 3D 대략 ROI와 3D 정밀 ROI가 결합(concatenate)된 결합 ROI를 인가받고, 학습된 방식에 따라 신경망 연산하여 결합 ROI에서 해당 치아에 해당하는 픽셀을 구분하여 3D 치아 영역을 분할할 수 있다. 즉 3D CBCT 영상에 대응하는 3D 공간 상에서 다수의 치아 각각을 개별적으로 분할할 수 있다. 그리고 3D 치아 분할부(500)는 분할된 3D 치아 영역 각각에 대해 대응하는 치아 식별자를 부여하여 개별 치아가 식별되도록 할 수 있다.
그리고 3D 치아 분할부(500)는 도 2의 (h)에 도시된 바와 같이, 분할된 다수의 치아 각각을 3D CBCT 영상에 표시함으로 시각화를 수행할 수도 있다.
본 실시예에서 3D 치아 분할부(500)가 3D 대략 ROI와 3D 정밀 ROI를 모두 인가받는 것은 개별 치아를 정확하게 분할할 수 있도록 하기 위함이다. 만일 3D 대략 ROI만을 이용하여 치아를 분할하는 경우, 3D 대략 ROI에 함께 포함된 인접 치아의 영향으로 개별 치아를 정확하게 분할하기 어려울 뿐만 아니라, 추후 이를 3D CBCT 영상에 적용하여 시각화하는 경우에 중첩 영역 발생 등으로 인해 추가적인 작업이 요구될 수 있다. 그에 반해 3D 정밀 ROI만을 이용하여 치아를 분할하는 경우, 2D 치아 영역의 오차로 인해 해당 치아의 실제 영역이 일부 누락되는 경우가 발생할 수 있으며, 이는 인접한 치아가 포함되는 3D 대략 ROI 보다 오히려 낮은 정확도로 치아를 분할할 수 있다는 문제가 있다. 본 발명에서는 이러한 문제가 발생되지 않도록 3D 대략 ROI와 3D 정밀 ROI를 모두 인가받아 치아를 식별하도록 함으로써, 정확하게 치아를 분할할 수 있다.
도 11은 본 발명의 일 실시예에 따른 치아 자동 식별 분할 방법을 나타낸다.
도 1 내지 도 10을 참조하여, 도 11의 치아 자동 식별 분할 방법을 설명하면, 우선 턱 부근에 대해 촬영된 치과용 3D CBCT 영상을 획득한다(S10). 그리고 획득된 3D CBCT 영상으로부터 상악과 하악으로 구분된 다수의 치아가 전면 방향에서 일렬로 펼쳐진 형태의 2개의 2D 파노라마 영상을 획득한다(S20).
2D 파노라마 영상을 획득하는 단계(S20)에서는 3D CBCT 영상을 상악 영역과 하악 영역으로 구분하고 얼굴의 상하 방향, 즉 종방향으로 투사하여 상악 2D 영상과 하악 2D 영상의 2개의 2D 영상을 획득한다. 2D 영상을 획득하는 단계는 먼저 3D CBCT 영상을 이진화하여 3D 이진 CBCT 영상을 생성한다(S21). 이때, 이진화 하기 이전에 3D CBCT 영상을 복셀화하고 이후 이진화를 수행할 수도 있다.
그리고 CCL 기법과 같은 공지된 기술을 이용하여 3D 이진 CBCT 영상에서 상악 CBCT 영상과 하악 CBCT 영상을 분할하여 획득한다(S22). 상악 CBCT 영상과 하악 CBCT 영상이 획득되면, 상악 CBCT 영상과 하악 CBCT 영상을 이진 마스크로 이용하여 3D CBCT 영상을 이진 필터링함으로써, 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상을 획득한다(S23). 그리고 획득된 상악 그레이 스케일 영상 및 하악 그레이 스케일 영상 각각을 종방향으로 최대 강도 투사(MIP)함으로서 2D 상악 영상 및 2D 하악 영상의 2개의 2D 영상을 획득한다(S24).
이후 2D 상악 영상 및 2D 하악 영상 각각을 다시 이진화하고, 형태학적 닫힘(morphological closing) 기법을 적용하여 치아 배치 구조 형상에 따른 악궁이 나타나는 2D 상악궁 영상 및 2D 하악궁 영상을 획득한다(S25). 그리고 2D 상악궁 영상 및 2D 하악궁 영상 각각에 대해 형태학적 골격화 기법을 적용하여, 각 치아의 중심을 나타내는 중심축을 획득하고, 2D 상악궁 영상 및 2D 하악궁 영상 각각에서 개별 치아의 중심축을 통과하는 2개의 참조 곡선을 기지정된 방식에 따라 추출하여 획득한다(S26). 상악에 대한 상악 참조 곡선과 하악에 대한 하악 참조 곡선이 획득되면, 상악 그레이 스케일 영상과 하악 그레이 스케일 영상 각각에서 상악 참조 곡선과 하악 참조 곡선에 대응하는 상악 참조 곡선면과 하악 참조 곡선면 각각의 법선 방향 픽셀값들을 합산하고 펼쳐서 상악 2D 파노라마 영상과 하악 2D 파노라마 영상을 생성한다(S27).
상악 2D 파노라마 영상과 하악 2D 파노라마 영상으로 2개의 2D 파노라마 영상이 획득되면, 2개의 2D 파노라마 영상 각각에서 개별 치아를 식별하고 분할한다(S30).
개별 치아를 식별하고 분할하는 단계(S30)에서는 우선 미리 학습된 인공 신경망을 이용하여, 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 형태 및 클래스를 추정함으로써, 2D 파노라마 영상에서 각 치아의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스 및 해당 치아의 클래스를 획득한다(S31). 이때 획득된 각 치아의 중심 위치와 클래스를 기반으로 각 치아의 식별자를 부여함으로써, 다수의 치아를 식별할 수 있다.
그리고 2개의 2D 파노라마 영상 각각에서 개별 치아에 따라 획득된 다수의 2D 경계 박스 각각에 대응하는 영역을 추출하여 다수의 2D 패치를 획득한다(S32). 다수의 2D 패치가 획득되면, 미리 학습된 인공 신경망을 이용하여 각 2D 패치 내에서 치아에 해당하는 영역의 픽셀들을 구분함으로써 2D 치아 영역을 분할한다(S33).
한편, 개별 치아가 식별되고 2D 경계 박스에 따라 2D 치아 영역이 분할되면, 3D CBCT 영상에서 개별 치아 영역을 분할하기 위한 다수의 ROI를 획득한다(S40).
다수의 ROI를 획득하는 단계(S40)에서는 우선 3D CBCT 영상에서 상악 참조 곡선면과 하악 참조 곡선면의 위치를 확인하고, 확인된 상악 참조 곡선면과 하악 참조 곡선면에 다수의 2D 경계 박스 각각을 배치한다(S41). 그리고 배치된 다수의 2D 경계 박스 각각에 대해 상악 참조 곡선면과 하악 참조 곡선면 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 다수의 3D 대략 ROI를 획득한다(S42). 한편, 확인된 상악 참조 곡선면과 하악 참조 곡선면에 다수의 2D 치아 영역 각각을 배치한다(S43). 그리고 배치된 다수의 2D 치아 영역 각각에 대해 상악 참조 곡선면과 하악 참조 곡선면 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 다수의 3D 정밀 ROI를 획득한다(S44). 여기서는 설명의 편의를 위하여 2D 경계 박스 배치 단계(S41)와 대략 ROI 획득 단계(S42) 이후에 2D 치아 영역 배치 단계(S43)와 정밀 ROI 획득 단계(S44)가 순차적으로 수행되는 것으로 도시하였으나, 2D 치아 영역 배치 단계(S43)와 정밀 ROI 획득 단계(S44)는 2D 경계 박스 배치 단계(S41)와 대략 ROI 획득 단계(S42)와 병렬로 수행될 수 있다.
한편, 다수의 3D 대략 ROI와 다수의 3D 정밀 ROI가 획득되면, 획득된 다수의 3D 대략 ROI와 다수의 3D 정밀 ROI를 결합하여 결합 ROI를 획득하고, 결합 ROI를 미리 학습된 인공 신경망의 입력으로 인가함으로써, 3D CBCT 영상에서 다수의 치아 각각을 개별적으로 식별하고 분할한 3D 치아 영역을 획득할 수 있다(S50).
본 발명에 따른 방법은 컴퓨터에서 실행시키기 위한 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 여기서 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 또한 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함하며, ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: CBCT 영상 획득부 200: 파노라마 영상 획득부
210: 2D 영상 변환부 211: 이진 영상 생성부
212: 이진 영상 분할부 213: 그레이 스케일 변환부
214: 2D 영상 획득부 220: 치아 영역 추출부
230: 참조 곡선 획득부 240: 파노라마 영상 생성부
300: 2D 치아 분할부 310: 치아 추정부
320: 치아 식별자 부여부 330: 2D 패치 획득부
340: 2D 치아 영역 분할부 400: 3D ROI 검출부
410: 2D 경계 박스 배치부 420: 3D 대략 ROI 획득부
430: 2D 치아 영역 배치부 430: 3D 정밀 ROI 획득부
500: 3D 치아 분할부

Claims (16)

  1. 치과용 3D CBCT(Cone Beam CT) 영상을 인가받아 상기 3D CBCT 영상에서 상악 영역과 하악 영역을 분할하고, 분할된 상악 영역과 하악 영역 각각에서 치아 배치 구조 형상을 나타내는 참조 곡선을 획득하여 참조 곡선에 대응하는 2개의 2D 파노라마 영상을 획득하는 파노라마 영상 획득부;
    미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하고 해당 치아의 식별자를 부여하며, 상기 2개의 2D 파노라마 영상 각각에서 다수의 2D 경계 박스에 따라 획득되는 다수의 2D 패치 내에서 2D 치아 영역을 분할하여 획득하는 2D 치아 분할부;
    상기 3D CBCT 영상에서 상기 다수의 2D 경계 박스에 각각 대응하는 3D 영역인 다수의 3D 대략 ROI와 상기 다수의 2D 치아 영역에 각각 대응하는 3D 영역인 다수의 3D 정밀 ROI를 추출하는 3D ROI 검출부; 및
    상기 다수의 3D 대략 ROI와 상기 다수의 3D 정밀 ROI 중 서로 대응하는 ROI를 결합하여 다수의 결합 ROI를 획득하고, 미리 학습된 인공 신경망을 이용하여 상기 다수의 결합 ROI 내에서 3D 치아 영역을 검출하여 치아 분할을 수행하는 3D 치아 분할부를 포함하는 치아 자동 식별 분할 장치.
  2. 제1항에 있어서, 상기 파노라마 영상 획득부는
    상기 3D CBCT 영상을 상악 영역과 하악 영역으로 분할하여 2개의 3D 그레이 스케일 영상을 획득하며, 2개의 3D 그레이 스케일 영상 각각을 얼굴 상하 방향인 종방향으로 투사하여 2개의 2D 영상을 획득하는 2D 영상 변환부;
    상기 2개의 2D 영상 각각을 이진화하고, 이진화된 2개의 2D 영상 각각에서 기지정된 방식으로 치아 영역을 검출하는 치아 영역 추출부;
    이진화된 2개의 2D 영상 각각에서 검출된 치아 영역에서 각 치아의 중심축을 통과하는 곡선을 추출하여 2개의 참조 곡선을 획득하는 참조 곡선 획득부; 및
    상기 2개의 3D 그레이 스케일 영상 각각에 대응하는 참조 곡선을 종방향으로 연장하여 2개의 참조 곡선면을 설정하고, 상기 2개의 참조 곡선면 각각에서 법선 방향의 픽셀들의 픽셀값을 합산하여 상기 2개의 참조 곡선면에 투사하여 상기 2개의 2D 파노라마 영상을 생성하는 파노라마 영상 생성부를 포함하는 치아 자동 식별 분할 장치.
  3. 제2항에 있어서, 상기 2D 영상 변환부는
    상기 3D CBCT 영상을 치아의 강도에 따라 설정된 문턱값에 기반하여 이진화하여 3D 이진 CBCT 영상을 획득하는 이진 영상 생성부;
    연결요소 레이블링(connected component labeling) 기법에 따라 상기 3D 이진 CBCT 영상에서 연결요소들을 검출하고, 검출된 연결요소들 중 가장 큰 크기를 갖는 2개의 요소를 선택하며, 상기 3D 이진 CBCT 영상에서 선택된 2개의 요소가 포함된 영역을 구분하여 상악 이진 CBCT 영상과 하악 이진 CBCT 영상으로 분할하는 이진 영상 분할부;
    상기 상악 이진 CBCT 영상과 상기 하악 이진 CBCT 영상 각각을 상기 3D CBCT 영상의 대응하는 영역과 원소곱하여 상기 2개의 3D 그레이 스케일 영상을 획득하는 그레이 스케일 변환부; 및
    상기 2개의 3D 그레이 스케일 영상 각각에 대해 종방항에서 최대 강도 투사를 적용하여 상기 2개의 2D 영상인 2D 상악 영상 및 2D 하악 영상을 획득하는 2D 영상 획득부를 포함하는 치아 자동 식별 분할 장치.
  4. 제2항에 있어서, 상기 치아 영역 추출부는
    이진화된 2개의 2D 영상 각각에 대해 형태학적 닫힘(morphological closing) 기법을 적용하여 치아의 배치 구조 형상에 따른 악궁(dental arch)이 나타나도록 치아 영역을 검출하는 치아 자동 식별 분할 장치.
  5. 제4항에 있어서, 상기 참조 곡선 획득부는
    2개의 2D 영상 각각에서 검출된 치아 영역에 대해 형태학적 골격화(morphological skeletonization) 기법을 적용하여 각 치아의 중심축 위치를 판별하고, 다수의 치아에서 판별된 중심축을 통과하는 곡선을 검출하여 상기 참조 곡선으로 획득하는 치아 자동 식별 분할 장치.
  6. 제1항에 있어서, 상기 2D 치아 분할부는
    미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하며, 각 치아의 클래스를 분류하는 치아 추정부;
    각 치아의 클래스와 각 치아의 중심 위치를 기반으로 상기 2개의 2D 파노라마 영상 각각에 포함된 다수의 영상의 식별자를 부여하는 치아 식별자 부여부;
    상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대응하는 다수의 2D 경계 박스에 해당하는 영역을 추출하여 상기 다수의 2D 패치를 추출하는 2D 패치 획득부; 및
    미리 학습된 인공 신경망으로 구현되어 상기 다수의 2D 패치 각각에서 치아 영역을 픽셀 단위로 구분하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대한 2D 치아 영역을 분할하는 2D 치아 영역 분할부를 포함하는 치아 자동 식별 분할 장치.
  7. 제2항에 있어서, 상기 3D ROI 검출부는
    상기 3D CBCT 영상에서 상기 2개의 참조 곡선면인 상악 참조 곡선면과 하악 참조 곡선면의 위치를 확인하고, 확인된 상기 상악 참조 곡선면과 상기 하악 참조 곡선면에 다수의 2D 경계 박스와 다수의 2D 치아 영역을 각각 배치하는 2D 경계 박스 배치부;
    상기 다수의 2D 경계 박스 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 대략 ROI를 획득하는 3D 대략 ROI 획득부; 및
    상기 다수의 2D 치아 영역 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 정밀 ROI를 획득하는 3D 대략 ROI 획득부를 포함하는 치아 자동 식별 분할 장치.
  8. 제2항에 있어서, 상기 3D 치아 분할부는
    다수의 치아 각각에 대해 검출된 다수의 3D 치아 영역을 상기 3D CBCT 영상에 표시하여 시각화하는 치아 자동 식별 분할 장치.
  9. 치과용 3D CBCT 영상에서 다수의 치아 각각을 식별하고 각 치아 영역을 분할하는 자동 식별 분할 장치의 치아 자동 식별 분할 방법에 있어서,
    상기 3D CBCT 영상에서 상악 영역과 하악 영역을 분할하고, 분할된 상악 영역과 하악 영역 각각에서 치아 배치 구조 형상을 나타내는 참조 곡선을 획득하여 참조 곡선에 대응하는 2개의 2D 파노라마 영상을 획득하는 단계;
    미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하고 해당 치아의 식별자를 부여하며, 상기 2개의 2D 파노라마 영상 각각에서 다수의 2D 경계 박스에 따라 획득되는 다수의 2D 패치 내에서 2D 치아 영역을 분할하여 획득하는 단계;
    상기 3D CBCT 영상에서 상기 다수의 2D 경계 박스에 각각 대응하는 3D 영역인 다수의 3D 대략 ROI와 상기 다수의 2D 치아 영역에 각각 대응하는 3D 영역인 다수의 3D 정밀 ROI를 추출하는 단계; 및
    상기 다수의 3D 대략 ROI와 상기 다수의 3D 정밀 ROI 중 서로 대응하는 ROI를 결합하여 다수의 결합 ROI를 획득하고, 미리 학습된 인공 신경망을 이용하여 상기 다수의 결합 ROI 내에서 3D 치아 영역을 검출하여 치아 분할을 수행하는 단계를 포함하는 치아 자동 식별 분할 방법.
  10. 제9항에 있어서, 상기 2D 파노라마 영상을 획득하는 단계는
    상기 3D CBCT 영상을 상악 영역과 하악 영역으로 분할하여 2개의 3D 그레이 스케일 영상을 획득하며, 2개의 3D 그레이 스케일 영상 각각을 얼굴 상하 방향인 종방향으로 투사하여 2개의 2D 영상을 획득하는 단계;
    상기 2개의 2D 영상 각각을 이진화하고, 이진화된 2개의 2D 영상 각각에서 기지정된 방식으로 치아 영역을 검출하는 단계;
    이진화된 2개의 2D 영상 각각에서 검출된 치아 영역에서 각 치아의 중심축을 통과하는 곡선을 추출하여 2개의 참조 곡선을 획득하는 단계; 및
    상기 2개의 3D 그레이 스케일 영상 각각에 대응하는 참조 곡선을 종방향으로 연장하여 2개의 참조 곡선면을 설정하고, 상기 2개의 참조 곡선면 각각에서 법선 방향의 픽셀들의 픽셀값을 합산하여 상기 2개의 참조 곡선면에 투사하여 상기 2개의 2D 파노라마 영상을 생성하는 단계를 포함하는 치아 자동 식별 분할 방법.
  11. 제10항에 있어서, 상기 2D 영상을 획득하는 단계는
    상기 3D CBCT 영상을 치아의 강도에 따라 설정된 문턱값에 기반하여 이진화하여 3D 이진 CBCT 영상을 획득하는 단계;
    연결요소 레이블링 기법에 따라 상기 3D 이진 CBCT 영상에서 연결요소들을 검출하고, 검출된 연결요소들 중 가장 큰 크기를 갖는 2개의 요소를 선택하며, 상기 3D 이진 CBCT 영상에서 선택된 2개의 요소가 포함된 영역을 구분하여 상악 이진 CBCT 영상과 하악 이진 CBCT 영상으로 분할하는 단계;
    상기 상악 이진 CBCT 영상과 상기 하악 이진 CBCT 영상 각각을 상기 3D CBCT 영상의 대응하는 영역과 원소곱하여 상기 2개의 3D 그레이 스케일 영상을 획득하는 단계; 및
    상기 2개의 3D 그레이 스케일 영상 각각에 대해 종방항에서 최대 강도 투사를 적용하여 상기 2개의 2D 영상인 2D 상악 영상 및 2D 하악 영상을 획득하는 단계를 포함하는 치아 자동 식별 분할 방법.
  12. 제11항에 있어서, 상기 치아 영역을 검출하는 단계는
    이진화된 2개의 2D 영상 각각에 대해 형태학적 닫힘 기법을 적용하여 치아의 배치 구조 형상에 따른 악궁이 나타나도록 치아 영역을 검출하는 치아 자동 식별 분할 방법.
  13. 제12항에 있어서, 상기 참조 곡선을 획득하는 단계는
    2개의 2D 영상 각각에서 검출된 치아 영역에 대해 형태학적 골격화 기법을 적용하여 각 치아의 중심축 위치를 판별하는 단계; 및
    다수의 치아에서 판별된 중심축을 통과하는 곡선을 검출하여 상기 참조 곡선으로 획득하는 단계를 포함하는 치아 자동 식별 분할 방법.
  14. 제9항에 있어서, 상기 2D 치아 영역을 분할하여 획득하는 단계는
    미리 학습된 인공 신경망을 이용하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각의 중심 위치와 해당 치아가 포함된 영역을 나타내는 2D 경계 박스를 획득하며, 각 치아의 클래스를 분류하는 단계;
    각 치아의 클래스와 각 치아의 중심 위치를 기반으로 상기 2개의 2D 파노라마 영상 각각에 포함된 다수의 영상의 식별자를 부여하는 단계;
    상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대응하는 다수의 2D 경계 박스에 해당하는 영역을 추출하여 상기 다수의 2D 패치를 추출하는 단계; 및
    미리 학습된 인공 신경망을 이용하여 상기 다수의 2D 패치 각각에서 치아 영역을 픽셀 단위로 구분하여 상기 2개의 2D 파노라마 영상 각각에서 다수의 치아 각각에 대한 2D 치아 영역을 분할하는 단계를 포함하는 치아 자동 식별 분할 방법.
  15. 제10항에 있어서, 상기 ROI를 추출하는 단계는
    상기 3D CBCT 영상에서 상기 2개의 참조 곡선면인 상악 참조 곡선면과 하악 참조 곡선면의 위치를 확인하고, 확인된 상기 상악 참조 곡선면과 상기 하악 참조 곡선면에 다수의 2D 경계 박스와 다수의 2D 치아 영역을 각각 배치하는 단계;
    상기 다수의 2D 경계 박스 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 대략 ROI를 획득하는 단계; 및
    상기 다수의 2D 치아 영역 각각에 대해 상기 상악 참조 곡선면 및 상기 하악 참조 곡선면의 법선 방향으로 기지정된 거리만큼 확장된 영역을 추출하여 상기 다수의 3D 정밀 ROI를 획득하는 단계를 포함하는 치아 자동 식별 분할 방법.
  16. 제10항에 있어서, 상기 치아 자동 식별 분할 방법은
    상기 치아 분할을 수행하는 단계 이후, 다수의 치아 각각에 대해 검출된 다수의 3D 치아 영역을 상기 3D CBCT 영상에 표시하여 시각화하는 단계를 더 포함하는 치아 자동 식별 분할 방법.
KR1020210112125A 2021-08-25 2021-08-25 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법 KR20230030197A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210112125A KR20230030197A (ko) 2021-08-25 2021-08-25 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210112125A KR20230030197A (ko) 2021-08-25 2021-08-25 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20230030197A true KR20230030197A (ko) 2023-03-06

Family

ID=85509707

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210112125A KR20230030197A (ko) 2021-08-25 2021-08-25 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20230030197A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102672173B1 (ko) * 2023-04-14 2024-06-07 주식회사 오비젠 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176490B1 (ko) 2018-08-24 2020-11-10 이재우 구강 상태 진단, 예측 또는 관리를 위한 치아영상의 분할 및 처리 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176490B1 (ko) 2018-08-24 2020-11-10 이재우 구강 상태 진단, 예측 또는 관리를 위한 치아영상의 분할 및 처리 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102672173B1 (ko) * 2023-04-14 2024-06-07 주식회사 오비젠 인공지능 기반의 치아 간 인접면 충치 감별 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11464467B2 (en) Automated tooth localization, enumeration, and diagnostic system and method
US20240169571A1 (en) Artifact identification and removal from intraoral scans
US11896455B2 (en) Method and system for braces removal from dentition mesh
JP7386215B2 (ja) 歯列メッシュ矯正具除去のための方法および装置
CN107427189B (zh) 口内图像的自动选择和锁定
US11443423B2 (en) System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex
US11961238B2 (en) Tooth segmentation using tooth registration
EP2742857A1 (en) Integration of intra-oral imagery and volumetric imagery
JP2019524367A (ja) ハイブリッドメッシュセグメンテーションのための方法及びシステム
US20220084267A1 (en) Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports
US20220148263A1 (en) System and method for generating digital three-dimensional dental models
US11250580B2 (en) Method, system and computer readable storage media for registering intraoral measurements
US20190090993A1 (en) Method and device for determining dental plaque
US20220012888A1 (en) Methods and system for autonomous volumetric dental image segmentation
EP4074259A1 (en) Method and apparatus for automatically detecting feature points of three-dimensional medical image data by using deep learning
US20230206451A1 (en) Method for automatic segmentation of a dental arch
CN112515787A (zh) 一种三维牙颌数据分析方法
US20220361992A1 (en) System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning
KR20230030197A (ko) 치과용 cbct에서 개별 치아 자동 식별 분할 장치 및 방법
KR102255592B1 (ko) 마진 라인의 정밀도 향상을 위한 치과용 ct 영상 처리 방법
US20220358740A1 (en) System and Method for Alignment of Volumetric and Surface Scan Images
CN114972360A (zh) 牙齿的计算机断层扫描图像的分割方法
CN117058309B (zh) 一种基于口腔成像的图像生成方法及系统
US20230051400A1 (en) System and Method for Fusion of Volumetric and Surface Scan Images
Choi et al. Automatic detection of inferior alveolar nerve canal from cone-beam computed tomography images for dental surgery planning