WO2023045734A1 - 基于x线头影图像确定发育阶段的方法 - Google Patents
基于x线头影图像确定发育阶段的方法 Download PDFInfo
- Publication number
- WO2023045734A1 WO2023045734A1 PCT/CN2022/116718 CN2022116718W WO2023045734A1 WO 2023045734 A1 WO2023045734 A1 WO 2023045734A1 CN 2022116718 W CN2022116718 W CN 2022116718W WO 2023045734 A1 WO2023045734 A1 WO 2023045734A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- images
- vertebral bodies
- neural network
- artificial neural
- ray
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011161 development Methods 0.000 title abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 210000001331 nose Anatomy 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000000994 depressogenic effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Definitions
- the upper edge of the C2 vertebra is difficult to mark, so the mask image of the C2 vertebra can be the lower half of the C2 vertebra.
- the developmental stage is determined based on the mask map and the overall image of each vertebral body by using the trained artificial neural network for developmental stages.
- the method for determining the developmental stage based on the X-ray cephalometric image of the present application greatly improves the efficiency and the consistency of the results, and can accurately predict the transitional stage.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请的一方面提供了一种计算机执行的基于X线头影图像确定发育阶段的方法,它包括:获取X线头影图像;利用经训练的目标检测人工神经网络在所述X线头影图像中找出多个椎体;利用经训练的关键点检测人工神经网络对所述多个椎体的图像进行密集关键点检测,并基于检测到的相应关键点分别为所述多个椎体产生掩码图;以及利用经训练的发育分期人工神经网络,基于所述掩码图以及所述多个椎体的整体图像,确定发育阶段。
Description
本申请总体上涉及基于X线头影图像确定发育阶段的方法。
在口腔正畸的临床实践中,尤其是针对处于发育期的青少年或儿童,需要根据患者所处的生长发育阶段有针对性地设计矫正方案。一种常用的方法是根据颈椎骨骨龄来确定患者所处的生长发育阶段。
在具体实践中,一般是根据侧位片中颈椎椎骨的形态判断所处的生长发育阶段,例如,根据5个(C2~C6)颈椎椎体的体积和形状的变化,将生长发育过程分为CVS1~CVS6六个阶段。
目前,通常是人工观察侧位片中颈椎椎骨的形态并判断患者所处的生长发育阶段。然而,一方面,这种方法的诊断结果受操作人员的主观性影响比较大;另一方面,由于颈椎发育过程中存在着过渡形态,人工很难对过渡形态进行准确的判断;又一方面,要掌握这种方法往往需要大量的学习与训练,这提高了相关人员的培养成本。
虽然,已经有人开始尝试量化诊断标准,如计算椎体下缘凹陷度,椎体前后缘比例等,并根据量化的指标建立颈椎骨龄的方程。但此类方法需要专业人员标注椎体的特征点,然后根据椎体特征点计算量化后的特征,最后再根据这些特征计算获得颈椎的骨龄。这种方法不仅繁琐,而且本申请的发明人还发现诊断标准中的部分定性的描述很难被量化,这增加了该方法实现的难度,此外,此类骨龄分期方法仅利用了图像底层特征,鲁棒性较差,只适用于部分特定的场景。
鉴于以上,有必要提供一种新的基于X线头影图像确定发育阶段的方法。
发明内容
本申请的一方面提供了一种计算机执行的基于X线头影图像确定发育阶段的方法,它包括:获取X线头影图像;利用经训练的目标检测人工神经网络在所述X线头影图像中找出多个椎体;利用经训练的关键点检测人工神经网络对所述多个椎体的图像进行密集关键点检测,并基于检测到的相应关键点分别为所述多个椎体产生掩码图;以及利用经训练的发育分期人工神经网络,基于所述掩码图以及所述多个椎体的整体图像,确定发育阶段。
在一些实施方式中,所述计算机执行的基于X线头影图像确定发育阶段的方法还包括:利用所述经训练的目标检测人工神经网络在所述X线头影图像中找出所述多个椎体的同时,找出至少一个辅助对象;基于所述辅助对象矫正所述X线头影图像的方向;以及基于所述多个椎体在所述矫正方向后的X线头影图像中的位置关系确定它们的类别。
在一些实施方式中,所述X线头影图像的方向矫正是基于所述辅助对象的生理形态和/或相对位置关系。
在一些实施方式中,所述辅助对象包括鼻子和牙齿。
在一些实施方式中,所述多个椎体包括C2~C4椎体。
在一些实施方式中,所述关键点检测人工神经网络包括用于检测C2椎体图像的关键点的C2椎体关键点检测人工神经网络和用于检测其他椎体图像的关键点的非C2椎体关键点检测人工神经网络。
在一些实施方式中,所述目标检测人工神经网络是以下之一:YOLOv5网络、Single Shot Detection网络以及Faster R-CNN。
在一些实施方式中,所述关键点检测人工神经网络是以下之一:High-Resolution Net以及Hourglass Net。
在一些实施方式中,所述发育分期网络是以下之一:EfficientNet和ResNet。
在一些实施方式中,所述发育阶段被分为CVS1~CVS6六个阶段。
在一些实施方式中,所述发育分期人工神经网络能够输出表示介于两个相邻发育阶段之间的过渡发育阶段的结果。
在一些实施方式中,所述计算机执行的基于X线头影图像确定发育阶段的方法还包括:将所述多个椎体的整体图像与所述多个椎体的掩码图进行叠加,将叠加获得的图像作为所述发育分期人工神经网络的输入。
在一些实施方式中,所述叠加获得的图像包括多个通道,所述多个椎体的整体图像与所述多个椎体的掩码图的每一图像占用一个单独的通道。
以下将结合附图及其详细描述对本申请的上述及其他特征作进一步说明。应当理解的是,这些附图仅示出了根据本申请的若干示例性的实施方式,因此不应被视为是对本申请保护范围的限制。除非特别指出,附图不必是成比例的,并且其中类似的标号表示类似的部件。
图1为本申请一个实施例中的计算机执行的基于X线头影图像确定发育阶段的方法的示意性流程图;
图2展示了一个例子中的X线头影图像;
图3展示了一个例子中的C2椎体的关键点;
图4展示了一个例子中的非C2椎体的关键点;
图5A展示了一个例子中的各椎体的整体图像;
图5B展示了图5A所示例子中的C2椎体掩码图;
图5C展示了图5A所示例子中的C3椎体掩码图;以及
图5D展示了图5A所示例子中的C4椎体掩码图。
以下的详细描述中引用了构成本说明书一部分的附图。说明书和附图所提及的示意性实施方式仅仅出于是说明性之目的,并非意图限制本申请的保护范围。在本申请的启示下,本领域技术人员能够理解,可以采用许多其他的实施方式,并且可以对所描述实施方式做出各种改变,而不背离本申请的主旨和保护范围。应当理解的是,在此说明并图示的本申请的各个方面可以按照很多不同的配置来布置、替换、组合、分离和设计,这些不同配置都在本申请的保护范围之内。
本申请的一方面提供了一种计算机执行的基于X线头影图像确定发育阶段的方法。
在一个例子中,可以根据第2~4节颈椎椎体的形态将生长发育过程分为以下六个阶段。虽然以下实施例是基于该分期方式对本申请的方法进行说明,但可以理解,除了该分期方式之外,本申请的方法适用于任何其他基于锥体形态的分期方式。
CVS1:第2-4节颈椎椎体下边缘平坦,第3、4节椎体呈锥形。表明生长发育高峰期最快在此2年后出现。
CVS2:第2节颈椎椎体下边缘略凹陷,第3、4节椎体呈锥形。表明生长发育高峰期在此一年后出现。
CVS3:第2、3颈椎椎体下边缘凹陷,第3、4节椎体呈锥形或水平向呈长方形,表明此阶段出现生长发育高峰期。
CVS4:第2、3颈椎椎体下边缘凹陷,第3、4节椎体水平向呈长方形,表 明生长发育高峰期在此阶段结束或在此阶段前一年内已经结束。
CVS5:第2、3颈椎椎体下边缘凹陷,第3、4节椎体至少有一个呈正方形,表明生长发育高峰在此一年前已经结束。
CVS6:第2、3颈椎椎体下边缘凹陷,第3、4节椎体至少有一个垂直向呈长方形,表明生长发育高峰在此两年前已经结束。
请参图1,为本申请一个实施例中的计算机执行的基于X线头影图像确定发育阶段的方法100的示意性流程图。
在101中,获取X线头影图像。
X线头影图像的拍摄为习知技术,故此处不再对其进行详细描述。
请参图2,展示了一张X线头影图像。
在103中,利用经训练的目标检测人工神经网络找到所述X线头影图像中的相关对象。
在一个实施例中,可以用矩形框包围一个对象,以确定该对象在所述X线头影图像中的范围和位置。
请再参图2,其中,包围各椎体、鼻子以及牙齿的矩形框就是目标检测人工神经网络所找到的各对象所对应的区域(或称为“目标区域”)。也就是说,所述经训练的目标检测人工神经网络检测并定位椎体、鼻子以及牙齿这些目标区域,输出这些目标区域的位置信息,并根据该等位置信息裁剪出各个目标区域,作为后续操作的输入。
其中,鼻子、牙齿目标区域的数量均为1,而椎体目标区域的数量不固定,具体为从C2开始至图片底部的所有椎体。
其中,检测鼻子以及牙齿目标区域是为了下一步对输入的X线头影图像进行方向矫正。在本申请的启示下,可以理解,若所有X线头影图像朝向一致,那 么,在该操作中仅需要检测椎体目标区域,而无需检测鼻子和牙齿目标区域。在本申请的启示下,可以理解,除了鼻子和牙齿目标区域之外,还可以通过其他目标区域对X线头影图像进行方向矫正,例如,眼睛和嘴巴等。以下,将用于矫正X线头影图像方向的目标区域称为辅助目标区域,将这些对象称为辅助对象。
在一个优选的实施例中,目标检测人工神经网络可以采用YOLOv5网络,它具有计算速度快且精度高的优势。在本申请的启示下,可以理解,目标检测人工神经网络也可以采用任何其他适用的网络,例如,Single Shot Detection网络(简称“SSD网络”)以及Faster R-CNN网络等。
在105中,基于所述检测到的辅助对象对所述X线头影图像进行方向矫正,并基于方向矫正后的X线头影图像中各椎体之间的相对位置关系确定其所对应的椎体类别。
在一个实施例中,根据鼻子和牙齿的生理特点和相对位置,可以确定所述X线头影图像中人脸的朝向。若该朝向与预定朝向不一致,可以对X线头影图像进行上下翻转或左右翻转,使之与所述预定朝向一致。在一个实施例中,所述预定朝向可以是头颅在上脊椎在下,并且人脸朝向为右。可以理解,除了以上朝向之外,所述预定朝向也可以是其他朝向。
在矫正所述X线头影图像的方向之后,即可根据椎体的相对位置关系确定各椎体的类别,自上而下各椎体的类别依次是C2、C3、C4等,并根据它们的位置信息自所述X线头影图像裁剪出各椎体的图像,作为后续操作的输入。
在107中,利用经训练的关键点检测人工神经网络对所述裁剪出的椎体图像进行密集关键点检测。
在一个实施例中,根据不同椎体的生理特征,可以将椎体分为两类,C2椎体和非C2椎体(其中,非C2椎体包括C3、C4、C5等),针对C2椎体和非C2椎体分别训练不同的关键点检测人工神经网络。
在一个实施例中,可以根据以下方法建立关键点检测人工神经网络的训练集。
首先,由专业人员标注椎体的轮廓及显著的角点。请参图3,对于C2椎体,椎体上侧区域成像模糊且难以区分,因此,采样的轮廓为椎体的前缘和后缘的一部分以及完整的下缘,显著的角点为椎体下缘的两个端点lp、la。请参图4,对于非C2椎体,椎体近似为四边形且成像清晰,因此轮廓即为椎体的完整轮廓,显著的角点即为椎体的四个角点lp、la、up以及ua,其中,lp、la是椎体下缘的两个端点,up、ua是椎体上缘的两个端点。
接着,根据角点可以将椎体轮廓划分成不同的曲线。以C2椎体为例,根据角点椎体可被划分为前缘、下缘、后缘三个曲线,然后对各曲线进行一次样条拟合并根据拟合的样条曲线进行等间距采样,采样数目视而精度需求而定。在一个实施例中,C2椎体前缘、后缘、下缘的采样数目可以分别是8、9、10,共计采样27个关键点。非C2椎体前缘、后缘、上缘、下缘的采样数目可以均为10,共计采样40个关键点。
当获得足够数量标注了关键点的C2椎体和非C2椎体图像之后,就可以将其作为训练集,用于训练C2椎体和非C2椎体的关键点检测人工神经网络。
将所述裁剪出的椎体图像送入对应的关键点检测人工神经网络进行关键点检测,获得各关键点坐标。以C2椎体图像为例,与之对应的关键点检测人工神经网络需检测27个关键点,其基于所述裁剪出的C2椎体图像产生并输出27张热力图,每张热力图对应一个关键点。
完成各椎体图像的密集关键点检测之后,就可以基于检测到的关键点绘制各椎体的掩码图,它们代表了对应椎体的轮廓。
常规的关键点检测就是检测一些有意义的点,本申请的密集关键点检测是指从轮廓上采样多个点,将这些点连接起来就能得到轮廓线。
根据以上可知,在很多情况下,C2椎体上缘部分很难标注,故C2椎体的掩码图可以是C2椎体的下半部分。
在一个优选的实施例中,可以采用HRNet(High-Resolution Net)作为关键 点检测人工神经网络。在本申请的启示下,可以理解,关键点检测人工神经网络也可以采用任何其他适用的网络,例如,Hourglass Net等。
在109中,利用经训练的发育分期人工神经网络基于所述掩码图和所述各椎体的整体图像确定发育阶段。
在获得了各椎体在所述X线头影图像中的位置信息后,可以裁剪出这些椎体的整体图像。在一个实施例中,可以将所述掩码图与所述椎体的整体图像进行叠加,将叠加得到的图像作为所述发育分期人工神经网络的输入。在一个实施例中,所述掩码图与所述椎体的整体图像是按通道进行叠加,即所述叠加后的图像包括多个通道,每一通道对应一张对应的图像。掩码图的叠加相当于提供了各椎体的轮廓信息,使得发育分期人工神经网络能够更精确地确定各椎体的形态,进而更精确地确定所处发育阶段。请参图5A~图5D,分别为一个例子中待叠加的椎体的整体图像以及C2~C4椎体的掩码图。在该例子中,叠加后的图像包括4个通道。
考虑到各发育阶段之间存在过渡阶段,在一个实施例中,发育分期人工神经网络能够输出非整数结果,以表示处于过渡阶段。例如,预测结果1.2、1.5及1.7表示发育阶段介于CVS1和CVS2之间,预测结果2.6及2.3表示发育阶段介于CVS2和CVS3之间。
在一个优选的实施例中,发育分期人工神经网络可以采用EfficientNet网络,它具有计算速度快以及占用内存小的优势。在本申请的启示下,可以理解,发育分期人工神经网络也可以采用任何其他适用的网络,例如,ResNet网络等。
与现有技术相比,本申请的基于X线头影图像确定发育阶段的方法极大地提高了效率和结果的一致性,并且能够精确地预测过渡阶段。
尽管在此公开了本申请的多个方面和实施例,但在本申请的启发下,本申请的其他方面和实施例对于本领域技术人员而言也是显而易见的。在此公开的各个方面和实施例仅用于说明目的,而非限制目的。本申请的保护范围和主旨仅通过后附的权利要求书来确定。
同样,各个图表可以示出所公开的方法和系统的示例性架构或其他配置,其有助于理解可包含在所公开的方法和系统中的特征和功能。要求保护的内容并不限于所示的示例性架构或配置,而所希望的特征可以用各种替代架构和配置来实现。除此之外,对于流程图、功能性描述和方法权利要求,这里所给出的方框顺序不应限于以同样的顺序实施以执行所述功能的各种实施例,除非在上下文中明确指出。
除非另外明确指出,本文中所使用的术语和短语及其变体均应解释为开放式的,而不是限制性的。在一些实例中,诸如“一个或多个”、“至少”、“但不限于”这样的扩展性词汇和短语或者其他类似用语的出现不应理解为在可能没有这种扩展性用语的示例中意图或者需要表示缩窄的情况。
Claims (13)
- 一种计算机执行的基于X线头影图像确定发育阶段的方法,它包括:获取X线头影图像;利用经训练的目标检测人工神经网络在所述X线头影图像中找出多个椎体;利用经训练的关键点检测人工神经网络对所述多个椎体的图像进行密集关键点检测,并基于检测到的相应关键点分别为所述多个椎体产生掩码图;以及利用经训练的发育分期人工神经网络,基于所述掩码图以及所述多个椎体的整体图像,确定发育阶段。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,它还包括:利用所述经训练的目标检测人工神经网络在所述X线头影图像中找出所述多个椎体的同时,找出至少一个辅助对象;基于所述辅助对象矫正所述X线头影图像的方向;以及基于所述多个椎体在所述矫正方向后的X线头影图像中的位置关系确定它们的类别。
- 如权利要求2所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述X线头影图像的方向矫正是基于所述辅助对象的生理形态和/或相对位置关系。
- 如权利要求2所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述辅助对象包括鼻子和牙齿。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述多个椎体包括C2~C4椎体。
- 如权利要求5所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述关键点检测人工神经网络包括用于检测C2椎体图像的关 键点的C2椎体关键点检测人工神经网络和用于检测其他椎体图像的关键点的非C2椎体关键点检测人工神经网络。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述目标检测人工神经网络是以下之一:YOLOv5网络、Single Shot Detection网络以及Faster R-CNN。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述关键点检测人工神经网络是以下之一:High-Resolution Net以及Hourglass Net。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述发育分期网络是以下之一:EfficientNet和ResNet。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述发育阶段被分为CVS1~CVS6六个阶段。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述发育分期人工神经网络能够输出表示介于两个相邻发育阶段之间的过渡发育阶段的结果。
- 如权利要求1所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,它还包括:将所述多个椎体的整体图像与所述多个椎体的掩码图进行叠加,将叠加获得的图像作为所述发育分期人工神经网络的输入。
- 如权利要求12所述计算机执行的基于X线头影图像确定发育阶段的方法,其特征在于,所述叠加获得的图像包括多个通道,所述多个椎体的整体图像与所述多个椎体的掩码图的每一图像占用一个单独的通道。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123218.2 | 2021-09-24 | ||
CN202111123218.2A CN115861154A (zh) | 2021-09-24 | 2021-09-24 | 基于x线头影图像确定发育阶段的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023045734A1 true WO2023045734A1 (zh) | 2023-03-30 |
Family
ID=85653172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2022/116718 WO2023045734A1 (zh) | 2021-09-24 | 2022-09-02 | 基于x线头影图像确定发育阶段的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115861154A (zh) |
WO (1) | WO2023045734A1 (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895367A (zh) * | 2017-11-14 | 2018-04-10 | 中国科学院深圳先进技术研究院 | 一种骨龄识别方法、系统及电子设备 |
CN112754458A (zh) * | 2019-11-01 | 2021-05-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统及存储介质 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
-
2021
- 2021-09-24 CN CN202111123218.2A patent/CN115861154A/zh active Pending
-
2022
- 2022-09-02 WO PCT/CN2022/116718 patent/WO2023045734A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895367A (zh) * | 2017-11-14 | 2018-04-10 | 中国科学院深圳先进技术研究院 | 一种骨龄识别方法、系统及电子设备 |
CN112754458A (zh) * | 2019-11-01 | 2021-05-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统及存储介质 |
CN113205535A (zh) * | 2021-05-27 | 2021-08-03 | 青岛大学 | 一种x光片脊椎自动分割及标识方法 |
Non-Patent Citations (1)
Title |
---|
AMASYA HAKAN, YILDIRIM DERYA, AYDOGAN TURGAY, KEMALOGLU NAZAN, ORHAN KAAN: "Cervical vertebral maturation assessment on lateral cephalometric radiographs using artificial intelligence: comparison of machine learning classifier models", DENTO-MAXILLO-FACIAL RADIOLOGY, INT. ASS. DENTO-MAXILLO-FACIAL RADIOLOGY, GOTEBORG, SE, vol. 49, no. 5, 1 July 2020 (2020-07-01), SE , pages 20190441, XP093054386, ISSN: 0250-832X, DOI: 10.1259/dmfr.20190441 * |
Also Published As
Publication number | Publication date |
---|---|
CN115861154A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11564774B2 (en) | Method for monitoring an orthodontic treatment | |
KR101952887B1 (ko) | 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스 | |
Ghoneima et al. | Accuracy and reliability of landmark‐based, surface‐based and voxel‐based 3D cone‐beam computed tomography superimposition methods | |
US10417774B2 (en) | Method for monitoring an orthodontic treatment | |
US11246688B2 (en) | Method for monitoring dentition | |
Gordon et al. | An investigation into the accuracy and reliability of skull-photo superimposition in a South African sample | |
Poojya et al. | Palatal rugae patterns in edentulous cases, are they a reliable forensic marker? | |
Baysal et al. | Reproducibility and reliability of three-dimensional soft tissue landmark identification using three-dimensional stereophotogrammetry | |
KR102373500B1 (ko) | 딥러닝을 이용한 3차원 의료 영상 데이터의 특징점 자동 검출 방법 및 장치 | |
WO2022188547A1 (zh) | X线头影图像的关键点检测方法 | |
US20240016446A1 (en) | Method for automatically detecting landmark in three-dimensional dental scan data, and computer-readable recording medium with program for executing same in computer recorded thereon | |
TW200900042A (en) | Cephalogram image analysis method | |
Miloro et al. | Is there consistency in cephalometric landmark identification amongst oral and maxillofacial surgeons? | |
Yao et al. | Automatic localization of cephalometric landmarks based on convolutional neural network | |
CN115187606B (zh) | 一种青少年特发性脊柱侧凸pumc分型方法 | |
EP4382074A1 (en) | Method for deriving head measurement parameters for tooth correction diagnosis based on machine learning from three-dimensional cbct image captured at natural head position | |
Kimura et al. | Three-dimensional analyses of nasolabial forms and upper lip surface symmetry after primary lip repair in patients with complete unilateral cleft lip and palate | |
WO2023045734A1 (zh) | 基于x线头影图像确定发育阶段的方法 | |
Stephan et al. | Scientific estimation of the subject-to-camera distance from facial photographs for craniofacial superimposition | |
CN113017868B (zh) | 一种正畸前后头颅侧位片配准方法及设备 | |
KR102302249B1 (ko) | 영상처리와 cnn을 이용한 자동 3차원 세팔로메트리 장치 및 방법 | |
US20220156952A1 (en) | Dental image registration device and method | |
Kadam et al. | Prediction methods for soft tissue structures in forensic facial reconstruction: A review for reconstruction of nose, eyes, mouth and ears | |
THOMAS et al. | Three-dimensional facial shape archetypes for identification and diagnosis | |
Doan et al. | The accuracy (trueness and precision) of Bellus3DARC-7 and an in-vivo analysis of intra and inter-examiner reliability of digital and manual anthropometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22871784 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |