CN110211200B - 一种基于神经网络技术的牙弓线生成方法及其*** - Google Patents
一种基于神经网络技术的牙弓线生成方法及其*** Download PDFInfo
- Publication number
- CN110211200B CN110211200B CN201910325427.1A CN201910325427A CN110211200B CN 110211200 B CN110211200 B CN 110211200B CN 201910325427 A CN201910325427 A CN 201910325427A CN 110211200 B CN110211200 B CN 110211200B
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- tooth
- arch wire
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 49
- 210000002455 dental arch Anatomy 0.000 title claims abstract description 42
- 238000002591 computed tomography Methods 0.000 claims abstract description 54
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 210000001519 tissue Anatomy 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 18
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 230000011164 ossification Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 208000002925 dental caries Diseases 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000032724 odontogenesis Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
-
- 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
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20084—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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的牙弓线生成方法及其***,属于医学成像技术领域。所述方法包括步骤:获取待识别的CT扫描图像;通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点;根据所述关键点生成牙弓线。相比于手动生成牙弓线的方法,本发明所提供的方法速度更快,节约更多人力;相比于基于阈值分割的自动生成牙弓线的方法而言,本方法预测的牙弓线更加准确、鲁棒性更强。对于缺少牙齿的情况,本方法预测的牙弓线更加准确。
Description
技术领域
本发明涉及医学成像技术领域,尤其涉及的是一种基于神经网络技术的牙弓线生成方法及其***。
背景技术
牙弓线类似于经过每颗牙齿中心的二次曲线,但是受年龄、性别、牙齿发育状况甚至是CT(Computed Tomography,电子计算机断层扫描)扫描位置的影响,每个人牙弓线的差异较大,无法使用统一的模板或者曲线表示。
目前,常用牙弓线生成方法可以分为手动生成和自动生成。 手动生成方法就是医生在图像中选中关键点然后通过算法自动拟合成牙弓线。自动生成牙弓线方法通常是通过数字图像处理,通过计算机算法预测出牙弓线。
手动生成牙弓线虽然精确但是需要消耗医生较多的时间和精力,效率较低。自动生成牙弓线方法需要一定的临床经验设置阈值来分割牙齿区域和牙洞区域。除此之外,在不同CT扫描环境下需要设置不同的阈值,这导致程序不具有通用性。由于上述(现有)的牙弓线生成方法都是在定位牙洞的基础上预测牙弓线,因此,采用上述方法生成牙弓线,缺少牙齿会对最终的牙弓线的生成产生极大的影响。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于神经网络技术的牙弓线生成方法及其***,旨在解决现有技术中牙弓线生成耗时久,准确性差的问题。
本发明解决上述技术问题所采用的技术方案如下:
一种基于神经网络技术的牙弓线生成方法,其中,包括步骤:
获取待识别的CT扫描图像;
通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点;
根据所述关键点生成牙弓线。
所述基于神经网络技术的牙弓线生成方法,其中,所述神经网络技术为目标识别类卷积神经网络技术,具体为Fast-RCNN神经网络识别技术、Faster-RCNN神经网络识别技术、Mask-RCNN神经网络识别技术、YOLO神经网络识别技术和SSD神经网络识别技术中的任一种。
所述基于神经网络技术的牙弓线生成方法,其中,所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点,具体包括步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
对所述分割图像进行细化处理,得到细化后的曲线;
从所述曲线上提取牙齿的中心线关键点。
所述基于神经网络技术的牙弓线生成方法,其中,所述神经网络损失函数为:
其中,为神经网络测算得到的牙齿分割图,为人工标记的真实的牙齿分割图。
所述基于神经网络技术的牙弓线生成方法,其中,所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点,具体包括步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点。
所述基于神经网络技术的牙弓线生成方法,其中,所述步骤根据所述牙齿的中心线关键点生成牙弓线,具体包括:
根据所述牙齿的中心线关键点采用样条拟合生成牙弓线。
一种基于神经网络技术的牙弓线生成***,其中,包括:处理器,以及与所述处理器连接的存储器,
所述存储器存储有基于神经网络技术的牙弓线生成程序,所述基于神经网络技术的牙弓线生成正程序被所述处理器执行时实现以下步骤:
获取待识别的CT扫描图像;
通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点;
根据所述关键点生成牙弓线。
所述基于神经网络技术的牙弓线生成***,其中,所述基于神经网络技术的牙弓线生成程序被所述处理器执行时,还实现以下步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
对所述分割图像进行细化处理,得到细化后的曲线;
从所述曲线上提取牙齿的中心线关键点。
所述基于神经网络技术的牙弓线生成***,其中,所述神经网络损失函数为:
其中,为神经网络测算得到的牙齿分割图,为人工标记的真实的牙齿分割图。
基于神经网络技术的牙弓线生成***,其中,所述基于神经网络技术的牙弓线生成程序被所述处理器执行时,还实现以下步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点。
有益效果:通过借助深度神经网络识别技术,对CT扫描图像进行识别,得出牙齿的准确位置信息,根据所述信息拟合出牙弓线,相比于手动生成牙弓线的方法,本方法速度更快,节约更多人力;相比于基于阈值分割的自动生成牙弓线的方法而言,本方法预测的牙弓线更加准确、鲁棒性更强。对于缺少牙齿的情况,本方法预测的牙弓线更加准确。
附图说明
图1是本发明中基于神经网络技术的牙弓线生成方法较佳实施例的流程图。
图2是用于分割的神经网络结构示意图。
图3是Fast-RCNN目标检测示意图。
图4是本发明中基于神经网络技术的牙弓线生成***较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
请同时参阅图1-图4,本发明提供了一种基于神经网络技术的牙弓线生成方法的一些实施例。
如图1所示,本发明的基于神经网络技术的牙弓线生成方法,包括以下步骤:
S100、获取待识别的CT扫描图像。
具体地,利用目标图像采集设备采集待识别的目标图像,如采用CT扫描,得到CT扫描图像(Computed Tomography,电子计算机断层扫描),图像的获取可以是实时采集获取,也可以是在预先设置的存储设备中读取待识别的目标图像。
S200、通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点。
CT扫描图像经过训练的神经网络之后,直接识别出CT扫描图像中牙齿组织区域的牙齿的中心线关键点(控制点),所述控制点可以是部分或者全部牙齿的中心位置。由于在生成牙弓线时,牙齿部位的提取是提取牙弓线最重要的一步,只有从图像中提取准确的牙齿部位,才能保证所提取的牙弓线是准确的。所获取的CT扫描图像借助于深度神经网络识别技术,可更加准确地提取出牙齿的中心的坐标,从而保证了所提取的牙弓线的准确性。
其中,神经网络的训练过程为,首先通过人工在图像中标记牙齿中心的位置,然后设计回归任务的神经网络使得网络直接能够直接输出牙齿的中心点坐标。神经网络采用均方误差作为最小损失函数,采用梯度下降法优化损失函数。
神经网络技术按照其作用原理,可以将其分为用于分割的神经网络和用于识别定位的神经网络。牙齿部位提取是提取牙弓线最重要的一步,神经网络可以分别通过分割和识别两个途径达到提取牙齿的目的。
请参阅图2,是用于分割的神经网络结构示意图。作为举例,如图2所示,输入单幅大小为572*572*1的二维CT扫描图像。通过卷积和下采样提取特征,然后通过反卷积实现上采样,与此同时将通过短链接融合特征层,输出为388*388*1大小的二值分割图。其中,所涉及的卷积、下采样、反卷积以及短链接融合特征层均未现有技术,其具体操作实现过程在此不再赘述。
请参阅图3,其为Fast-RCNN目标检测示意图。例如输入一张图像,首先通过卷积提取目标对象的特征,然后在特征图中截取建议区域的特征,池化操作将截取的特征图变化为统一大小,最后通过全连接层对目标进行分类和回归,输出目标对象的类别和位置坐标。
用于识别的神经网络有Fast-RCNN,Faster-RCNN,Mask-RCNN,YOLO,SSD等。通过前述神经网络可以对图像进行识别,最终输出目标的准确位置信息。这种网络可以通过手动标记的这些坐标来进行训练。
所述步骤S300、根据所述关键点生成牙弓线。
具体来说,是根据所述牙齿的中心线关键点采用样条插值/拟合生成牙弓线。所采用的是传统的样条插值/拟合方法。因为样条插值/拟合方法是现有技术,在此不做赘述。
在一种或多种实施方式中,所述步骤S200具体包括:
S211、采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像。
具体地,所述神经网络损失函数为:
其中,为神经网络测算得到的牙齿分割图,为人工标记的真实的牙齿分割图。
现有技术对牙弓线的预测都是基于定位牙洞的基础上来实施的,一旦遇到有牙齿缺失的情况,所得到的牙弓线结果偏差较大。 通过利用神经网络技术对CT扫描图像进行图像分割的同时测算得出缺少牙齿的位置,提高了所预测的牙弓线的准确性。
S212、对所述分割图像进行细化处理,得到细化后的曲线。得到的细化曲线为大致的牙弓线位置。
S213、从所述曲线上提取牙齿的中心线关键点,即提取控制点;所述控制点为牙齿的中心位置。所选取的牙齿控制点可以是部分牙齿的也可以是全部牙齿的。
通过上述步骤S212先获取一个大致的牙弓线,从所述大致的牙弓线上利用骨化算法预测出牙齿的控制点,减小了***误差,使所得到的牙齿位置信息更加精确。其中,骨化算法又为细化算法,目的是是将图像的线条从多像素宽度减少到单位像素宽度,本专利采用模板迭代的方式实现骨化算法。
在一些实施方式中,所述步骤S200具体包括:
S221、采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像。
S222、通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点。
具体来说,采用两个神经网络,其中一个神经网络用于对所述CT扫描图进行图像分割,得到牙齿的分割图。另外一个神经网络用于回归牙齿的中心点坐标。所述第一神经网络和所述第二神经网络可以是相同的神经网络,也可以是不相同的神经网络。通过采用级联神经网络对牙齿进行精确定位,所得到的牙弓线准确率更高,尤其是在缺少部分牙齿的情况下。
本发明还提供了一种基于神经网络的牙弓线生成***的较佳实施例:
如图4所示,本发明实施例的基于神经网络的牙弓线生成***,包括:处理器10,以及与所 述处理器10连接的存储器20,
所述存储器20存储有基于神经网络的牙弓线生成程序,所述基于神经网络的牙弓线生成程序 被所述处理器10执行时实现以下步骤:
获取待识别的CT扫描图像;
通过神经网络技术识别出所述CT扫描图像中牙齿的中心线关键点;
根据所述牙齿的中心线关键点生成牙弓线,具体如上所述。
所述基于神经网络的牙弓线生成程序被所述处理器10执行时,还实现以下步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
对所述分割图像进行细化处理,得到细化后的曲线;
从所述曲线上提取牙齿的中心线关键点,具体如上所述。
所述基于神经网络的牙弓线生成程序被所述处理器10执行时,还实现以下步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点,具体如上所述。
本实施例中,所述神经网络函数为:
其中,为神经网络测算得到的牙齿分割图,为人工标记的真实的牙齿分割图,具体如上所述。
综上所述,本发明所提供的一种基于神经网络技术的牙弓线生成方法及其***,所述方法包括步骤:获取待识别的CT扫描图像;通过神经网络技术识别出所述CT扫描图像中牙齿的中心线关键点;根据所述牙齿的中心线关键点生成牙弓线。相比于手动生成牙弓线的方法,本方法速度更快,节约更多人力;相比于基于阈值分割的自动生成牙弓线的方法而言,本方法预测的牙弓线更加准确、鲁棒性更强。对于缺少牙齿的情况,本方法预测的牙弓线更加准确。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于神经网络技术的牙弓线生成方法,其特征在于,包括步骤:
获取待识别的CT扫描图像;
通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点;
根据所述关键点生成牙弓线;
所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点,具体包括步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
对所述分割图像进行细化处理得到细化后的曲线,从所述曲线上提取牙齿的中心线关键点或通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点;
所述细化处理通过模板迭代骨化算法实现;
所述通过回归神经网络对所述分割图进行识别是通过一个由一用于对所述CT扫描图进行图像分割和另一用于回归牙齿中心点坐标的神经网络组成的级联神经网络实现。
2.根据权利要求1所述基于神经网络技术的牙弓线生成方法,其特征在于,所述神经网络技术为目标识别类卷积神经网络技术,包括:Fast-RCNN神经网络识别技术、Faster-RCNN神经网络识别技术、Mask-RCNN神经网络识别技术、YOLO神经网络识别技术和SSD神经网络识别技术中的任一种。
4.根据权利要求1所述基于神经网络技术的牙弓线生成方法,其特征在于,所述步骤根据所述牙齿的中心线关键点生成牙弓线,具体包括:
根据所述牙齿的中心线关键点采用样条拟合生成牙弓线。
5.一种基于神经网络技术的牙弓线生成***,其特征在于,包括:处理器,以及与所述处理器连接的存储器,
所述存储器存储有基于神经网络技术的牙弓线生成程序,所述基于神经网络技术的牙弓线生成程序被所述处理器执行时实现以下步骤:
获取待识别的CT扫描图像;
通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点;
根据所述关键点生成牙弓线;
所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点,具体包括步骤:
采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置,得到牙齿的分割图像;
对所述分割图像进行细化处理得到细化后的曲线,从所述曲线上提取牙齿的中心线关键点或通过回归神经网络对所述分割图进行识别,得到牙齿的中心线关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325427.1A CN110211200B (zh) | 2019-04-22 | 2019-04-22 | 一种基于神经网络技术的牙弓线生成方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325427.1A CN110211200B (zh) | 2019-04-22 | 2019-04-22 | 一种基于神经网络技术的牙弓线生成方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211200A CN110211200A (zh) | 2019-09-06 |
CN110211200B true CN110211200B (zh) | 2023-04-18 |
Family
ID=67786094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325427.1A Active CN110211200B (zh) | 2019-04-22 | 2019-04-22 | 一种基于神经网络技术的牙弓线生成方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211200B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110931132B (zh) * | 2019-12-31 | 2022-09-30 | 天津市口腔医院 | 一种牙胚发育阶段的判断方法 |
CN112884064B (zh) * | 2021-03-12 | 2022-07-29 | 迪比(重庆)智能科技研究院有限公司 | 一种基于神经网络的目标检测与识别方法 |
CN113989304A (zh) * | 2021-11-10 | 2022-01-28 | 心医国际数字医疗***(大连)有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254317A (zh) * | 2011-03-25 | 2011-11-23 | 苏州迪凯尔医疗科技有限公司 | 牙种植导航中牙弓曲面的自动提取方法 |
CN105894444B (zh) * | 2016-03-31 | 2018-12-21 | 深圳市菲森科技有限公司 | 一种基于cbct影像生成牙科全景图像的方法及装置 |
CN107609536A (zh) * | 2017-09-29 | 2018-01-19 | 百度在线网络技术(北京)有限公司 | 信息生成方法和装置 |
CN107808377B (zh) * | 2017-10-31 | 2019-02-12 | 北京青燕祥云科技有限公司 | 一种肺叶中病灶的定位装置 |
CN108269272B (zh) * | 2018-01-31 | 2019-03-22 | 北京青燕祥云科技有限公司 | 肝部ct配准方法和*** |
CN108470365B (zh) * | 2018-03-07 | 2021-05-04 | 天津工业大学 | 一种基于上下牙颌的牙弓线绘制方法 |
CN108470375B (zh) * | 2018-04-26 | 2022-03-08 | 重庆市劢齐医疗科技有限责任公司 | 一种基于深度学习的神经导管自动检测方法 |
CN109166133B (zh) * | 2018-07-14 | 2021-11-23 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
CN109166104A (zh) * | 2018-08-01 | 2019-01-08 | 沈阳东软医疗***有限公司 | 一种病变检测方法、装置及设备 |
CN109584147B (zh) * | 2018-11-27 | 2023-06-30 | 东莞信大融合创新研究院 | 一种基于锥形束ct的牙科全景图生成方法 |
-
2019
- 2019-04-22 CN CN201910325427.1A patent/CN110211200B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110211200A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN111292314B (zh) | 冠脉分段方法、装置、图像处理***和存储介质 | |
CN109934812B (zh) | 图像处理方法、装置、服务器及存储介质 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN111768411B (zh) | 冠脉中心线提取方法、装置、计算机设备和存储介质 | |
CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其*** | |
CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
EP3807839B1 (en) | Deformity edge detection | |
EP3269325A1 (en) | Crown information acquisition program, information processing device, and crown information acquisition method | |
US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和*** | |
CN114529837A (zh) | 建筑物轮廓提取方法、***、计算机设备及存储介质 | |
WO2023088275A1 (zh) | Roi自动定位方法、装置、手术机器人***、设备及介质 | |
CN112634309A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN106683105B (zh) | 图像分割方法及图像分割装置 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN109313708B (zh) | 图像匹配方法和视觉*** | |
CN107729863B (zh) | 人体指静脉识别方法 | |
CN112435274A (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN112750124B (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN109919935B (zh) | 一种头颈体血管分割方法及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |