CN110689564B - 一种基于超像素聚类的牙弓线绘制方法 - Google Patents

一种基于超像素聚类的牙弓线绘制方法 Download PDF

Info

Publication number
CN110689564B
CN110689564B CN201910776181.XA CN201910776181A CN110689564B CN 110689564 B CN110689564 B CN 110689564B CN 201910776181 A CN201910776181 A CN 201910776181A CN 110689564 B CN110689564 B CN 110689564B
Authority
CN
China
Prior art keywords
pixel
super
point
clustering
dental arch
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
Application number
CN201910776181.XA
Other languages
English (en)
Other versions
CN110689564A (zh
Inventor
徐新黎
庞宇超
杨旭华
龙海霞
管秋
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.)
6d Dental Tech Co ltd
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910776181.XA priority Critical patent/CN110689564B/zh
Publication of CN110689564A publication Critical patent/CN110689564A/zh
Application granted granted Critical
Publication of CN110689564B publication Critical patent/CN110689564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30036—Dental; Teeth
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)

Abstract

一种基于超像素聚类的牙弓线绘制方法，将口腔CT图像转换为颜色空间CIE‑G，并对每个像素点对应的三维向量进行超像素聚类，得到聚类中心集合后，通过牙齿骨骼和其他口腔组织的灰度值差异得到牙弓线预选点，之后利用预选点的位置联系得到牙弓线标记点，最后用三次B样条曲线拟合出牙弓线。本发明提出了一种自动化、可靠性高的基于超像素聚类的牙弓线绘制方法，解决了现有的牙弓线绘制方法自动化程度低，绘制准确性较差的问题。

Description

一种基于超像素聚类的牙弓线绘制方法
技术领域
本发明涉及医学图像处理领域，特别是指针对CBCT图像的一种基于超像素聚类的牙弓线绘制方法。
背景技术
牙全景片的绘制在牙科医学图像领域极其重要，而绘制牙全景片的基础是得到牙弓线。牙弓线是牙齿沿着牙槽骨依次排列成的弓形虚拟线，其走形直接影响到牙全景片和牙齿三维模型的建立。牙弓形态的研究一直是学者关注的领域。最早是根据Bonwill_Hawley式原理绘制的个别弓型图，后来各种数学模型被用来模拟牙弓形态：主要有抛物线函数，椭圆线函数，三次样条函数，原锥曲线方程等。
目前牙弓线的绘制方法包括手动采点三次样条函数方法(cubic spline),这种方法主要通过人工在牙片CT图像中选择一些标志点，以其中5个点作为结点 (Knot),用3次方程推断出过结点的光滑曲线，而其余标志点用于检测曲线的拟合度。这是一种较为理想的牙弓线绘制方法，但是需要人为的选择标志点。第二种方法是利用图形形态学来得到牙弓曲线。具体方法为对牙片二值图形进行形态学闭运算，再填充空洞。将填充后的图像进行形态学细化操作，最后将形态学细化的二值图像看成平面中坐标，用最小二乘法拟合四次多项式曲线。这种方法可以实现全自动操作，但是所得到的牙弓线准确性比如手动方法。
2003年，UC Bekeley大学机器视觉实验室Ren等人第一次提出了超像素这个概念，指出超像素是一些局部的、连贯的并且具有极大相似性的像素点的集合，它们各自具有相似的纹理结构、颜色特征或者在轮廓上具有相似性，这些集合块都可以被单独作为一个像素来进行图像分割问题的处理，因此被称为超像素块。利用基于位置信息的超像素聚类来绘制牙弓线是一种新的方法。
发明内容
为了解决现有的牙弓线绘制方法自动化程度低，绘制准确性较差的不足，本发明提出了一种自动化、可靠性高的基于超像素聚类的牙弓线绘制方法。
本发明解决其技术问题所采用的技术方案是：
一种基于超像素聚类的牙弓线绘制方法，包括以下步骤：
步骤一：图像预处理，将口腔CBCT(Cone beam CT)轴状图转化为0到255 的灰度图M，通过灰度阈值和位置信息选择感兴趣区域，其他区域灰度值设为0；
步骤二：定义图M的颜色空间CIE-G和三维像素点向量V，其中CIE-G由图M中所有的像素点向量V组成，任意像素点i的向量
Figure BDA0002175128290000021
Figure BDA0002175128290000022
为位于坐标(xi,yi)的像素点i的灰度值，确定初始聚类个数K；
步骤三：把图M划分为K个超像素区域，区域的初始面积为S×S，其中，
Figure BDA0002175128290000023
N为图M的像素点个数，各超像素的聚类中心初始化为其区域中心周围3×3范围内梯度最小的像素点，其中像素点i的梯度定义为
Figure BDA0002175128290000024
对像素点i设置其所属聚类标签初始值label(i)＝-1，到所属聚类中心的距离初始值d(i)＝∞；
步骤四：对图M的所有像素点进行归类，更新聚类中心直至收敛；
步骤五：遍历图M，合并面积过小的超像素区域；
步骤六：计算每个超像素区域内所有像素点的灰度平均值，当灰度平均值大于牙齿灰度阈值时，将该超像素的聚类中心加入一个队列；
步骤七：对队列中的各超像素中心按横坐标值进行排序，得到牙弓线标志点；步骤八：用牙弓线标志点构筑三次B样条曲线，得到牙弓线。
进一步，所述步骤四的过程如下：
4.1取第一个聚类中心，聚类中心向量定义为Ck＝[gk,xk,yk]，其中k＝1，对其周围2S×2S区域内的每一个像素点i，计算像素点i和该聚类中心的距离D，其中
Figure BDA0002175128290000025
m为常数；
4.2如果D<d(i)，设置d(i)＝D，label(i)＝k；
4.3对第2至K个聚类中心重复4.1到4.2操作，计算每个新的超像素区域内所有像素点的坐标重心，将坐标重心作为该超像素的新聚类中心；
4.4重复4.1到4.3步骤n次，直至更新前后的聚类中心向量差值的绝对值之和小于阈值ε。
再进一步，所述步骤五的过程如下：
5.1对每个像素点i，设置其新标号newlabel(i)＝-1；
5.2取一个超像素区域，选择该超像素区域内的任一像素点作为当前操作的中心点z，对中心点四邻域内的各个像素点j进行判断是否属于该超像素成员，其中判断条件是该点未被标记过，即newlabel(j)＝-1，而且该点和当前操作中心点的聚类标号一致，即newlabel(j)＝label(z)，如果是该超像素区域的新成员，那么把该新成员作为新的操作中心点，重新判断其四邻域内的像素点直到找不到新成员为止；
5.3超像素理想面积大小为S*S，如果新超像素面积小于理想超像素面积的四分之一，则将该超像素区域所有的像素点合并到前一个相邻的超像素区域里；
5.4重复上述步骤5.2到5.3直到整张图M遍历结束。
本发明的技术构思为：将口腔CT图像转换为颜色空间CIE-G，并对每个像素点对应的三维向量进行超像素聚类，得到聚类中心集合后，通过牙齿骨骼和其他口腔组织的灰度值差异得到牙弓线预选点，之后利用预选点的位置联系得到牙弓线标记点，最后用三次B样条曲线拟合出牙弓线。
本发明的有益效果为：本发明提出了一种自动化、可靠性高的基于超像素聚类的牙弓线绘制方法，解决了现有的牙弓线绘制方法自动化程度低，绘制准确性较差的问题。
附图说明
图1基于超像素聚类的牙弓线绘制方法操作步骤。
图2基于超像素聚类的牙弓线绘制方法效果。(a)原始图像(b)图像预处理结果(c)超像素聚类结果(d)聚类中心显示(e)三次B样条拟合牙弓线结果。
具体实施方式
下面结合附图对本发明做进一步的说明。
参照图1和图2，一种基于超像素聚类的牙弓线绘制方法，包括以下步骤：
步骤一：图像预处理，将口腔CBCT(Cone beam CT)轴状图转化为0到255 的灰度图M，通过灰度阈值(设灰度阈值为120)和位置信息选择感兴趣区域，其他区域灰度值设为0；
步骤二：定义图M的颜色空间CIE-G和像素点三维向量V，其中CIE-G由图M中所有的像素点向量V组成，任意像素点i的向量
Figure BDA0002175128290000041
其中
Figure BDA0002175128290000042
为位于坐标(xi,yi)的像素点i的灰度值，确定初始聚类个数K(设K＝150，对应图像像素为480*480)；
步骤三：把图M划分为K个超像素区域，区域的初始面积为S×S，其中，
Figure BDA0002175128290000043
N为图M的像素点个数，各超像素的聚类中心初始化为其区域中心周围3×3范围内梯度最小的像素点，其中像素点i的梯度定义为
Figure BDA0002175128290000044
对像素点i设置其所属聚类标签初始值label(i)＝-1，到所属聚类中心的距离初始值d(i)＝∞；
步骤四：对图M的所有像素点进行归类，更新聚类中心直至收敛，具体过程如下：
4.1取第一个聚类中心，聚类中心向量定义为Ck＝[gk,xk,yk]，其中k＝1，对其周围2S×2S区域内的每一个像素点i，计算像素点i和该聚类中心的距离D，其中
Figure BDA0002175128290000045
m(设
Figure BDA0002175128290000046
)为常数；
4.2如果D<d(i)，设置d(i)＝D，label(i)＝k；
4.3对第2至K个聚类中心重复4.1到4.2操作，计算每个新的超像素区域内所有像素点的坐标重心，将坐标重心作为该超像素的新聚类中心；
4.4重复4.1到4.3步骤n次，直至更新前后的聚类中心向量差值的绝对值之和小于阈值ε；
步骤五：遍历图M，合并面积过小的超像素区域，过程如下：
5.1对每个像素点i，设置其新标号newlabel(i)＝-1；
5.2取一个超像素区域，选择该超像素区域内的任一个像素点作为当前操作的中心点z，对中心点四邻域内的各个像素点j进行判断是否属于该超像素成员，其中判断条件是该点未被标记过，即newlabel(j)＝-1，而且该点和当前操作中心点的聚类标号一致，即newlabel(j)＝label(z)，如果是该超像素区域的新成员，那么把该新成员作为新的操作中心点，重新判断其四邻域内的像素点直到找不到新成员为止；
5.3超像素理想面积大小为S*S，如果新超像素面积小于理想超像素面积的四分之一，则将该超像素区域所有的像素点合并到前一个相邻的超像素区域里；
5.4重复上述步骤5.2到5.3直到整张图M遍历结束；
步骤六：计算每个超像素区域内所有像素点的灰度平均值，当灰度平均值大于牙齿灰度阈值(设牙齿灰度阈值为110)时，将该超像素的聚类中心加入一个队列；
步骤七：对队列中的各超像素中心按横坐标值进行排序，得到牙弓线标志点；
步骤八：用牙弓线标志点构筑三次B样条曲线，得到牙弓线。
如上所述，本专利实施的具体实现步骤使本发明更加清晰，提供更加直观准确的牙弓线自动绘制方法。在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (2)

1.一种基于超像素聚类的牙弓线绘制方法，其特征在于，所述方法包括以下步骤：
步骤一：图像预处理，将口腔CBCT轴状图转化为0到255的灰度图M，通过灰度阈值和位置信息选择感兴趣区域，其他区域灰度值设为0；
步骤二：定义图M的颜色空间CIE-G和三维像素点向量V，其中CIE-G由图M中所有的像素点向量V组成，任意像素点i的向量
Figure FDA0003276137490000011
其中
Figure FDA0003276137490000012
为位于坐标(xi,yi)的像素点i的灰度值，确定初始聚类个数K；
步骤三：把图M划分为K个超像素区域，区域的初始面积为S×S，其中，
Figure FDA0003276137490000013
N为图M的像素点个数，各超像素的聚类中心初始化为其区域中心周围3×3范围内梯度最小的像素点，其中像素点i的梯度定义为
Figure FDA0003276137490000014
对像素点i设置其所属聚类标签初始值label(i)＝-1，到所属聚类中心的距离初始值d(i)＝∞；
步骤四：对图M的所有像素点进行归类，更新聚类中心直至收敛；
步骤五：遍历图M，合并面积过小的超像素区域；
步骤六：计算每个超像素区域内所有像素点的灰度平均值，当灰度平均值大于牙齿灰度阈值时，将该超像素的聚类中心加入一个队列；
步骤七：对队列中的各超像素中心按横坐标值进行排序，得到牙弓线标志点；
步骤八：用牙弓线标志点构筑三次B样条曲线，得到牙弓线；
所述步骤四的过程如下：
4.1取第一个聚类中心，聚类中心向量定义为Ck＝[gk,xk,yk]，其中k＝1，对其周围2S×2S区域内的每一个像素点i，计算像素点i和该聚类中心的距离D，其中
Figure FDA0003276137490000015
m为常数；
4.2如果D<d(i)，设置d(i)＝D，label(i)＝k；
4.3对第2至K个聚类中心重复4.1到4.2操作，计算每个新的超像素区域内所有像素点的坐标重心，将坐标重心作为该超像素的新聚类中心；
4.4)重复4.1到4.3步骤n次，直至更新前后的聚类中心向量差值的绝对值之和小于阈值ε。
2.如权利要求1所述的一种基于超像素聚类的牙弓线绘制方法，其特征在于，所述步骤五的过程如下：
5.1对每个像素点i，设置其新标号newlabel(i)＝-1；
5.2取一个超像素区域，选择该超像素区域内的任一像素点作为当前操作的中心点z，对中心点四邻域内的各个像素点j进行判断是否属于该超像素成员，其中判断条件是该点未被标记过，即newlabel(j)＝-1，而且该点和当前操作中心点的聚类标号一致，即newlabel(j)＝label(z)，如果是该超像素区域的新成员，那么把该新成员作为新的操作中心点，重新判断其四邻域内的像素点直到找不到新成员为止；
5.3超像素理想面积大小为S*S，如果新超像素面积小于理想超像素面积的四分之一，则将该超像素区域所有的像素点合并到前一个相邻的超像素区域里；
5.4重复上述步骤5.2到5.3直到整张图M遍历结束。
CN201910776181.XA 2019-08-22 2019-08-22 一种基于超像素聚类的牙弓线绘制方法 Active CN110689564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910776181.XA CN110689564B (zh) 2019-08-22 2019-08-22 一种基于超像素聚类的牙弓线绘制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910776181.XA CN110689564B (zh) 2019-08-22 2019-08-22 一种基于超像素聚类的牙弓线绘制方法

Publications (2)

Publication Number Publication Date
CN110689564A CN110689564A (zh) 2020-01-14
CN110689564B true CN110689564B (zh) 2022-04-08

Family

ID=69108644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910776181.XA Active CN110689564B (zh) 2019-08-22 2019-08-22 一种基于超像素聚类的牙弓线绘制方法

Country Status (1)

Country Link
CN (1) CN110689564B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308867B (zh) * 2020-11-10 2022-07-22 上海商汤智能科技有限公司 牙齿图像的处理方法及装置、电子设备和存储介质
CN112785608B (zh) * 2021-02-09 2022-06-21 哈尔滨理工大学 一种基于自适应参数改进snic的医学图像分割方法
CN113781402B (zh) * 2021-08-19 2024-03-26 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN115708728B (zh) * 2022-11-11 2023-09-19 四川大学 一种获取牙弓和牙槽骨弓形态矫治状态的装置及方法
CN115887031B (zh) * 2022-11-11 2023-09-05 四川大学 一种排牙方法
CN115688461B (zh) * 2022-11-11 2023-06-09 四川大学 基于聚类的牙弓和牙槽骨弓形态异常程度评估装置及方法
CN117152238B (zh) * 2023-10-25 2024-02-09 天津医科大学口腔医院 基于深度学习的前牙区牙槽骨面积自动测量方法及***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3069358B1 (fr) * 2017-07-21 2021-10-15 Dental Monitoring Procede d'analyse d'une image d'une arcade dentaire
CN107909589B (zh) * 2017-11-01 2020-10-09 浙江工业大学 一种结合C-V水平集和GrabCut算法的牙齿图像分割方法
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
CN108711177B (zh) * 2018-05-15 2022-04-01 南方医科大学口腔医院 一种口腔cbct重建后体数据牙弓线快速自动提取方法

Also Published As

Publication number Publication date
CN110689564A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110689564B (zh) 一种基于超像素聚类的牙弓线绘制方法
CN111968120B (zh) 一种3d多特征融合的牙齿ct图像分割方法
CN109903396B (zh) 一种基于曲面参数化的牙齿三维模型自动分割方法
WO2019000455A1 (zh) 图像分割的方法及***
CN107680110B (zh) 基于统计形状模型的内耳三维水平集分割方法
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN109191510B (zh) 一种病理切片的3d重建方法及其装置
CN112515787B (zh) 一种三维牙颌数据分析方法
CN111275712B (zh) 一种面向大尺度图像数据的残差语义网络训练方法
CN111462047A (zh) 血管参数测量方法、装置、计算机设备和存储介质
CN111462030A (zh) 多图像融合的立体布景视觉新角度构建绘制方法
CN112802193B (zh) 一种基于mc-t算法的ct图像三维重建方法
Lakshmi et al. Tooth decay prediction and classification from X-ray images using deep CNN
CN108961278B (zh) 基于影像数据的腹壁肌肉分割的方法及其***
CN103955945A (zh) 基于双目视差和活动轮廓的自适应彩色图像分割方法
CN103295219B (zh) 图像分割的方法与装置
CN112349391A (zh) 一种优化肋骨自动标号方法
CN111583385A (zh) 一种可变形数字人解剖学模型的个性化变形方法及***
Du et al. Mandibular canal segmentation from CBCT image using 3D convolutional neural network with scSE attention
CN114549540A (zh) 一种口扫牙齿数据与cbct数据自动融合的方法及其应用
CN113240790B (zh) 一种基于3d模型和点云处理的钢轨缺陷图像生成方法
CN111986216A (zh) 一种基于神经网络改进的rsg肝脏ct图像交互式分割算法
CN115631194B (zh) 颅内动脉瘤识别检测的方法、装置、设备及介质
CN116958169A (zh) 一种三维牙颌模型牙齿分割方法
CN112132189B (zh) 一种面向cbct图像的密度峰值超像素预处理方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230911

Address after: 310023 Room 202, building 32, No. 139 Liuhe Road, Xihu District, Hangzhou City, Zhejiang Province

Patentee after: 6D DENTAL TECH Co.,Ltd.

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: JIANG University OF TECHNOLOGY