CN112614127A - 一种基于端到端的交互式三维cbct牙齿图像分割算法 - Google Patents
一种基于端到端的交互式三维cbct牙齿图像分割算法 Download PDFInfo
- Publication number
- CN112614127A CN112614127A CN202011632774.8A CN202011632774A CN112614127A CN 112614127 A CN112614127 A CN 112614127A CN 202011632774 A CN202011632774 A CN 202011632774A CN 112614127 A CN112614127 A CN 112614127A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- tooth
- image
- loss function
- image 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
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000003709 image segmentation Methods 0.000 title claims abstract description 28
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000005295 random walk Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000003550 marker Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000002939 conjugate gradient method Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 2
- 238000000034 method Methods 0.000 description 5
- 239000007943 implant Substances 0.000 description 2
- 210000000214 mouth Anatomy 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20081—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
- G06T2207/30—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (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)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于端到端的交互式三维CBCT牙齿图像分割算法,包括如下步骤:步骤一、输入三维CBCT牙齿图像,用户在三维CBCT牙齿图像中对需要分割的牙齿进行标记;步骤二、获取牙齿三维ROI图像;步骤三、建立三维CBCT牙齿图像分割的端到端模型,其中利用深度学习神经网络CNN提取出所述步骤二获取的牙齿三维ROI图像的深层次特征,再利用三维的Random Walk算法进行求解,并在损失函数中加入牙齿特性先验知识,对深度学习神经网络CNN进行优化,得到优化后的端到端模型;步骤四、输入三维CBCT牙齿图像到所述的端到端模型,得到牙齿图像分割结果。
Description
技术领域
本发明涉及图像处理领域,尤其是一种基于端到端的交互式三维CBCT牙齿图像分割算法。
背景技术
牙科高速发展的核心业务正畸和种植,都需要对于口腔内部进行精确地三维建模,描绘清楚口腔内血管位置和牙颌骨厚度,因此随着正畸和种植业务渗透率提升,口腔诊所未来离不开CBCT(Cone beam CT简称CBCT,即锥形束CT)。对于口腔CBCT图像的处理方法有多种,其中,Random Walk算法是一种交互式分割算法。在2D图像分割方面有广泛的应用。该算法如果用来直接分割三维数据,有着很大的计算量方面的问题。例如,对于512×512×512的CT数据,该方法中的L矩阵的阶数约为134000000。并且是稀疏的7对角矩阵。仅存储这个矩阵就需要消耗3.5GB内存。在求解方程是更加困难。
发明内容
为了解决上述技术问题,本发明提出一种基于端到端的交互式三维CBCT牙齿图像分割算法,包括如下步骤:
步骤一、输入三维CBCT牙齿图像,用户在三维CBCT牙齿图像中对需要分割的牙齿进行标记;
步骤二、获取牙齿三维ROI图像;
步骤三、建立三维CBCT牙齿图像分割的端到端模型,其中利用深度学习神经网络CNN提取出所述步骤二获取的牙齿三维ROI图像的深层次特征,再利用三维的Random Walk算法进行求解,并在损失函数中加入牙齿特性先验知识,对深度学习神经网络CNN进行优化,得到优化后的端到端模型;
步骤四、输入三维CBCT牙齿图像到所述的端到端模型,得到牙齿图像分割结果。
有益效果:
本发明通过结合了监督学习的深度学习(CNN)和随机游走(Random Walk)算法的端到端的牙齿三维CBCT图像分割方法,利用CNN提取出CBCT数据的深层次特征,再利用Random Walk算法进行求解,提高了对三维图像分割的效率,另外,在损失函数中加入了牙齿特性方面的先验知识,对网络和模型进行优化,提高了牙齿分割的准确率。
附图说明
图1横切面标记;
图2矢状面标记;
图3冠状面标记;
图4本发明的深度学习神经网络(3D U-Net神经网络);
图5本发明端到端模型总体结构。
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、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明提出了一种三维CBCT交互式牙齿图像分割算法,是一种结合了监督学习的深度学习神经网络(CNN)和随机游走(Random Walk)算法的端到端的三维CBCT牙齿图像分割方法,利用CNN提取出CT数据的深层次特征,再利用Random Walk算法进行求解。该方法包括以下几个步骤:
步骤一、输入三维CBCT牙齿图像,用户在三维CBCT牙齿图像中对需要分割的牙齿进行标记;
步骤二、获取牙齿三维ROI图像;
步骤三、建立三维CBCT牙齿图像分割的端到端模型,其中利用深度学习神经网络CNN提取出所述步骤二获取的牙齿三维ROI图像的深层次特征,再利用三维的Random Walk算法进行求解,并在损失函数中加入牙齿特性知识,对深度学习神经网络CNN进行优化,得到优化后的端到端模型;
步骤四、输入三维CBCT牙齿图像到所述的端到端模型,得到牙齿图像分割结果。
根据本发明的一个实施例,所述步骤一具体包括:首先用户在三维CBCT牙齿图像中的横切面,矢状面或冠状面用线或点标记出需要分割出的牙齿区域,该标记作为前景标签,以及在该标出的牙齿周围区域标记,作为背景标签,被标记的体素点集为{Vm}。如图1所示,在三维CBCT牙齿图像中的横切面标记出了待分割的牙齿区域,以及背景区域;如图2所示,在三维CBCT牙齿图像中的矢状面标记出了待分割的牙齿区域,以及背景区域;如图3所示,在三维CBCT牙齿图像中的冠状面标记出了待分割的牙齿区域,以及背景区域。
根据本发明的实施例,所述步骤二包括:图像中的ROI区域是由标记点的坐标决定的,获取标记的体素点集中X轴坐标的最小值和最大(Xmin,Xmax),Y轴坐标的最小值和最大值(Ymin,Ymax),以及Z轴坐标的最小值和最大值(Zmin,Zmax);ROI区域为[Xmin-n:Xmax+n,Ymin-n:Ymax+n,Zmin-n:Zmax+n],因此得到ROI图像,这里的n是经验值,为实际牙齿大小对应的像素宽度。根据本发明的一个实施例,当像素尺寸为0.25mm时,n可以取60。
根据本发明的实施例,所述步骤三、建立三维CBCT牙齿图像分割的端到端模型,如图5所示,其中利用深度学习神经网络CNN提取出所述步骤二获取的牙齿三维ROI图像的深层次特征,(结果扩散步骤后)再利用三维的Random Walk算法进行求解,并在损失函数中加入牙齿特性先验知识,对深度学习神经网络CNN进行优化,得到优化后的端到端模型;
其中,利用深度学习神经网络CNN提取出步骤二获取的牙齿三维ROI图像的深层次特征,包括:
步骤(3.1)首先将ROI图像作为输入图像,通过以三维卷积的深度学习神经网络CNN为框架,搭建卷积-反卷积网络,该卷积-反卷积网络将ROI图像映射到一张无向的边缘加权图上;根据本发明的实施例,如图4所示,可采用3D U-Net网络,所述网络包括卷积层、最大池化层、全连接层、反卷积层、激活函数层,最后输出层。
步骤(3.2)将所述无向的边缘加权图转换成图拉普拉斯矩阵,通过随机游走算法,计算未标记点集X标签的概率,并结合牙齿的特性知识加入损失函数中,作为正则化权重惩罚,获得一个新的损失函数,通过新的损失函数来满足基础损失函数L0的最小化和与期望的特性知识一致性最大化的平衡,从而求解最优的深度学习神经网络参数,对端到端模型进行优化。
所述步骤(3.2)中,将所述无向的边缘加权图转换成图拉普拉斯矩阵,无向的边缘加权图G=(V,E),V为图中的点,E为图中的边;图G中邻接关系的点vi,vj∈V,其中点vi、vj间的边ei,j∈E,所述的边ei,j有一个边缘重we,即wi,j;所述的图拉普拉斯矩阵L,阶数约为216000,占用内存约5.7MB;所述的图拉普拉斯矩阵L为:
点vk∈Va,Va是与点vi有邻接关系的点的集合;
将无向的边缘加权图中的点集V分为两个部分,Vm为用户标记的体素点集,Vu为未标记的体素点集;考虑体素点的序列,标记的体素点在L上方,未标记的在下方,那么拉普拉斯矩阵分为两个模块:
Lm为标记体素点的矩阵,Lu为未标记点的矩阵;B为一变换矩阵。
假设Zi,1为点Vi标记为前景的概率,定义一个维度为|Vm|×1的标记矩阵Zm以及一个维度为|Vu|×1的未标记矩阵Zu;通过随机游走算法,即最小化函数:
E(X)=XTLX (3)
获得未标记点集X标签的概率,能够得到一个稀疏的线性***,在正向传播时,该方程使用共轭梯度法进行快速求解:
LuZu=-BTZm (4)
模型关于深度神经网络中权重参数θ的损失函数l最小化定义为:
那么整个模型反向传播时的梯度更新为:
将CBCT图像中关于牙齿的特性知识加入损失函数中,作为正则化权重惩罚,获得一个新的损失函数:
Lnew=L0+∑i∈Pfi(θ) (7)
其中L0为基础损失函数,p为特性知识的数量,可以为一个或多个,f(·)为正则化函数,θ为网络权重参数;通过新的损失函数Lnew来满足基础损失函数L0的最小化和与期望的特性知识一致性最大化的平衡。
根据本发明的实施例,例如,所述的牙齿的特性知识是三维CBCT牙齿图像中,牙齿区域内的灰度高于背景区域灰度;并用L2正则化作为正则化函数,得到权重惩罚项:
其中,VB是作为背景体素点的集合,WB是作为背景体素点的权重的集合,λ为调整复杂度参数,使用牙齿的特性知识,得到输入数据X∝Hu,Hu为未标记点的灰度值,VB={Xi<threshold};即输入数据X的大小是取决于CT图灰度值的大小,而VB是输入数据中小于预定阀值threshold的体素点集;通过深度学习神经网络网络每层正向传播公式y=σ(X,W),可知与VB相乘的权重值就是WB;所述σ为传播函数,W为权重,对于背景点,其权重为WB;通过给灰度值低的体素增加权重惩罚,提升网络泛化性,减少将灰度值低的体素点分割为前景的概率,通过公式(5)(7)(8),最终网络中参数θ的损失函数l最小化定义为:
其中,N为测试数据的数量。
根据本发明的实施例,可选的,所述的基础损失函数包括:交叉熵损失,Dice损失,或Focal损失,网络训练时使用以下三个损失函数任意一个皆可:
交叉熵损失函数:
Dice损失函数:
Focal损失函数:
其中α∈[0,1]调节正负样本的平衡,γ∈{0,1,2,3,...,n}调节简单样本权重降低的速率。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,包括如下步骤:
步骤一、输入三维CBCT牙齿图像,用户在三维CBCT牙齿图像中对需要分割的牙齿进行标记;
步骤二、获取牙齿三维ROI图像;
步骤三、建立三维CBCT牙齿图像分割的端到端模型,其中利用深度学习神经网络CNN提取出所述步骤二获取的牙齿三维ROI图像的深层次特征,再利用三维的Random Walk算法进行求解,并在损失函数中加入牙齿特性先验知识,对深度学习神经网络CNN进行优化,得到优化后的端到端模型;
步骤四、输入三维CBCT牙齿图像到所述的端到端模型,得到牙齿图像分割结果。
2.根据权利要求1所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,所述步骤一具体包括:
首先用户在三维CBCT牙齿图像中的横切面,矢状面或冠状面用线或点标记出需要分割出的牙齿区域,该标记作为前景标签,以及在该标出的牙齿周围区域标记,作为背景标签,被标记的体素点集为{Vm}。
3.根据权利要求1所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,所述步骤二包括:
图像中的ROI区域是由标记点的坐标决定的,获取标记的体素点集中X轴坐标的最小值和最大(Xmin,Xmax),Y轴坐标的最小值和最大值(Ymin,Ymax),以及Z轴坐标的最小值和最大值(Zmin,Zmax);ROI区域为[Xmin-n:Xmax+n,Ymin-n:Ymax+n,Zmin-n:Zmax+n],因此得到ROI图像,所述的n是实际牙齿大小对应的像素宽度。
4.根据权利要求1所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,所述步骤三中利用深度学习神经网络CNN提取出步骤二获取的牙齿三维ROI图像的深层次特征,包括:
步骤(3.1)首先将ROI图像作为输入图像,通过以三维卷积的深度学习神经网络CNN为框架,搭建卷积-反卷积网络,该卷积-反卷积网络生成ROI的深层次特征,再将该特征映射到一张无向的边缘加权图上;
步骤(3.2)其次将所述无向的边缘加权图转换成图拉普拉斯矩阵,通过随机游走算法,计算未标记点集X标签的概率,并结合牙齿特性先验知识加入损失函数中,作为正则化权重惩罚,获得一个新的损失函数,通过新的损失函数来满足基础损失函数L0的最小化和与期望的特性知识一致性最大化的平衡,从而求解最优的深度学习神经网络参数,对端到端模型进行优化。
5.根据权利要求4所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,所述步骤(3.2)中,将所述无向的边缘加权图转换成图拉普拉斯矩阵,无向的边缘加权图G=(V,E),V为图中的点,E为图中的边;图G中邻接关系的点vi,vj∈V,其中点vi、vj间的边ei,j∈E,所述的边ei,j有一个边缘重we,即wi,j;所述的图拉普拉斯矩阵L:
点vk∈Va,Va是与点vi有邻接关系的点的集合;
将无向的边缘加权图中的点集V分为两个部分,Vm为用户标记的体素点集,Vu为未标记的体素点集;考虑体素点的序列,标记的体素点在L上方,未标记的在下方,那么拉普拉斯矩阵分为两个模块:
Lm为标记体素点的矩阵,Lu为未标记点的矩阵;B为一变换矩阵。
7.根据权利要求1所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,
将CBCT图像中关于牙齿特性先验知识加入损失函数中,作为正则化权重惩罚,获得一个新的损失函数:
Lnew=L0+∑i∈Pfi(θ) (7)
其中L0为基础损失函数,p为先验知识的数量,f(·)为正则化函数,θ为网络权重参数;通过新的损失函数Lnew来满足基础损失函数L0的最小化和与期望的特性知识一致性最大化的平衡。
8.根据权利要求1所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,
所述的牙齿的先验知识是三维CBCT牙齿图像中,牙齿区域内的灰度高于背景区域灰度;并用L2正则化作为正则化函数,得到权重惩罚项:
其中,VB是作为背景体素点的集合,WB是作为背景体素点的权重的集合,λ为调整复杂度参数,使用牙齿的特性知识,得到输入数据X∝Hu,Hu为未标记点的灰度值,VB={Xi<threshold};即输入数据X的大小是取决于CT图灰度值的大小,而VB是输入数据中小于预定阀值threshold的体素点集;通过深度学习神经网络网络每层正向传播公式y=σ(X,W),可知与VB相乘的权重值就是WB;所述σ为传播函数,W为权重,对于背景点,其权重为WB;通过给灰度值低的体素增加权重惩罚,提升网络泛化性,减少将灰度值低的体素点分割为前景的概率,通过公式(5)(7)(8),最终网络中参数θ的损失函数l最小化定义为:
其中,N为测试数据的数量。
10.根据权利要求7所述的一种基于端到端的交互式三维CBCT牙齿图像分割算法,其特征在于,所述网络为3D U-Net网络,包括卷积层、最大池化层、全连接层、反卷积层、激活函数层,最后输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632774.8A CN112614127A (zh) | 2020-12-31 | 2020-12-31 | 一种基于端到端的交互式三维cbct牙齿图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011632774.8A CN112614127A (zh) | 2020-12-31 | 2020-12-31 | 一种基于端到端的交互式三维cbct牙齿图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614127A true CN112614127A (zh) | 2021-04-06 |
Family
ID=75252947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011632774.8A Pending CN112614127A (zh) | 2020-12-31 | 2020-12-31 | 一种基于端到端的交互式三维cbct牙齿图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614127A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313722A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种牙根图像交互标注方法 |
CN113344950A (zh) * | 2021-07-28 | 2021-09-03 | 北京朗视仪器股份有限公司 | 一种深度学习结合点云语义的cbct图像牙齿分割方法 |
CN113516784A (zh) * | 2021-07-27 | 2021-10-19 | 四川九洲电器集团有限责任公司 | 一种牙齿分割建模方法和装置 |
CN114241173A (zh) * | 2021-12-09 | 2022-03-25 | 电子科技大学 | 一种牙齿cbct图像三维分割方法及*** |
CN114757960A (zh) * | 2022-06-15 | 2022-07-15 | 汉斯夫(杭州)医学科技有限公司 | 一种基于cbct图像的牙齿分割与重建方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
CN107203998A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种对锥束ct图像进行牙列分割的方法 |
US20200320685A1 (en) * | 2017-10-02 | 2020-10-08 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
-
2020
- 2020-12-31 CN CN202011632774.8A patent/CN112614127A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203998A (zh) * | 2016-03-18 | 2017-09-26 | 北京大学 | 一种对锥束ct图像进行牙列分割的方法 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
US20200320685A1 (en) * | 2017-10-02 | 2020-10-08 | Promaton Holding B.V. | Automated classification and taxonomy of 3d teeth data using deep learning methods |
CN111968120A (zh) * | 2020-07-15 | 2020-11-20 | 电子科技大学 | 一种3d多特征融合的牙齿ct图像分割方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313722A (zh) * | 2021-06-10 | 2021-08-27 | 浙江传媒学院 | 一种牙根图像交互标注方法 |
CN113313722B (zh) * | 2021-06-10 | 2023-09-12 | 浙江传媒学院 | 一种牙根图像交互标注方法 |
CN113516784A (zh) * | 2021-07-27 | 2021-10-19 | 四川九洲电器集团有限责任公司 | 一种牙齿分割建模方法和装置 |
CN113516784B (zh) * | 2021-07-27 | 2023-05-23 | 四川九洲电器集团有限责任公司 | 一种牙齿分割建模方法和装置 |
CN113344950A (zh) * | 2021-07-28 | 2021-09-03 | 北京朗视仪器股份有限公司 | 一种深度学习结合点云语义的cbct图像牙齿分割方法 |
CN114241173A (zh) * | 2021-12-09 | 2022-03-25 | 电子科技大学 | 一种牙齿cbct图像三维分割方法及*** |
CN114241173B (zh) * | 2021-12-09 | 2023-03-21 | 电子科技大学 | 一种牙齿cbct图像三维分割方法及*** |
CN114757960A (zh) * | 2022-06-15 | 2022-07-15 | 汉斯夫(杭州)医学科技有限公司 | 一种基于cbct图像的牙齿分割与重建方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614127A (zh) | 一种基于端到端的交互式三维cbct牙齿图像分割算法 | |
CN109903396B (zh) | 一种基于曲面参数化的牙齿三维模型自动分割方法 | |
CN110544264B (zh) | 一种基于3d深监督机制的颞骨关键解剖结构小目标分割方法 | |
CN107203998B (zh) | 一种对锥束ct图像进行牙列分割的方法 | |
CN108665463A (zh) | 一种基于对抗式生成网络的宫颈细胞图像分割方法 | |
CN110689564B (zh) | 一种基于超像素聚类的牙弓线绘制方法 | |
CN105389821B (zh) | 一种基于云模型和图割相结合的医学图像分割方法 | |
CN110555852B (zh) | 基于灰度直方图的单牙及其牙髓分割方法 | |
CN114066871B (zh) | 一种新冠肺炎病灶区域分割模型训练的方法 | |
WO2024139973A1 (zh) | 三维重建方法、装置、电子设备及计算机可读存储介质 | |
CN113223010A (zh) | 口腔图像多组织全自动分割的方法和*** | |
Cui et al. | Toothpix: Pixel-level tooth segmentation in panoramic x-ray images based on generative adversarial networks | |
CN111724389B (zh) | 髋关节ct图像分割方法、装置、存储介质和计算机设备 | |
CN113344950A (zh) | 一种深度学习结合点云语义的cbct图像牙齿分割方法 | |
CN116152500A (zh) | 一种基于深度学习的全自动牙齿cbct图像分割方法 | |
Du et al. | Mandibular canal segmentation from CBCT image using 3D convolutional neural network with scSE attention | |
Caliskan et al. | Three-dimensional modeling in medical image processing by using fractal geometry | |
CN117011318A (zh) | 一种牙齿ct图像三维分割方法、***、设备及介质 | |
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 | |
CN114677516B (zh) | 一种基于深度神经网络的口腔下颌管自动分割方法 | |
CN116486005A (zh) | 基于全景x线片和深度学习模型的牙齿三维重建 | |
CN109741360B (zh) | 一种骨关节分割方法、装置、终端及可读介质 | |
CN114758073A (zh) | 一种基于rgbd输入和柔性配准口腔数字化*** | |
Jin et al. | Oral Cone Beam Computed Tomography Images Segmentation Based On Multi-view Fusion | |
CN110930391A (zh) | 一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 100084 room a800b, 8th floor, Tsinghua Tongfang building, Tsinghua garden, Haidian District, Beijing Applicant after: Beijing Langshi Instrument Co.,Ltd. Address before: 100084 a8008b, 8th floor, Tsinghua Tongfang building, Tsinghua garden, Haidian District, Beijing Applicant before: LARGEV INSTRUMENT Corp.,Ltd. |