CN113516784B - 一种牙齿分割建模方法和装置 - Google Patents

一种牙齿分割建模方法和装置 Download PDF

Info

Publication number
CN113516784B
CN113516784B CN202110855137.5A CN202110855137A CN113516784B CN 113516784 B CN113516784 B CN 113516784B CN 202110855137 A CN202110855137 A CN 202110855137A CN 113516784 B CN113516784 B CN 113516784B
Authority
CN
China
Prior art keywords
tooth
dimensional
segmentation
processing
module
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
CN202110855137.5A
Other languages
English (en)
Other versions
CN113516784A (zh
Inventor
张伊慧
李胜军
***
刘志刚
胡友章
王志勇
闫超
晏开云
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.)
Chengdu Boltzmann Zhibei Technology Co ltd
Sichuan Jiuzhou Electric Group Co Ltd
Original Assignee
Chengdu Boltzmann Zhibei Technology Co ltd
Sichuan Jiuzhou Electric Group Co Ltd
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 Chengdu Boltzmann Zhibei Technology Co ltd, Sichuan Jiuzhou Electric Group Co Ltd filed Critical Chengdu Boltzmann Zhibei Technology Co ltd
Priority to CN202110855137.5A priority Critical patent/CN113516784B/zh
Publication of CN113516784A publication Critical patent/CN113516784A/zh
Application granted granted Critical
Publication of CN113516784B publication Critical patent/CN113516784B/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
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/20—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种牙齿分割建模方法和装置，属于医学图像处理技术领域，解决了现有方法鲁棒性较差、对噪声敏感等问题。方法包括：对CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块；利用CBCT三维牙齿数据集对三维卷积神经网络模型进行训练以获得预测模型，将待分割的CBCT图像序列输入预测模型以获得牙齿分割概率图；采用中心点聚类法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；采用移动立方体算法将三维牙齿分割点云进行三维重建，得到牙齿三维模型。能够准确预测牙齿区域。

Description

一种牙齿分割建模方法和装置
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种牙齿分割建模方法和装置。
背景技术
锥形束投照计算机重组断层影像设备(Cone Beam Computed Tomography,CBCT)，是口腔领域必要的高端检查设备。CBCT的辐射剂量与传统二维影像基本相同，能够从3D层面提供更完善的软硬组织信息。利用CBCT可测量出口腔各部位的高度和厚度，更直观地评估牙齿和骨骼的关系，对正畸风险评估、方案选择及种植治疗有重要的指导意义和参考价值，被广泛应用于临床口腔的疾病检查与治疗。因此，如何利用CBCT图像得到牙齿结构信息，在口腔医学领域有至关重要的意义。
图像分割是提取医疗影像中特殊组织定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像可被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位和计算机指导手术等。但由于医疗影像常表现为对比度低、灰度不均匀，噪声强，而且不同个体组织复杂多样、不同软组织或软组织与病灶之间边界模糊等问题的存在，因此，该技术仍属目前研究的难点。
目前，CBCT医学图像分割的方法主要分为两类：需要人工设计特征的传统方法以及通常需要大量的数据样本的深度学***集方法等，这些方法通常需要较多的人工交互，且算法的鲁棒性较差，对噪声敏感，无法应付临床存在的各种情况；目前深度学习在CBCT医学图像分割方向的应用刚刚起步，一些研究者采用2D CNNs在二维层面进行分割，这类方法不能充分利用牙齿的三维信息且效率较低。因此，急需一种能兼顾分割精度和效率的CBCT牙齿分割方法，使得CBCT图像在口腔领域的应用更为便捷、广泛。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种牙齿分割建模方法和装置，用以解决现有牙齿分割方法鲁棒性较差，对噪声敏感，不能充分利用牙齿的三维信息且效率较低等的问题。
一方面，本发明实施例提供了一种牙齿分割建模方法，包括：收集包含各类牙齿临床情况的CBCT图像序列，对所述CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，所述编码分支用于提取特征，所述第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，所述第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及所述融合模块用于将所述牙齿预测概率图和所述牙根预测概率图融合为牙齿分割概率图，其中，所述牙齿区域包括牙冠区域和所述牙根区域；利用所述CBCT三维牙齿数据集对所述三维卷积神经网络模型进行训练以获得预测模型，将待分割的CBCT图像序列输入所述预测模型以获得牙齿分割概率图；采用中心点聚类法对所述牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及采用移动立方体算法将所述三维牙齿分割点云进行三维重建，得到牙齿三维模型。
上述技术方案的有益效果如下：利用编码分支提取特征，利用第一解码分支对牙齿进行预测以对牙根进行一次预测，而第二解码分支对牙根区域进行二次预测，利用融合模块求取一次预测的牙根区域和二次预测的牙根区域的加权平均值，以能够准确预测占比很小的牙根区域。再利用后处理能够剔除假阳性分割结果，得到三维牙齿分割点云。数据清洗能够剔除成像质量不佳、金属散射造成伪影严重的样本。
基于上述方法的进一步改进，所述中心点聚类法包括：二值化处理、连通区域实例分割处理、最小区域剔除处理、连通区域质心求解和聚类处理和无效类剔除；所述二值化处理，用于对所述牙齿分割概率图进行二值化处理，得到初始分割结果；所述连通区域实例分割处理，用于对所述初始分割结果进行实例分割，以得到多个连通区域；所述最小区域剔除处理，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；所述连通区域质心求解和聚类处理，用于求解所述剩余连通区域的质心并聚类为两类；以及所述无效类剔除处理，用于根据聚类结果剔除假阳性连通区域，以得到所述三维牙齿分割点云。
上述技术方案的有益效果如下：二值化处理、连通区域实例分割处理和最小区域剔除处理能够剔除最小连通区域，而保留体素大于20000的连通区域。连通区域质心求解和聚类处理和无效类剔除处理能够将口腔内包含的牙齿区域聚成一到两类，根据每类包含体素数和两类间的距离进一步剔除假阳性分割结果。
基于上述方法的进一步改进，对所述CBCT图像序列进行数据清洗和标注进一步包括：所述数据清洗用于从所述CBCT图像序列中剔除伪影样本，然后筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本；以及所述标注用于使用医学图像标注工具对清洗的CBCT图像序列中的牙齿区域和牙根区域进行标注。
上述技术方案的有益效果如下：通过数据清洗能够筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本，将健康牙齿的数量设置为与金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的数量之和相同以能够平衡数据集的分布。
基于上述方法的进一步改进，将所述待分割的CBCT图像序列中的所述牙齿区域标注为1并将所述牙齿之外区域标注为0；以及将所述待分割的CBCT图像序列中的所述牙根区域标注为2并将所述牙根之外区域标注为0。
上述技术方案的有益效果如下：待分割的CBCT图像序列中的牙齿区域标注为1并牙齿之外区域标注为0，作为第一解码分支的输入能够对牙齿区域进行预测，将待分割的CBCT图像序列中的牙根区域标注为2并将牙根之外区域标注为0，作为第二解码分支的输入能够对牙根区域进行二次预测，以克服由于牙根区域占比较小，一次预测不够准确的缺陷。
基于上述方法的进一步改进，对标注的所述CBCT图像序列进行预处理进一步包括：文件解析处理、全局强度标准化处理、图像裁剪处理、三维数据增强处理和类别平衡处理，其中，所述文件解析处理：从CBCT图像文件中读取DICOM格式的标注的CBCT图像序列，根据所述CBCT图像序列解析出三维图像矩阵Imagedata、空间分辨率Voxel Spacing和原点信息Origin；所述全局强度标准化处理：将解析出的三维图像矩阵扫描边界外的灰度值设为0，将所有图像矩阵的图像强度进行标准化处理；所述图像裁剪处理：将标准化后的三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块，其中，n表示像素的预设高度和宽度以及c表示像素的预设深度；所述三维数据增强处理：将裁剪后的三维图像块进行三维数据增强，其中，所述三维数据增强包括随机三维翻转、随机三维旋转、随机对比度调节、随机三维弹性形变、随机高斯噪声和随机泊松噪声中的一种或者多种的组合；以及所述类别平衡处理：对增强后的三维图像块进行筛选，滤除前景占比小于设定阈值的图像块。
上述技术方案的有益效果如下：图像中包括的信息量越多，预测越准确，图像越大，占用的计算机内存越大。所以图像裁剪处理将三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块以平衡占用的计算机内存空间和图像块包括的信息量，即，平衡预测速度和预测准确度。
基于上述方法的进一步改进，所述编码分支包括多个编码层，以及所述第一解码分支和所述第二解码分支均包括相同数量的解码层，其中，每个编码层包括：第一三维残差块，用于特征提取分析；第一注意力机制模块，用于强化特征信息；以及池化层，用于进行降采样；以及每个解码层包括：三维上采样层，用于还原分割位置；第二三维残差块，用于合成分割信息；以及第二注意力机制模块，用于平滑分割边界。
基于上述方法的进一步改进，所述第一或第二三维残差块包括顺次连接的第一卷积块、第二卷积块、第三卷积块和非线性层，其中，第一卷积块的输出与第三卷积块的输出叠加后送入非线性层，以获得所述三维残差块的输出，以及所述第一卷积块至所述第三卷积块包括顺次连接的标准化层、三维卷积层和非线性层。
基于上述方法的进一步改进，所述第一或第二注意力机制模块包括并行的空间增强模块和通道增强模块，其中，所述空间增强模块从空间角度引入注意力机制，包括第一三维卷积层和非线性层；所述通道增强模块从通道角度提炼特征信息，包括全局平均池化层、第二三维卷积层、第三三维卷积层和非线性层。
另一方面，本发明实施例提供了一种牙齿分割建模装置，包括：牙齿数据集建立模块，用于收集包含各类牙齿临床情况的CBCT图像序列，对所述CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；神经网络模块，用于建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，所述编码分支用于提取特征，所述第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，所述第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及所述融合模块用于将所述牙齿预测概率图和所述牙根预测概率图融合为牙齿分割概率图，其中，所述牙齿区域包括牙冠区域和所述牙根区域；预测模型，用于利用所述CBCT三维牙齿数据集对所述三维卷积神经网络模型进行训练以获得预测模型，并且将待分割的CBCT图像序列输入所述预测模型以获得牙齿分割概率图；后处理模块，用于采用中心点聚类法对所述牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及三维重建模块，用于采用移动立方体算法将所述三维牙齿分割点云进行三维重建，得到牙齿三维模型。
基于上述装置的进一步改进，所述后处理模块包括：二值化处理子模块、连通区域实例分割处理子模块、最小区域剔除处理子模块、连通区域质心求解和聚类处理子模块和无效类剔除子模块，所述二值化处理子模块，用于对所述牙齿分割概率图进行二值化处理，得到初始分割结果；所述连通区域实例分割处理子模块，用于对所述初始分割结果进行实例分割，以得到多个连通区域；所述最小区域剔除处理子模块，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；所述连通区域质心求解和聚类处理子模块，用于求解所述剩余连通区域的质心并聚类为两类；以及所述无效类剔除处理子模块，用于根据聚类结果剔除假阳性连通区域，以得到所述三维牙齿分割点云。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、通过数据清洗能够筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本，将健康牙齿的数量设置为与金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的数量之和相同以能够平衡数据集的分布。
2、待分割的CBCT图像序列中的牙齿区域标注为1并牙齿之外区域标注为0，作为第一解码分支的输入能够对牙齿区域进行预测，将待分割的CBCT图像序列中的牙根区域标注为2并将牙根之外区域标注为0，作为第二解码分支的输入能够对牙根区域进行二次预测，以克服由于牙根区域占比较小，一次预测不够准确的缺陷。
3、利用编码分支提取特征，利用第一解码分支对牙齿进行预测以对牙根进行一次预测，而第二解码分支对牙根区域进行二次预测，利用融合模块求取一次预测的牙根区域和二次预测的牙根区域的加权平均值，以能够准确预测占比很小的牙根区域。再利用后处理能够剔除假阳性分割结构以得到三维牙齿分割点云。
4、图像中包括的信息量越多，预测越准确，图像越大占用的计算机内存越大。所以图像裁剪处理将三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块以平衡占用的计算机内存空间和图像块包括的信息量，即，平衡预测速度和预测准确度。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为根据本发明实施例的牙齿分割方法的流程图。
图2为根据本发明实施例的基于三维卷积神经网络的CBCT图像牙齿分割及建模方法的流程图；
图3为根据本发明实施例的CBCT图像牙齿分割预处理流程图；
图4为根据本发明实施例的三维卷积神经网络模型结构示意图；
图5为根据本发明实施例的三维卷积神经网络中的编码层和解码层的结构示意图；
图6为根据本发明实施例的三维卷积神经网络中三维残差块的结构示意图；
图7为根据本发明实施例的三维卷积神经网络中的注意力机制模块的结构示意图；
图8为根据本发明实施例的CBCT图像牙齿分割后处理流程图；
图9为根据本发明实施例的三维卷积神经网络模型的验证精度图；
图10根据本发明实施例的三维卷积神经网络模型的分割结果图；
图11为根据本发明实施例的基于三维卷积神经网络的CBCT图像牙齿分割及建模方法的结果示意图。
图12为根据本发明实施例的牙齿分割装置的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种牙齿分割建模方法，如图1所示。参考图1，牙齿分割建模方法包括：步骤S102，收集包含各类牙齿临床情况的CBCT图像序列，对CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；步骤S104，建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，编码分支用于提取特征，第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及融合模块用于将牙齿预测概率图和牙根预测概率图融合为牙齿分割概率图，其中，牙齿区域包括牙冠区域和牙根区域；步骤S106，利用CBCT三维牙齿数据集对三维卷积神经网络模型进行训练以获得预测模型，将待分割的CBCT图像序列输入预测模型以获得牙齿分割概率图；步骤S108，采用中心点聚类法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及步骤S110，采用移动立方体算法将三维牙齿分割点云进行三维重建，得到牙齿三维模型。
与现有技术相比，本实施例提供的牙齿分割建模方法中，利用编码分支提取特征，利用第一解码分支对牙齿进行预测以对牙根进行一次预测，而第二解码分支对牙根区域进行二次预测，利用融合模块求取一次预测的牙根区域和二次预测的牙根区域的加权平均值，以能够准确预测占比很小的牙根区域。再利用后处理能够剔除假阳性分割结果，而保留体素较多的一类质心，能够得到三维牙齿分割点云。
下文中，参考图1至图8，对牙齿分割建模方法的步骤S102至步骤S110进行详细描述。
参考图1，步骤S102，收集包含各类牙齿临床情况的CBCT图像序列，对CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集。参考图2，对CBCT图像序列进行数据清洗和标注(即，准备CBCT三维牙齿数据集)进一步包括：数据清洗用于从CBCT图像序列中剔除伪影样本，然后筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本；以及标注用于使用医学图像标注工具对清洗的CBCT图像序列中的牙齿区域和牙根区域进行标注。在本实施例中，将待分割的CBCT图像序列中的牙齿区域标注为1并将牙齿之外区域标注为0；以及将待分割的CBCT图像序列中的牙根区域标注为2并将牙根之外区域标注为0。
参考图2和图3，对标注的CBCT图像序列进行预处理进一步包括：文件解析处理、全局强度标准化处理、图像裁剪处理、三维数据增强处理和类别平衡处理。文件解析处理：从CBCT图像文件中读取DICOM格式的标注的CBCT图像序列，根据CBCT图像序列解析出三维图像矩阵Imagedata、空间分辨率Voxel Spacing和原点信息Origin；全局强度标准化处理：将解析出的三维图像矩阵扫描边界外的灰度值设为0，将所有图像矩阵的图像强度标准化处理。具体地，统计所有标注后的三维图像矩阵的均值和方差，用该值对所有图像矩阵的图像强度进行标准化处理，例如，标准化处理为标准化后数据呈均值为0，方差为1的高斯分布；图像裁剪处理：将标准化后的三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块，其中，n表示像素的预设高度和宽度以及c表示像素的预设深度；三维数据增强处理：将裁剪后的三维图像块进行三维数据增强，其中，三维数据增强包括随机三维翻转、随机三维旋转、随机对比度调节、随机三维弹性形变、随机高斯噪声和随机泊松噪声中的一种或者多种的组合；以及类别平衡处理：对增强后的三维图像块进行筛选，滤除前景占比小于设定阈值的图像块。
参考图1和图4，步骤S104，建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，编码分支用于提取特征，第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及融合模块用于将牙齿预测概率图和牙根预测概率图融合为牙齿分割概率图，其中，牙齿区域包括牙冠区域和牙根区域。
参考图4，编码分支包括多个编码层，例如，5个编码层，在可选实施例中，可以包括更多或更少的编码层。参考图5，每个编码层包括：第一三维残差块、第一注意力机制模块和池化层。第一三维残差块用于特征提取分析，该第一三维残差块包括顺次连接的第一卷积块、第二卷积块、第三卷积块和非线性层，第一卷积块的输出与第三卷积块的输出叠加后送入非线性层，以获得三维残差块的输出，以及第一卷积块至第三卷积块包括顺次连接的标准化层、三维卷积层和非线性层。第一注意力机制模块用于强化特征信息，该第一注意力机制模块包括并行的空间增强模块和通道增强模块。空间增强模块从空间角度引入注意力机制，包括第一三维卷积层和非线性层；通道增强模块从通道角度提炼特征信息，包括全局平均池化层、第二三维卷积层、第三三维卷积层和非线性层。池化层用于进行降采样。
参考图4，第一解码分支和第二解码分支均包括相同数量的解码层。参考图5，每个解码层包括：三维上采样层、第二三维残差块和第二注意力机制模块。三维上采样层用于还原分割位置。第二三维残差块用于合成分割信息，该第二三维残差块包括顺次连接的第一卷积块、第二卷积块、第三卷积块和非线性层，第一卷积块的输出与第三卷积块的输出叠加后送入非线性层，以获得三维残差块的输出，以及第一卷积块至第三卷积块包括顺次连接的标准化层、三维卷积层和非线性层。第二注意力机制模块，用于平滑分割边界。该第二注意力机制模块包括并行的空间增强模块和通道增强模块。空间增强模块从空间角度引入注意力机制，包括第一三维卷积层和非线性层；通道增强模块从通道角度提炼特征信息，包括全局平均池化层、第二三维卷积层、第三三维卷积层和非线性层。
步骤S106，利用CBCT三维牙齿数据集对三维卷积神经网络模型进行训练以获得预测模型，将待分割的CBCT图像序列输入预测模型以获得牙齿分割概率图。
步骤S108，采用中心点聚类法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云。具体地，中心点聚类法包括：二值化处理、连通区域实例分割处理、最小区域剔除处理、连通区域质心求解和聚类处理和无效类剔除；二值化处理，用于对牙齿分割概率图进行二值化处理，得到初始分割结果；连通区域实例分割处理，用于对初始分割结果进行实例分割，以得到多个连通区域；最小区域剔除处理，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；连通区域质心求解和聚类处理，用于求解剩余连通区域的质心并聚类为两类；以及无效类剔除处理，用于根据聚类结果剔除假阳性连通区域以得到三维牙齿分割点云，具体地，保留两类中体素较多的一类质心，以得到三维牙齿分割点云。
步骤S110，采用移动立方体算法将三维牙齿分割点云进行三维重建，得到牙齿三维模型。
具体的，采用移动立方体算法(Marching cubes:A high resolution 3D surfaceconstruction algorithm)，以1作为阈值参数，将得到的牙齿分割点云进行三维重建，计算得到牙齿三维模型。
本发明的另一个具体实施例，公开了一种牙齿分割建模装置，包括：牙齿数据集建立模块1202用于收集包含各类牙齿临床情况的CBCT图像序列，对CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；神经网络模块1204用于建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，编码分支用于提取特征，第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及融合模块用于将牙齿预测概率图和牙根预测概率图融合为牙齿分割概率图，其中，牙齿区域包括牙冠区域和牙根区域；预测模型1206用于利用CBCT三维牙齿数据集对三维卷积神经网络模型进行训练以获得预测模型，并且将待分割的CBCT图像序列输入预测模型以获得牙齿分割概率图；后处理模块1208用于采用中心点聚类法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及三维重建模块1210用于采用移动立方体算法将三维牙齿分割点云进行三维重建，得到牙齿三维模型。
后处理模块包括：二值化处理子模块、连通区域实例分割处理子模块、最小区域剔除处理子模块、连通区域质心求解和聚类处理子模块和无效类剔除子模块，二值化处理子模块，用于对牙齿分割概率图进行二值化处理，得到初始分割结果；连通区域实例分割处理子模块，用于对初始分割结果进行实例分割，以得到多个连通区域；最小区域剔除处理子模块，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；连通区域质心求解和聚类处理子模块，用于求解剩余连通区域的质心并聚类为两类；以及无效类剔除处理子模块，用于根据聚类结果剔除假阳性连通区域以得到三维牙齿分割点云，具体地，保留两类中体素较多的一类质心，以得到三维牙齿分割点云。
下文中，参考图2至图11，以具体实例方式，对根据本发明实施例的牙齿分割方法进行详细描述。
参考图2，本发明实施例的基于三维卷积神经网络的CBCT图像牙齿分割及建模方法包括以下步骤：
S1、收集包含各类牙齿临床情况的CBCT图像序列，数据清洗后，使用医学图像标注工具对CBCT图像进行标注，再对标注后的数据进行预处理，建立CBCT三维牙齿数据集。
在本实施例中，数据清洗一方面剔除成像质量不佳、金属散射造成伪影严重的样本，另一方面筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套、高/低精度7种情况的样本，根据临床情况平衡数据集的分布。例如，金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度样本之和与健康牙齿的样本数量相同，以平衡数据集的分布。
参见图3，在本实施例中，所述预处理包括文件解析处理、全局强度标准化处理、图像裁剪处理、三维数据增强处理和类别平衡处理中的一种或者几种的组合。
文件解析处理：读取DICOM(Digital Imaging and Communications inMedicine)格式的标注后的CBCT图像序列，解析出三维图像矩阵Imagedata、空间分辨率Voxel Spacing和原点信息Origin。
全局强度标准化处理：将解析出的三维图像矩阵扫描边界外的灰度值设为0，以增强前景与背景的对比度；对所有图像矩阵进行全局强度标准化，解决不同CBCT设备因放射剂量造成的强度差异；例如，将所有图像矩阵的全局图像强度标准化为高斯分布。
所述图像裁剪处理：将标准化后的三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块，其中，n表示像素的预设高度和宽度，c表示像素的预设深度，在本实施例中，裁剪成256×256×256大小、128×128×128大小和64×64×64大小等。例如，该剪裁尺寸越大，包括的空间信息就越多，但是占用内存空间就越大。优选地，裁剪成128×128×128大小，能够节省计算机的内存空间，通过这种剪裁方式能够平衡计算机处理速度和包含的空间信息量。
所述三维数据增强处理：将裁剪后的三维图像块进行三维数据增强，在本实施例中，包括随机三维翻转、随机三维旋转、随机对比度调节、随机三维弹性形变、随机高斯噪声和随机泊松噪声中的一种或者几种的组合。
所述类别平衡处理：对增强后的三维图像块进行筛选，滤除前景占比小于某一阈值的图像块，解决前/背景类别不均衡的问题，在本实施例中，由于牙齿有效区域占比约为整个区域的9％，优选地，将阈值设定为0.2。
S2、构建三维卷积神经网络模型，参见图4，所述三维卷积神经网络模型由一路编码分支和两路解码分支组成，所述解码分支一路用于预测牙齿区域，另一路用于预测牙根区域，通过特征融合将两路分支生成的牙齿、牙根预测概率图进行融合，进而得到更为精确的牙齿分割概率图。
所述编码分支由5层编码层顺次连接组成，参见图5，每个编码层由用于特征提取分析的三维残差块、用于强化特征信息的注意力机制模块和用于降采样的池化层组成；例如，第一编码层的输出特征图的大小为128×128×128，第二编码层的输出特征图的大小为64×64×64，第三编码层的输出特征图的大小为32×32×32，第四编码层的输出特征图的大小为16×16×16以及第五编码层的输出特征图的大小为8×8×8。
所述解码分支由两路分支并联组成，每路分支分别由5层解码层顺次连接组成，每个解码层由用于还原分割位置的三维上采样层、用于合成分割信息的三维残差块和用于平滑分割边界的注意力机制模块组成。例如，与各编码层相对应的，第一解码层的输出特征图的大小为8×8×8，第二解码层的输出特征图的大小为16×16×16，第三解码层的输出特征图的大小为32×32×32，第四解码层的输出特征图的大小为64×64×64以及第五解码层的输出特征图的大小为128×128×128。
参见图6，在本实施例中，所述三维残差块由三个顺次连接的卷积块和非线性层组成，将其中，卷积块1的输出与卷积块3的输出叠加后送入非线性层，得到残差块的输出。
参见图7，所述注意力机制模块由空间增强模块和通道增强模块并行组成，空间增强模块的输出与通道增强模块的输出相加后，得到注意力机制模块的输出。其中，所述空间增强模块从空间角度引入注意力机制，由三维卷积层和非线性层组成。先用1×1×1的三维卷积将输入特征图通道信息压缩，特征图维度由[C,D,H,W]变为[1,D,H,W]，再用非线性层进行激活得到空间注意力图，与输入特征图相乘后得到空间增强模块的输出。所述通道增强模块从通道角度提炼特征信息，在本实施例中，由全局平均池化层、三维卷积层1、三维卷积层2和非线性层组成。先用全局平均池化层将输入特征图空间信息压缩，特征图维度由[C,D,H,W]变成[C,1,1,1]，再用顺次连接的全连接层和非线性层提炼通道特征，得到通道注意力图，与输入特征图相乘后得到通道增强模块的输出。
在本实施例中，所述三维上采样层采用三维转置卷积。
S3、在本实施例中，利用步骤S1的CBCT三维牙齿数据集对步骤S2构建的三维卷积神经网络模型训练1000个epochs，设置学习率为0.0001，优化器为Adam，损失函数为DiceLoss，整个模型训练完成后保存为pt格式。训练结果如图9所示。将待分割的CBCT图像序列输入到训练好的三维卷积神经网络模型，得到牙齿分割概率图。
所述模型训练的损失函数由牙齿区域预测任务的损失函数Losstooth与牙根区域预测任务的损失函数Lossroot组成，通过将预测任务得到的牙齿分割概率图或牙根预测概率图与标注所得标签代入完成计算。由于牙根区域的预测只是辅助牙齿区域学习，采用加权求和的方式得到最终的损失函数：
Loss＝Losstooth+λLossroot
优选的，所述Losstooth与Lossroot包括但不限于交叉熵损失函数(cross-entropyloss，CE)、带权重的交叉熵损失函数(weighted cross-entropy loss，WCE)、Focal loss、Dice loss、BCEDiceLoss、L1Loss等。
S4、采用中心点聚类法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云，如图10所示。
参见图8，在本实施例中，中心点聚类法包括二值化处理、连通区域实例分割处理、最小区域剔除处理、连通区域质心求解和聚类处理、无效类剔除处理中。
所述二值化处理：将模型预测得到的牙齿分割概率图进行二值化，得到初始分割结果，在本实施例中，阈值设为0.7；例如，当概率大于等于0.7时，设置为“1”，当概率小于0.7时，设置为“0”。
所述连通区域实例分割处理：对初始分割结果进行实例分割，得到多个连通区域。
所述最小区域剔除处理：对实例分割结果进行最小连通区域剔除，在本实施例中，体素小于3000的连通区域将被剔除；例如，牙齿的体素大于20000，优选地，牙齿的体素的大小为20000至30000。
所述连通区域质心求解和聚类处理：求解剩余连通区域的质心并聚成两类。
所述无效类剔除处理：保留体素较多的一类质心，得到三维牙齿分割点云。
在可选实施例中，可以采用非最大连通分量剔除法对牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云。该非最大连通分量剔除法包括二值化处理、形态学膨胀处理、连通区域实例分割处理、非最大连通区域剔除处理中的一种或几种的组合。具体地，二值化处理：将模型预测得到的牙齿分割概率图进行二值化，得到初始分割结果。形态学膨胀处理：对初始分割结果进行形态学膨胀，使距离较近的牙齿及牙列连通成一个或两个区域。所述连通区域实例分割处理：对膨胀后的分割结果进行实例分割，得到多个连通区域。非最大连通区域剔除处理：统计实例分割后的各连通区域的体素，根据各区域体素的实际值，仅保留体素较多的一到两个区域，并将保留后的区域与初始分割结果进行交集求解，得到三维牙齿分割点云。
S5、采用移动立方体算法将得到的牙齿分割点云进行三维重建，得到牙齿三维模型，如图11所示。具体地，采用移动立方体算法(Marching cubes:A high resolution 3Dsurface construction algorithm)，以1作为阈值参数，将得到的牙齿分割点云进行三维重建，计算得到牙齿三维模型。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、通过数据清洗能够筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本，将健康牙齿的数量设置为与金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的数量之和相同以能够平衡数据集的分布。
2、待分割的CBCT图像序列中的牙齿区域标注为1并牙齿之外区域标注为0，作为第一解码分支的输入能够对牙齿区域进行预测，将待分割的CBCT图像序列中的牙根区域标注为2并将牙根之外区域标注为0，作为第二解码分支的输入能够对牙根区域进行二次预测，以克服由于牙根区域占比较小，一次预测不够准确的缺陷。
3、利用编码分支提取特征，利用第一解码分支对牙齿进行预测以对牙根进行一次预测，而第二解码分支对牙根区域进行二次预测，利用融合模块求取一次预测的牙根区域和二次预测的牙根区域的加权平均值，以能够准确预测占比很小的牙根区域。再利用后处理能够剔除假阳性分割结果，能够得到三维牙齿分割点云。
4、图像中包括的信息量越多，预测越准确，图像越大占用的计算机内存越大。所以图像裁剪处理将三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块以平衡占用的计算机内存空间和图像块包括的信息量，即，平衡预测速度和预测准确度。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种牙齿分割建模方法，其特征在于，包括：
收集包含各类牙齿临床情况的CBCT图像序列，对所述CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；
建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，所述编码分支用于提取特征，所述第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，所述第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及所述融合模块用于将所述牙齿预测概率图和所述牙根预测概率图融合为牙齿分割概率图，其中，所述牙齿区域包括牙冠区域和所述牙根区域；
利用所述CBCT三维牙齿数据集对所述三维卷积神经网络模型进行训练以获得预测模型，将待分割的CBCT图像序列输入所述预测模型以获得牙齿分割概率图；
采用中心点聚类法对所述牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及
采用移动立方体算法将所述三维牙齿分割点云进行三维重建，得到牙齿三维模型。
2.根据权利要求1所述的牙齿分割建模方法，其特征在于，所述中心点聚类法包括：二值化处理、连通区域实例分割处理、最小区域剔除处理、连通区域质心求解和聚类处理和无效类剔除；
所述二值化处理，用于对所述牙齿分割概率图进行二值化处理，得到初始分割结果；
所述连通区域实例分割处理，用于对所述初始分割结果进行实例分割，以得到多个连通区域；
所述最小区域剔除处理，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；
所述连通区域质心求解和聚类处理，用于求解所述剩余连通区域的质心并聚类为两类；以及
所述无效类剔除处理，用于根据聚类结果剔除假阳性连通区域以得到所述三维牙齿分割点云。
3.根据权利要求1所述的牙齿分割建模方法，其特征在于，对所述CBCT图像序列进行数据清洗和标注进一步包括：
所述数据清洗用于从所述CBCT图像序列中剔除伪影样本，然后筛选出包含健康牙齿、金属/树脂填充、种植体、蛀牙、乳牙恒牙交替、牙套和高/低精度的样本；以及
所述标注用于使用医学图像标注工具对清洗的CBCT图像序列中的牙齿区域和牙根区域进行标注。
4.根据权利要求3所述的牙齿分割建模方法，其特征在于，
将所述待分割的CBCT图像序列中的所述牙齿区域标注为1并将所述牙齿之外区域标注为0；以及
将所述待分割的CBCT图像序列中的所述牙根区域标注为2并将所述牙根之外区域标注为0。
5.根据权利要求3或4所述的牙齿分割建模方法，其特征在于，对标注的所述CBCT图像序列进行预处理进一步包括：文件解析处理、全局强度标准化处理、图像裁剪处理、三维数据增强处理和类别平衡处理，其中，
所述文件解析处理：从CBCT图像文件中读取DICOM格式的标注的CBCT图像序列，根据所述CBCT图像序列解析出三维图像矩阵Imagedata、空间分辨率Voxel Spacing和原点信息Origin；
所述全局强度标准化处理：将解析出的三维图像矩阵扫描边界外的灰度值设为0，将所有图像矩阵的图像强度标准化处理为在[0,1]范围内；
所述图像裁剪处理：将标准化后的三维图像矩阵顺次裁剪成像素为n×n×c的三维图像块，其中，n表示像素的预设高度和宽度以及c表示像素的预设深度；
所述三维数据增强处理：将裁剪后的三维图像块进行三维数据增强，其中，所述三维数据增强包括随机三维翻转、随机三维旋转、随机对比度调节、随机三维弹性形变、随机高斯噪声和随机泊松噪声中的一种或者多种的组合；以及
所述类别平衡处理：对增强后的三维图像块进行筛选，滤除前景占比小于设定阈值的图像块。
6.根据权利要求1所述的牙齿分割建模方法，其特征在于，所述编码分支包括多个编码层，以及所述第一解码分支和所述第二解码分支均包括相同数量的解码层，其中，
每个编码层包括：第一三维残差块，用于特征提取分析；第一注意力机制模块，用于强化特征信息；以及池化层，用于进行降采样；以及
每个解码层包括：三维上采样层，用于还原分割位置；第二三维残差块，用于合成分割信息；以及第二注意力机制模块，用于平滑分割边界。
7.根据权利要求6所述的牙齿分割建模方法，其特征在于，所述第一或第二三维残差块包括顺次连接的第一卷积块、第二卷积块、第三卷积块和非线性层，其中，第一卷积块的输出与第三卷积块的输出叠加后送入非线性层，以获得所述三维残差块的输出，以及所述第一卷积块至所述第三卷积块包括顺次连接的标准化层、三维卷积层和非线性层。
8.根据权利要求6所述的牙齿分割建模方法，其特征在于，所述第一或第二注意力机制模块包括并行的空间增强模块和通道增强模块，其中，
所述空间增强模块从空间角度引入注意力机制，包括第一三维卷积层和非线性层；
所述通道增强模块从通道角度提炼特征信息，包括全局平均池化层、第二三维卷积层、第三三维卷积层和非线性层。
9.一种牙齿分割建模装置，其特征在于，包括：
牙齿数据集建立模块，用于收集包含各类牙齿临床情况的CBCT图像序列，对所述CBCT图像序列进行数据清洗、标注和预处理以建立CBCT三维牙齿数据集；
神经网络模块，用于建立三维卷积神经网络模型，包括编码分支、第一解码分支、第二解码分支和融合模块，其中，所述编码分支用于提取特征，所述第一解码分支用于牙齿区域进行预测以获取牙齿预测概率图，所述第二解码分支用于对牙根区域进行二次预测以获取牙根预测概率图，以及所述融合模块用于将所述牙齿预测概率图和所述牙根预测概率图融合为牙齿分割概率图，其中，所述牙齿区域包括牙冠区域和所述牙根区域；
预测模型，用于利用所述CBCT三维牙齿数据集对所述三维卷积神经网络模型进行训练以获得预测模型，并且将待分割的CBCT图像序列输入所述预测模型以获得牙齿分割概率图；
后处理模块，用于采用中心点聚类法对所述牙齿分割概率图进行后处理，将假阳性分割结果剔除，得到三维牙齿分割点云；以及
三维重建模块，用于采用移动立方体算法将所述三维牙齿分割点云进行三维重建，得到牙齿三维模型。
10.根据权利要求9所述的牙齿分割建模装置，其特征在于，所述后处理模块包括：二值化处理子模块、连通区域实例分割处理子模块、最小区域剔除处理子模块、连通区域质心求解和聚类处理子模块和无效类剔除子模块，其中，
所述二值化处理子模块，用于对所述牙齿分割概率图进行二值化处理，得到初始分割结果；
所述连通区域实例分割处理子模块，用于对所述初始分割结果进行实例分割，以得到多个连通区域；
所述最小区域剔除处理子模块，用于将体素小于预设值的连通区域剔除，得到剩余连通区域；
所述连通区域质心求解和聚类处理子模块，用于求解所述剩余连通区域的质心并聚类为两类；以及
所述无效类剔除处理子模块，用于根据聚类结果剔除假阳性连通区域以得到所述三维牙齿分割点云。
CN202110855137.5A 2021-07-27 2021-07-27 一种牙齿分割建模方法和装置 Active CN113516784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110855137.5A CN113516784B (zh) 2021-07-27 2021-07-27 一种牙齿分割建模方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110855137.5A CN113516784B (zh) 2021-07-27 2021-07-27 一种牙齿分割建模方法和装置

Publications (2)

Publication Number Publication Date
CN113516784A CN113516784A (zh) 2021-10-19
CN113516784B true CN113516784B (zh) 2023-05-23

Family

ID=78068704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110855137.5A Active CN113516784B (zh) 2021-07-27 2021-07-27 一种牙齿分割建模方法和装置

Country Status (1)

Country Link
CN (1) CN113516784B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549559A (zh) * 2022-03-01 2022-05-27 上海博恩登特科技有限公司 一种基于cbct数据ai分割牙齿结果的后处理方法和***
CN114757960B (zh) * 2022-06-15 2022-09-09 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
CN116485809B (zh) * 2022-07-01 2023-12-15 山东财经大学 基于自注意力与感受野调整的牙齿实例分割方法及***
CN115359257B (zh) * 2022-08-25 2023-05-16 华科精准（北京）医疗科技有限公司 基于深度学习的脊椎图像分割方法及手术导航定位***
WO2024108341A1 (zh) * 2022-11-21 2024-05-30 深圳先进技术研究院 基于点云理解的自动排牙方法、装置、设备及存储介质
CN115661141B (zh) * 2022-12-14 2023-03-31 上海牙典医疗器械有限公司 基于cbct图像牙齿和牙槽骨分割方法及***
KR102587782B1 (ko) * 2023-02-03 2023-10-11 고려대학교 산학협력단 3차원 치아 모델 생성 장치 및 방법
CN116523938A (zh) * 2023-05-16 2023-08-01 北京长木谷医疗科技股份有限公司 骨骼分割后的数据处理方法、装置、设备及可读存储介质
CN117830317B (zh) * 2024-03-05 2024-06-18 天津医科大学口腔医院 基于图像处理的正畸自动检测方法及***

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327535A (zh) * 2016-08-16 2017-01-11 苏州迪凯尔医疗科技有限公司 Cbct的牙根与口内扫描的牙冠的融合方法
CN108335318A (zh) * 2018-03-26 2018-07-27 北京正齐口腔医疗技术有限公司 牙冠和牙根融合的方法及装置
CN108665533A (zh) * 2018-05-09 2018-10-16 西安增材制造国家研究院有限公司 一种通过牙齿ct图像和三维扫描数据重建牙列的方法
CN110473243A (zh) * 2019-08-09 2019-11-19 重庆邮电大学 基于深度轮廓感知的牙齿分割方法、装置及计算机设备
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN111833353A (zh) * 2020-07-16 2020-10-27 四川九洲电器集团有限责任公司 一种基于图像分割的高光谱目标检测方法
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法
CN112614127A (zh) * 2020-12-31 2021-04-06 北京朗视仪器有限公司 一种基于端到端的交互式三维cbct牙齿图像分割算法
CN112991273A (zh) * 2021-02-18 2021-06-18 山东大学 三维牙齿模型的正畸特征自动检测方法及***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645746B2 (en) * 2018-11-28 2023-05-09 Orca Dental AI Ltd. Dental image segmentation and registration with machine learning

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327535A (zh) * 2016-08-16 2017-01-11 苏州迪凯尔医疗科技有限公司 Cbct的牙根与口内扫描的牙冠的融合方法
CN108335318A (zh) * 2018-03-26 2018-07-27 北京正齐口腔医疗技术有限公司 牙冠和牙根融合的方法及装置
CN108665533A (zh) * 2018-05-09 2018-10-16 西安增材制造国家研究院有限公司 一种通过牙齿ct图像和三维扫描数据重建牙列的方法
CN110473243A (zh) * 2019-08-09 2019-11-19 重庆邮电大学 基于深度轮廓感知的牙齿分割方法、装置及计算机设备
CN110930421A (zh) * 2019-11-22 2020-03-27 电子科技大学 一种用于cbct牙齿图像的分割方法
CN111833353A (zh) * 2020-07-16 2020-10-27 四川九洲电器集团有限责任公司 一种基于图像分割的高光谱目标检测方法
CN112200843A (zh) * 2020-10-09 2021-01-08 福州大学 一种基于超体素的cbct与激光扫描点云数据牙齿配准方法
CN112614127A (zh) * 2020-12-31 2021-04-06 北京朗视仪器有限公司 一种基于端到端的交互式三维cbct牙齿图像分割算法
CN112991273A (zh) * 2021-02-18 2021-06-18 山东大学 三维牙齿模型的正畸特征自动检测方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic Classification and Segmentation of Teeth on 3D Dental Model Using Hierarchical Deep Learning Networks;SUKUN TIAN 等;IEEE Access;第07卷;第84817-84828页 *
口腔CBCT图像牙齿自动分割方法研究;陈燕琳;中国优秀硕士学位论文全文数据库 医药卫生科技辑(第01期);第E074-6页 *
多级层次三维卷积神经网络的牙颌模型分割与识别技术;田素坤 等;计算机辅助设计与图形学学报;第32卷(第08期);第1218-1227页 *

Also Published As

Publication number Publication date
CN113516784A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN113516784B (zh) 一种牙齿分割建模方法和装置
US11494957B2 (en) Automated correction of metal affected voxel representations of x-ray data using deep learning techniques
US10991091B2 (en) System and method for an automated parsing pipeline for anatomical localization and condition classification
EP1649810A1 (en) Image processing method and computer-readable recording medium containing image processing program
CN110473243A (zh) 基于深度轮廓感知的牙齿分割方法、装置及计算机设备
Loncaric et al. 3-D image analysis of intra-cerebral brain hemorrhage from digitized CT films
Avuçlu et al. Novel approaches to determine age and gender from dental x-ray images by using multiplayer perceptron neural networks and image processing techniques
Bielecki et al. Hand radiographs preprocessing, image representation in the finger regions and joint space width measurements for image interpretation
Benyó Identification of dental root canals and their medial line from micro-CT and cone-beam CT records
Lin et al. Tooth numbering and condition recognition on dental panoramic radiograph images using CNNs
CN114004970A (zh) 一种牙齿区域检测方法、装置、设备及存储介质
Moris et al. Automated tracking of the mandibular canal in CBCT images using matching and multiple hypotheses methods
EP3270355A1 (en) Determining a complexity value of a stenosis or a section of a vessel
Datta et al. Neutrosophic set-based caries lesion detection method to avoid perception error
Anitha et al. A segmentation technique to detect the Alzheimer's disease using image processing
Engelkes Accuracy of bone segmentation and surface generation strategies analyzed by using synthetic CT volumes
US20220122261A1 (en) Probabilistic Segmentation of Volumetric Images
US20070053570A1 (en) Image processing method, and computer-readable recording medium in which image processing program is recorded
CN117615733A (zh) 三维牙齿图像显示装置和方法以及用于训练三维牙齿图像显示装置的方法
Sayin et al. Optimization of CBCT data with image processing methods and production with fused deposition modeling 3D printing
Kaarthik et al. Detection and Classification of Dental Defect using CNN
Ghafoor et al. Multiclass Segmentation using Teeth Attention Modules for Dental X-ray Images
Carson Automatic Bone Structure Segmentation of Under-sampled CT/FLT-PET Volumes for HSCT Patients
Misra et al. Image Processing on IOPA Radiographs: A comprehensive case study on Apical Periodontitis
Ghafoor et al. Multiclass Teeth Segmentation for Dental X-ray Images

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