CN113628223A - 基于深度学习的牙科cbct三维牙齿分割方法 - Google Patents
基于深度学习的牙科cbct三维牙齿分割方法 Download PDFInfo
- Publication number
- CN113628223A CN113628223A CN202110896655.1A CN202110896655A CN113628223A CN 113628223 A CN113628223 A CN 113628223A CN 202110896655 A CN202110896655 A CN 202110896655A CN 113628223 A CN113628223 A CN 113628223A
- Authority
- CN
- China
- Prior art keywords
- convolution
- model
- cbct
- decoding
- 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.)
- Granted
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012217 deletion Methods 0.000 claims abstract 2
- 230000037430 deletion Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 5
- 210000000214 mouth Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012800 visualization Methods 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
- A61B6/035—Mechanical aspects of CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/51—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for dentistry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的牙科CBCT三维牙齿分割方法。本发明对CBCT图像序列中每张图像中的牙齿进行语义分割,从而去除噪声;构建深度监督的编码‑解码网络用于口腔CT图像的去噪,编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接,降低编码和解码子模块中特征图的语义缺失;具体包括四个阶段:阶段一、牙科CBCT图像的收集和预处理;阶段二、模型训练集的构造;阶段三、构建编码‑解码结构的网络分割模型;阶段四、模型训练及评估。实验结果表明,本发明对个体三维牙齿分割的Dice相似系数为95.64%。结果表明,本发明提出的方法为数字化牙科提供了一种有效的临床应用框架。
Description
技术领域
本发明提供了一种基于深度学习的牙科CBCT三维牙齿分割方法。本发明针对牙科口腔的锥形束计算机断层摄影(CBCT)图像,构建深度学习语义分割模型对目标牙齿分割,得到去噪后的三维牙齿模型。
背景技术
随着人工智能快速创新和锥形束计算机断层扫描(CT)、口腔内和面部扫描仪以及牙齿三维(3D)打印的发展,数字化牙科正在快速发展。数字化牙科提高了牙医的效率,提高了正畸诊断、治疗和手术指南的准确性。数字牙科的一个基本组成部分是从CBCT图像中三维分割牙齿、颌骨和颅骨,此外精准的牙齿形状有助于医学的评估模拟。从CBCT图像中自动和准确的进行三维牙齿分割是一个困难的任务,口腔软组织、CBCT成像过程中的噪声等原因形成的噪声都会影响医生的诊断。牙齿分割的过程就是图像去噪,尽可能的保留牙齿部分,传统的去噪方法如中值滤波、维纳滤波、基于直方图的滤波等等,其处理效果远远不能满足牙科诊断的需求。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于深度学习的牙科CBCT三维牙齿分割方法。
对于牙科CBCT图像的牙齿分割问题,本发明采用的方法是对CBCT图像序列中每张图像中的牙齿进行语义分割,从而去除噪声。为此我们构建了一个深度监督的编码-解码网络用于口腔CT图像的去噪,编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接,设计这种跳跃连接的目的是为了降低编码和解码子模块中特征图的语义缺失。具体步骤包括:1、牙科CBCT图像的收集和预处理;2、模型训练集的构造;3、构建编码-解码结构的网络分割模型;4、模型训练及评估。实验结果表明,该方法对个体三维牙齿分割的Dice相似系数为95.64%。结果表明,本发明提出的方法为数字化牙科提供了一种有效的临床应用框架。
本发明解决其技术问题所采用的技术方案如下:
基于深度学习的CBCT图像牙齿分割、重建框架包含以下四个阶段,整个流程如图1所示,每个阶段都会有一系列的操作,四个阶段如下:
阶段一、获取牙科CBCT数据集。
阶段二、构建深度语义分割模型。
阶段三、模型训练。
阶段四、牙科CBCT数据分割和重建。
进一步,所述的阶段一获取牙科CBCT数据集的具体步骤实现如下:
1.1使用的牙科CBCT数据集由10位患者组成,每位患者CBCT数据的大小是512张512*512的dcm格式图像。
1.2为了未来进行单个牙齿分类的工作,用ITK-SNAP软件对深度学习语义分割模型的训练数据集进行标注;将CBCT图像的牙齿进行14类的标注,标签文件保存为nii文件格式,CBCT图像及其对应的标签可视化如图1。
1.3标注后的CBCT图像对应的标签,在灰度值图像中的像素对应关系是:像素值0对应背景,像素值1-14对应不同的牙齿,为了分割牙齿,将像素1-14的区域置为1,表示牙齿部分。图2中的a、b、c表示同一个患者不同切片的CBCT图像和对应的牙齿标签。
进一步,所述的阶段二构建深度语义分割模型,具体实现如下:
对于口腔CT这种医学图像,进行牙齿的目标分割时,需要更加准确的精度,为此本发明提出一种新的编码-解码U形结构网络,模型结构如图3所示。该网络将编码器和解码器的不同子模块通过嵌套和跳跃路径连接在一起,以此将编码网络中高分辨率特征图和解码网络中相应语义特征进行融合,该编码-解码U形结构网络能够有效的学习前景对象的深层特征。
本发明使用的编码-解码U形结构网络,其中每个矩形表示一个密集卷积块,通过一系列的密集卷积块实现编码器和解码器特征图之间的语义融合。比如X0,0和X1,3之间通过三个具有卷积层的密集卷积块连接。黑色箭头线连接的UNet模型,虚线经过的卷积模块为一系列密集的连接的卷积模块。
本发明对于每个卷积模块Xi,j采用VGGBlock的卷积结构,即每个卷积后面都进行BN处理以及使用ReLU激活函数,例如X0,0的结构如图4所示。
本质上,密集卷积块使编码器特征映射的语义级别与解码器中特征的语义级别更相近。假设当接收的编码器特征映射和相应的解码器特征映射在语义上相似时,优化器将面临更容易的优化问题。为了方便分析跳跃连接,用xi,j表示卷积模块Xi,j的输出,其中i表示编码器下采样的索引,j表示沿着跳跃路径上的索引卷积块。xi,j的计算为:
其中,C(·)表示卷积模块的卷积运算,U(·)表示上采样,[]表示直接在通道维度上的连接。从图3可以发现,j=0表示只接收来自前一层编码器的输出,j=1的卷积模块有两个输入,两个都来自编码器网络,处于两个连续的级。j>1的卷积模块接受j+1个输入,其中j个输入来自同一级的跳跃路径上前j个卷积模块的输出,另外一个输入来自较低一级的跳跃路径的上采样模块的输出。第一条跳跃路径的具体构造如图5所示。
由于跳跃路径的存在,模型在多个语义层次上生成全分辨率特征映射,用二分类交叉熵损失和Dice系数损失的组合作为模型的目标函数:
进一步,所述的阶段三模型训练具体实现如下:
实验中的度量标准是Dice系数和交并比(IOU),并在验证集上使用早停机制,使用学习率为3e-4的Adam优化器。具体结构如表1所示:
表1:模型各个卷积块使用的卷积核个数
模型结构中的所有卷积模块都使用k个大小3*3的卷积核。其中k=32×2i。同时第一个跳跃路径上的每个卷积模块后面经过1*1卷积后,然后再通过sigmoid激活函数连接到最X4,0到输出上。即对于每张CBCT图像,模型会给出四个牙齿的分割图,然后进一步平均计算生成最终的牙齿分割图。模型训练的迭代轮数为200。训练后的模型对于牙齿的分割预测如图6所示,患者的CBCT图像序列进行预测后,然后重建的对比如图7所示。
本发明有益效果如下:
本发明编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接,设计这种跳跃连接的目的是为了降低编码和解码子模块中特征图的语义缺失
实验结果表明,该方法对个体三维牙齿分割的Dice相似系数为95.64%。结果表明,本发明提出的方法为数字化牙科提供了一种有效的临床应用框架
附图说明
图1为本发明牙科CBCT图像及对应标签可视化。
图2为本发明牙齿CBCT图像及对应的mask标签。
图3为本发明编码-解码U形结构网络示意图。
图4为本发明卷积模块X0,0的具体结构。
图5为本发明模型的第一条跳跃路径的详细结构。
图6为本发明模型对于CBCT图像的预测结果。
图7为本发明患者的牙科口腔处理后的三维重建图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,一种基于深度学习的牙科CBCT三维牙齿分割方法。
对于牙科CBCT图像的牙齿分割问题,本发明采用的方法是对CBCT图像序列中每张图像中的牙齿进行语义分割,从而去除噪声。为此我们构建了一个深度监督的编码-解码网络用于口腔CT图像的去噪,编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接,设计这种跳跃连接的目的是为了降低编码和解码子模块中特征图的语义缺失。具体步骤包括:1、牙科CBCT图像的收集和预处理;2、模型训练集的构造;3、构建编码-解码结构的网络分割模型;4、模型训练及评估。实验结果表明,该方法对个体三维牙齿分割的Dice相似系数为95.64%。结果表明,本发明提出的方法为数字化牙科提供了一种有效的临床应用框架。
基于深度学习的CBCT图像牙齿分割、重建框架包含以下四个阶段,整个流程如图1所示,每个阶段都会有一系列的操作,四个阶段如下:
阶段一、获取牙科CBCT数据集。
阶段二、构建深度语义分割模型。
阶段三、模型训练。
阶段四、牙科CBCT数据分割和重建。
进一步,所述的阶段一获取牙科CBCT数据集的具体步骤实现如下:
1.1使用的牙科CBCT数据集由10位患者组成,每位患者CBCT数据的大小是512张512*512的dcm格式图像。
1.2为了未来进行单个牙齿分类的工作,用ITK-SNAP软件对深度学习语义分割模型的训练数据集进行标注;将CBCT图像的牙齿进行14类的标注,标签文件保存为nii文件格式,CBCT图像及其对应的标签可视化如图1。
1.3标注后的CBCT图像对应的标签,在灰度值图像中的像素对应关系是:像素值0对应背景,像素值1-14对应不同的牙齿,为了分割牙齿,将像素1-14的区域置为1,表示牙齿部分。图2中的a、b、c表示同一个患者不同切片的CBCT图像和对应的牙齿标签。
进一步,所述的阶段二构建深度语义分割模型,具体实现如下:
对于口腔CT这种医学图像,进行牙齿的目标分割时,需要更加准确的精度,为此本发明提出一种新的编码-解码U形结构网络,模型结构如图3所示。该网络将编码器和解码器的不同子模块通过嵌套和跳跃路径连接在一起,以此将编码网络中高分辨率特征图和解码网络中相应语义特征进行融合,该编码-解码U形结构网络能够有效的学习前景对象的深层特征。
本发明使用的编码-解码U形结构网络,其中每个矩形表示一个密集卷积块,通过一系列的密集卷积块实现编码器和解码器特征图之间的语义融合。比如X0,0和X1,3之间通过三个具有卷积层的密集卷积块连接。黑色箭头线连接的UNet模型,虚线经过的卷积模块为一系列密集的连接的卷积模块。
本发明对于每个卷积模块Xi,j采用VGGBlock的卷积结构,即每个卷积后面都进行BN处理以及使用ReLU激活函数,例如X0,0的结构如图4所示。
本质上,密集卷积块使编码器特征映射的语义级别与解码器中特征的语义级别更相近。假设当接收的编码器特征映射和相应的解码器特征映射在语义上相似时,优化器将面临更容易的优化问题。为了方便分析跳跃连接,用xi,j表示卷积模块Xi,j的输出,其中i表示编码器下采样的索引,j表示沿着跳跃路径上的索引卷积块。xi,j的计算为:
其中,C(·)表示卷积模块的卷积运算,U(·)表示上采样,[]表示直接在通道维度上的连接。从图3可以发现,j=0表示只接收来自前一层编码器的输出,j=1的卷积模块有两个输入,两个都来自编码器网络,处于两个连续的级。j>1的卷积模块接受j+1个输入,其中j个输入来自同一级的跳跃路径上前j个卷积模块的输出,另外一个输入来自较低一级的跳跃路径的上采样模块的输出。第一条跳跃路径的具体构造如图5所示。
由于跳跃路径的存在,模型在多个语义层次上生成全分辨率特征映射,用二分类交叉熵损失和Dice系数损失的组合作为模型的目标函数:
进一步,所述的阶段三模型训练具体实现如下:
实验中的度量标准是Dice系数和交并比(IOU),并在验证集上使用早停机制,使用学习率为3e-4的Adam优化器。具体结构如表1所示:
表1:模型各个卷积块使用的卷积核个数
模型结构中的所有卷积模块都使用k个大小3*3的卷积核。其中k=32×2i。同时第一个跳跃路径上的每个卷积模块后面经过1*1卷积后,然后再通过sigmoid激活函数连接到最X4,0到输出上。即对于每张CBCT图像,模型会给出四个牙齿的分割图,然后进一步平均计算生成最终的牙齿分割图。模型训练的迭代轮数为200。训练后的模型对于牙齿的分割预测如图6所示,患者的CBCT图像序列进行预测后,然后重建的对比如图7所示。
Claims (4)
1.一种基于深度学习的牙科CBCT三维牙齿分割方法,其特征在于对CBCT图像序列中每张图像中的牙齿进行语义分割,从而去除噪声;构建深度监督的编码-解码网络用于口腔CT图像的去噪,编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接,降低编码和解码子模块中特征图的语义缺失;具体包括四个阶段:阶段一、牙科CBCT图像的收集和预处理;阶段二、模型训练集的构造;阶段三、构建编码-解码结构的网络分割模型;阶段四、模型训练及评估。
2.根据权利要求1所述的一种基于深度学习的牙科CBCT三维牙齿分割方法,其特征在于所述的阶段一获取牙科CBCT数据集的具体步骤实现如下:
1.1使用的牙科CBCT数据集由10位患者组成,每位患者CBCT数据的大小是512张512*512的dcm格式图像;
1.2为了未来进行单个牙齿分类的工作,用ITK-SNAP软件对深度学习语义分割模型的训练数据集进行标注;将CBCT图像的牙齿进行14类的标注,标签文件保存为nii文件格式;
1.3标注后的CBCT图像对应的标签,在灰度值图像中的像素对应关系是:像素值0对应背景,像素值1-14对应不同的牙齿,为了分割牙齿,将像素1-14的区域置为1,表示牙齿部分。
3.根据权利要求2所述的一种基于深度学习的牙科CBCT三维牙齿分割方法,其特征在于所述的阶段二构建深度语义分割模型,具体实现如下:
提出一种新的编码-解码U形结构网络,该网络将编码器和解码器的不同子模块通过嵌套和跳跃路径连接在一起,以此将编码网络中高分辨率特征图和解码网络中相应语义特征进行融合,该编码-解码U形结构网络能够有效的学习前景对象的深层特征;
所述的编码-解码U形结构网络,其中每个矩形表示一个密集卷积块,通过一系列的密集卷积块实现编码器和解码器特征图之间的语义融合;;
对于每个卷积模块Xi,j采用VGGBlock的卷积结构,即每个卷积后面都进行BN处理以及使用ReLU激活函数;
密集卷积块使编码器特征映射的语义级别与解码器中特征的语义级别更相近;假设当接收的编码器特征映射和相应的解码器特征映射在语义上相似时,优化器将面临更容易的优化问题;为了方便分析跳跃连接,用xi,j表示卷积模块Xi,j的输出,其中i表示编码器下采样的索引,j表示沿着跳跃路径上的索引卷积块;xi,j的计算为:
其中,C(·)表示卷积模块的卷积运算,U(·)表示上采样,[]表示直接在通道维度上的连接;j=0表示只接收来自前一层编码器的输出,j=1的卷积模块有两个输入,两个都来自编码器网络,处于两个连续的级;j>1的卷积模块接受j+1个输入,其中j个输入来自同一级的跳跃路径上前j个卷积模块的输出,另外一个输入来自较低一级的跳跃路径的上采样模块的输出;
由于跳跃路径的存在,模型在多个语义层次上生成全分辨率特征映射,用二分类交叉熵损失和Dice系数损失的组合作为模型的目标函数:
4.根据权利要求3所述的一种基于深度学习的牙科CBCT三维牙齿分割方法,其特征在于所述的阶段三模型训练,具体实现如下:
实验中的度量标准是Dice系数和交并比(IOU),并在验证集上使用早停机制,使用学习率为3e-4的Adam优化器;具体结构如表1所示:
表1:模型各个卷积块使用的卷积核个数
模型结构中的所有卷积模块都使用k个大小3*3的卷积核;其中k=32×2i;同时第一个跳跃路径上的每个卷积模块后面经过1*1卷积后,然后再通过sigmoid激活函数连接到最X4 ,0到输出上;即对于每张CBCT图像,模型会给出四个牙齿的分割图,然后进一步平均计算生成最终的牙齿分割图;模型训练的迭代轮数为200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896655.1A CN113628223B (zh) | 2021-08-05 | 2021-08-05 | 基于深度学习的牙科cbct三维牙齿分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110896655.1A CN113628223B (zh) | 2021-08-05 | 2021-08-05 | 基于深度学习的牙科cbct三维牙齿分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628223A true CN113628223A (zh) | 2021-11-09 |
CN113628223B CN113628223B (zh) | 2024-06-28 |
Family
ID=78382940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110896655.1A Active CN113628223B (zh) | 2021-08-05 | 2021-08-05 | 基于深度学习的牙科cbct三维牙齿分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113628223B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554607A (zh) * | 2021-07-15 | 2021-10-26 | 四川大学 | 一种牙体检测模型、生成方法及牙体分割方法 |
CN114004831A (zh) * | 2021-12-24 | 2022-02-01 | 杭州柳叶刀机器人有限公司 | 基于深度学习辅助种植体置换的方法及辅助智能*** |
CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
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 |
CN116721309A (zh) * | 2023-06-13 | 2023-09-08 | 南京邮电大学 | 一种口腔语义模型训练方法、口腔锥形束ct图像的优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026599A1 (en) * | 2017-07-21 | 2019-01-24 | Dental Monitoring | Method for analyzing an image of a dental arch |
CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
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 |
CN113052856A (zh) * | 2021-03-12 | 2021-06-29 | 北京工业大学 | 一种基于多尺度特征多路注意力融合机制的海马体三维语义网络分割方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
-
2021
- 2021-08-05 CN CN202110896655.1A patent/CN113628223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190026599A1 (en) * | 2017-07-21 | 2019-01-24 | Dental Monitoring | Method for analyzing an image of a dental arch |
CN109598727A (zh) * | 2018-11-28 | 2019-04-09 | 北京工业大学 | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 |
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 |
CN113052856A (zh) * | 2021-03-12 | 2021-06-29 | 北京工业大学 | 一种基于多尺度特征多路注意力融合机制的海马体三维语义网络分割方法 |
CN113160246A (zh) * | 2021-04-14 | 2021-07-23 | 中国科学院光电技术研究所 | 一种基于深度监督的图像语义分割方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554607A (zh) * | 2021-07-15 | 2021-10-26 | 四川大学 | 一种牙体检测模型、生成方法及牙体分割方法 |
CN114004831A (zh) * | 2021-12-24 | 2022-02-01 | 杭州柳叶刀机器人有限公司 | 基于深度学习辅助种植体置换的方法及辅助智能*** |
CN114004831B (zh) * | 2021-12-24 | 2022-04-08 | 杭州柳叶刀机器人有限公司 | 基于深度学习辅助种植体置换的方法及辅助智能*** |
CN114187293A (zh) * | 2022-02-15 | 2022-03-15 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
CN114187293B (zh) * | 2022-02-15 | 2022-06-03 | 四川大学 | 基于注意力机制和集成配准的口腔腭部软硬组织分割方法 |
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 |
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 |
CN116721309A (zh) * | 2023-06-13 | 2023-09-08 | 南京邮电大学 | 一种口腔语义模型训练方法、口腔锥形束ct图像的优化方法及装置 |
CN116721309B (zh) * | 2023-06-13 | 2024-07-16 | 南京邮电大学 | 口腔语义模型训练方法及口腔锥形束ct图像优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113628223B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628223A (zh) | 基于深度学习的牙科cbct三维牙齿分割方法 | |
US11348237B2 (en) | Artificial intelligence architecture for identification of periodontal features | |
US20210118099A1 (en) | Generative Adversarial Network for Dental Image Super-Resolution, Image Sharpening, and Denoising | |
Panetta et al. | Tufts dental database: a multimodal panoramic x-ray dataset for benchmarking diagnostic systems | |
US20220218449A1 (en) | Dental cad automation using deep learning | |
US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
US20210118132A1 (en) | Artificial Intelligence System For Orthodontic Measurement, Treatment Planning, And Risk Assessment | |
US20210322136A1 (en) | Automated orthodontic treatment planning using deep learning | |
US11189028B1 (en) | AI platform for pixel spacing, distance, and volumetric predictions from dental images | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
US10991091B2 (en) | System and method for an automated parsing pipeline for anatomical localization and condition classification | |
US20200411201A1 (en) | Systems And Method For Artificial-Intelligence-Based Dental Image To Text Generation | |
US20210357688A1 (en) | Artificial Intelligence System For Automated Extraction And Processing Of Dental Claim Forms | |
US11311247B2 (en) | System and methods for restorative dentistry treatment planning using adversarial learning | |
Sivagami et al. | Unet architecture based dental panoramic image segmentation | |
US20210358604A1 (en) | Interface For Generating Workflows Operating On Processing Dental Information From Artificial Intelligence | |
US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
US20210217170A1 (en) | System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements. | |
CN114926470A (zh) | 一种基于深度学习的阻生齿医学图像分割***和方法 | |
CN112785609A (zh) | 一种基于深度学习的cbct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 | |
CN113554607A (zh) | 一种牙体检测模型、生成方法及牙体分割方法 | |
CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
US20220358740A1 (en) | System and Method for Alignment of Volumetric and Surface Scan Images | |
Chin et al. | Dentition labeling and root canal recognition using ganand rule-based system |
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 |