CN115830034B - 一种用于口腔健康管理的数据分析*** - Google Patents

一种用于口腔健康管理的数据分析*** Download PDF

Info

Publication number
CN115830034B
CN115830034B CN202310160076.XA CN202310160076A CN115830034B CN 115830034 B CN115830034 B CN 115830034B CN 202310160076 A CN202310160076 A CN 202310160076A CN 115830034 B CN115830034 B CN 115830034B
Authority
CN
China
Prior art keywords
image
mandibular
horizontal
wisdom
horizontal anti
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
CN202310160076.XA
Other languages
English (en)
Other versions
CN115830034A (zh
Inventor
王宁
张群
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.)
Central Hospital of Zibo
Original Assignee
Central Hospital of Zibo
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 Central Hospital of Zibo filed Critical Central Hospital of Zibo
Priority to CN202310160076.XA priority Critical patent/CN115830034B/zh
Publication of CN115830034A publication Critical patent/CN115830034A/zh
Application granted granted Critical
Publication of CN115830034B publication Critical patent/CN115830034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及口腔数据管理领域，具体公开了一种用于口腔健康管理的数据分析***，包括构建患者CBCT影像数据集，剔除数据集冗余和噪声，将数据集输入至特征提取模块，以水平阻生智齿的标定位置，进一步选取图像背景中的下颌管目标，将下颌管像素点连接成完整的下颌管，构建水平阻生智齿的三维模型，根据空间坐标将水平阻生智齿的三维重建模型与下颌管识别重建模型融合，确定水平阻生智齿拔除的手术位置，基于卷积神经网络对水平阻生智齿的三维模型进行重构，对下颌神经管像素点识别连接，最后基于坐标位置将下颌管融合模型与水平阻生智齿的三维模型融合能够对水平阻生智齿的拔除提供精确的操作空间，进一步减少了下颌阻生智齿拔除的不确定风险。

Description

一种用于口腔健康管理的数据分析***
技术领域
本发明涉及口腔数据管理领域，具体是一种用于口腔健康管理的数据分析***。
背景技术
阻生牙又称智齿，是指由于部分原因不能萌出到咬合位置的牙，这种萌出异常是由于受到相邻的牙、骨、或其他软组织的阻碍所造成的，其中，下颌智齿阻生率最高，可以引起智齿冠周炎、邻牙龋坏及根尖病、牙列拥挤、间隙感染等并发症，因此要对下颌阻生智齿及时拔除，但因下颌阻生智齿拔除会受到术野影响，同时邻近重要解剖结构、阻生程度和牙根形态变异较大，致使下颌阻生智齿拔除手术较为复杂，并且术后并发症多，而且下颌智齿接近下颌管是智齿拔除后发生神经损伤和下唇感觉障碍的危险因素，因此在下颌智齿拔除前需要通过影像学来判断下颌智齿与下颌管的位置关系，相对于垂直阻生智齿来讲，水平阻生智齿的拔除风险以及手术难度更大些，由于水平阻生智齿的牙冠与周围相邻牙和其他软组织的特殊位置关系，手术对下颌阻生智齿进行拔除时需要尽量避免对相邻牙以及其他组织神经的破坏，尤其要避免对下颌管造成损伤，这关系着患者是否能够在智齿拔除后得到更好地预后，这就要求在术前对下颌智齿有更为精准判断。
就目前来说，在获得智齿口腔医学影像后，大多由人工对影像中的智齿进行标记，但是下颌神经管位于软组织中，与其他周围组织在影像中非常相近，这就致使在人工识别的情况下无法有效的提取到下颌神经管的位置，同时经研究发现，将卷积神经网络应用至自动检测和分割下颌管中能够取得与人工分割结果有着相当的准确性，因此在二维和三维图像中，卷积神经网络在判断下颌智齿与下颌管的位置关系的性能良好，有很大的应用前景，但是下颌管是在三维空间中在不同方向延伸，在横截面二维图像中下颌管的位置与形状会发生变化，这就可能会致使在三维重建中识别提取结果与实际情况存在偏差，致使下颌阻生智齿拔除的不确定风险增大，因此如何能够根据有限的截面影像信息识别提取更多的关于下颌管的三维信息对减少下颌阻生智齿拔除的不确定风险有重要作用。
发明内容
本发明的目的在于提供一种用于口腔健康管理的数据分析***，将下颌管融合模型与水平阻生智齿的三维模型融合对水平阻生智齿的拔除提供较为精确的操作空间，进一步减少了下颌阻生智齿拔除的不确定风险，可以有效解决背景技术中的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于口腔健康管理的数据分析***，包括以下分析流程：
S1：采集患者口腔锥形束CT(CBCT)影像，生成患者CBCT影像数据集；
S2：患者CBCT影像数据集图像预处理，对患者CBCT影像数据集进行剔除冗余和噪声处理；
S21：剔除冗余信息，选择利用背景差分法快速搜索患者CBCT影像数据集的图像里是否有水平阻生智齿的区域，筛选得到存在水平阻生智齿的图像集，剔除不存在水平阻生智齿的图像，减少***的计算量；
S22：去除图像中的噪声干扰，通过向患者CBCT影像数据集中引入一组随机高斯噪声去除图像中的噪声干扰；
S3：将预处理得到的患者CBCT影像数据集图像输入至特征提取模块，特征提取模块包块一个卷积层和一个全连接层，在卷积层中利用卷积神经网络引入激活函数提取出特征H，将特征H输入至全连接层，获得具有多样的代表性的特征Hl；
S4：检验提取特征质量，将H作为数据中心点，某特征节点i与特征值之间的距离加权作为CBCT影像数据集中的其他节点与特征值之间的差异性损失；
S5：以水平阻生智齿的标定位置，进一步选取图像背景中的下颌管目标，由于下颌管像素深度值较低并且具有较强的方向性，对下颌管的深度与方向性进行检验；
S6：记包含下颌神经管的背景图集为S＝{Sn}，以下颌管中心像素(i，j)的邻域的深度与方向性对像素点进行融合，将同时满足深度检测和方向性检测的下颌管像素点连接成完整的下颌管；
S7：将水平阻生智齿的特征输入至分类器中进行识别分类，计算患者CBCT影像数据集中水平阻生智齿的分类损失函数；
S8：基于患者CBCT影像数据集的二维模态图像构建水平阻生智齿的三维模型，将水平阻生智齿的三维重建模型输入至分类器中，计算三维重建模型与真实水平阻生智齿图集之间的对比损失；
S9：根据空间坐标位置将水平阻生智齿的三维重建模型与下颌管识别重建模型融合，确定两者之间的位置关系，确定水平阻生智齿拔除的手术位置。
作为本发明再进一步的方案：所述S22中是通过定义患者CBCT影像数据集中获取的水平阻生智齿图像为X，根据已知高斯分布n(0，σ2)，随机采样得到与X相同分辨率的噪声ε，将噪声ε加入水平阻生智齿图像X中得到引入噪声的水平阻生智齿图像Y＝X+ε，得到若干组配对图像数据{Y，X}，计算在水平阻生智齿图像X的邻域与水平阻生智齿图像Y的邻域之间的相似测量值，定义u为水平阻生智齿图像Y的灰度水平的加权平均值，对于每个水平阻生智齿图像Y的权重取决于其邻域的相似测量值，标准化能够得到一个数值，该数值取决于水平阻生智齿图像X的噪声水平，根据水平阻生智齿图像Y的灰度水平的加权平均值能够改变水平阻生智齿图像X的灰度水平，能够达到对患者CBCT影像数据集中的图像降噪的目的。
作为本发明再进一步的方案：所述S3中在全连接层获得的具有多样的代表性的特征
Figure GDA0004163617580000031
l代表第l层并且1≤l≤L，
Figure GDA0004163617580000032
代表第l层的权重矩阵，
Figure GDA0004163617580000033
代表第l层的偏差矢量，*代表全连接相乘，引入LeakyReLU激活函数能够对多特征之间的连接关系进行线性修正。
作为本发明再进一步的方案：所述S4中CBCT影像数据集中的其他节点与特征值之间的差异性损失
Figure GDA0004163617580000041
N表示数据集中节点总数，||xi-H||2表示某节点i与特征值之间的距离，同时根据某节点i与特征值之间的距离对检测数据集做预处理，距离越小表明两数据相似性越高，根据数据相似性能够删除相关的冗余信息，达到对数据压缩处理的目的。
作为本发明再进一步的方案：所述S5中验证下颌管的像素深度，定义下颌管目标图像的中心像素为(i，j)，设定在中心像素距离半径为r的区域内，其中心像素深度为
Figure GDA0004163617580000042
其中
Figure GDA0004163617580000043
表示深度验证框(边长2r+1)中所有像素的平均深度，I(x，y)表示像素(x，y)的深度值，则I(i，j)表示中心像素(i，j)的深度值，且
Figure GDA0004163617580000044
作为本发明再进一步的方案：所述S5中检测下颌管的方向性，计算下颌管目标图像的中心像素(i，j)两侧在距离半径为r的区域内的像素深度均值
Figure GDA0004163617580000045
和
Figure GDA0004163617580000046
n表示以中心像素为中心的方向角度，根据像素深度均值
Figure GDA0004163617580000047
和
Figure GDA0004163617580000048
计算各方向的深度变化dn，进而获得最大和最小的深度变化值dmax和dmin，其中dmax越大，相对应方向上的像素深度值变化形态则越明显，则dmax需满足dmax≥θ，θ表示阈值参数，下颌管像素具有明显的方向性，在不同方向上的dn有较大的区别，即应满足dmax*dmin≥τ，τ表示设定阈值。
作为本发明再进一步的方案：所述S7中是利用softmax激活函数对各特征向量的节点进行分类预测，即分类预测概率
Figure GDA0004163617580000049
Figure GDA00041636175800000410
代表特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是数据集中含有的类别数，根据分类预测概率输出水平阻生智齿语义Y，对应分类损失函数
Figure GDA00041636175800000411
pij表示像素点i在第j维的分布概率，fi代表像素点i的真实分类标签。
作为本发明再进一步的方案：所述S8是通过结合水平阻生智齿图像区域之间点对点的采样距离与法向矢量夹角对水平阻生智齿平面图像进行分割，将距离上邻近但异面的坐标点分割到不同平面，将水平阻生智齿图像的平面坐标转化成空间极坐标，以坐标点的聚类方式构建水平阻生智齿的三维模型。
与现有技术相比，本发明的有益效果是：
通过利用深度学***阻生智齿二维图像的特征对水平阻生智齿的三维模型进行重构，同时对水平阻生智齿的邻域进行下颌神经识别，对下颌神经管像素点识别连接，最后基于坐标位置将下颌管融合模型与水平阻生智齿的三维模型融合能够对水平阻生智齿的拔除提供较为精确的操作空间进一步减少了下颌阻生智齿拔除的不确定风险。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一种用于口腔健康管理的数据分析***的分析流程示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
如图1所示，本发明提供一种用于口腔健康管理的数据分析***的分析流程，所示具体步骤如下：
S1：采集患者口腔锥形束CT(CBCT)影像，生成患者CBCT影像数据集；
S2：患者CBCT影像数据集图像预处理，对患者CBCT影像数据集进行剔除冗余和噪声处理；
S21：剔除冗余信息，选择利用背景差分法快速搜索患者CBCT影像数据集的图像里是否有水平阻生智齿的区域，由于水平阻生智齿的生长方向异于其他牙齿，因此能够根据两牙齿之间的位置关系可以快速识别到水平阻生智齿的所在位置，筛选得到存在水平阻生智齿的图像集，剔除不存在水平阻生智齿的图像，减少***的计算量；
S22：去除图像中的噪声干扰，通过向患者CBCT影像数据集中引入一组随机高斯噪声去除图像中的噪声干扰；
通过定义患者CBCT影像数据集中获取的水平阻生智齿图像为X，根据已知高斯分布n(0，σ2)，随机采样得到与X相同分辨率的噪声ε，将噪声ε加入水平阻生智齿图像X中得到引入噪声的水平阻生智齿图像Y＝X+ε，得到若干组配对图像数据{Y，X}，计算在水平阻生智齿图像X的邻域与水平阻生智齿图像Y的邻域之间的相似测量值，定义u为水平阻生智齿图像Y的灰度水平的加权平均值，对于每个水平阻生智齿图像Y的权重取决于其邻域的相似测量值，标准化能够得到一个数值，该数值取决于水平阻生智齿图像X的噪声水平，根据水平阻生智齿图像Y的灰度水平的加权平均值能够改变水平阻生智齿图像X的灰度水平，能够达到对患者CBCT影像数据集中的图像降噪的目的；
S3：将预处理得到的患者CBCT影像数据集图像输入至特征提取模块，特征提取模块包块一个卷积层和一个全连接层，在卷积层中利用卷积神经网络引入激活函数提取出特征H，将特征H输入至全连接层，获得具有多样的代表性的特征Hl，
Figure GDA0004163617580000061
l代表第l层并且1≤l≤L，
Figure GDA0004163617580000062
代表第l层的权重矩阵，
Figure GDA0004163617580000063
代表第l层的偏差矢量，*代表全连接相乘，引入LeakyReLU激活函数能够对多特征之间的连接关系进行线性修正；
S4：检验提取特征质量，将H作为数据中心点，某特征节点i与特征值之间的距离加权作为CBCT影像数据集中的其他节点与特征值之间的差异性损失；
CBCT影像数据集中的其他节点与特征值之间的差异性损失
Figure GDA0004163617580000071
N表示数据集中节点总数，||xi-H||2表示某节点i与特征值之间的距离，同时根据某节点i与特征值之间的距离对检测数据集做预处理，距离越小表明两数据相似性越高，根据数据相似性能够删除相关的冗余信息，达到对数据压缩处理的目的；
S5：以水平阻生智齿的标定位置，进一步选取图像背景中的下颌管目标，由于下颌管像素深度值较低并且具有较强的方向性，对下颌管的深度与方向性进行检验；
S51：验证下颌管的像素深度，定义下颌管目标图像的中心像素为(i，j)，设定在中心像素距离半径为r的区域内，其中心像素深度为
Figure GDA0004163617580000072
其中
Figure GDA0004163617580000078
表示深度验证框(边长2r+1)中所有像素的平均深度，I(x，y)表示像素(x，y)的深度值，则I(i，j)表示中心像素(i，j)的深度值，且
Figure GDA0004163617580000073
S52：检测下颌管的方向性，计算下颌管目标图像的中心像素(i，j)两侧在距离半径为r的区域内的像素深度均值
Figure GDA0004163617580000074
和
Figure GDA0004163617580000075
n表示以中心像素为中心的方向角度，根据像素深度均值
Figure GDA0004163617580000076
和
Figure GDA0004163617580000077
计算各方向的深度变化dn，进而获得最大和最小的深度变化值dmax和dmin，其中dmax越大，相对应方向上的像素深度值变化形态则越明显，则dmax需满足dmax≥θ，θ表示阈值参数，下颌管像素具有明显的方向性，在不同方向上的dn有较大的区别，即应满足dmax*dmin≥τ，τ表示设定阈值；
S6：记包含下颌神经管的背景图集为S＝{Sn}，以下颌管中心像素(i，j)的邻域的深度与方向性对像素点进行融合，将同时满足深度检测和方向性检测的下颌管像素点连接成完整的下颌管；
S7：将水平阻生智齿的特征输入至分类器中进行识别分类，计算患者CBCT影像数据集中水平阻生智齿的分类损失函数；
利用softmax激活函数对各特征向量的节点进行分类预测，即分类预测概率
Figure GDA0004163617580000081
Figure GDA0004163617580000082
代表特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是数据集中含有的类别数，根据分类预测概率输出水平阻生智齿语义Y，对应分类损失函数
Figure GDA0004163617580000083
pij表示像素点i在第j维的分布概率，fi代表像素点i的真实分类标签；
S8：基于患者CBCT影像数据集的二维模态图像构建水平阻生智齿的三维模型，通过结合水平阻生智齿图像区域之间点对点的采样距离与法向矢量夹角对水平阻生智齿平面图像进行分割，将距离上邻近但异面的坐标点分割到不同平面，将水平阻生智齿图像的平面坐标转化成空间极坐标，以坐标点的聚类方式构建水平阻生智齿的三维模型，将水平阻生智齿的三维重建模型输入至分类器中，计算三维重建模型与真实水平阻生智齿图集之间的对比损失；
S9：根据空间坐标位置将水平阻生智齿的三维重建模型与下颌管识别重建模型融合，确定两者之间的位置关系，确定水平阻生智齿拔除的手术位置。
本发明的工作原理是：通过利用深度学***阻生智齿二维图像的特征对水平阻生智齿的三维模型进行重构，同时对水平阻生智齿的邻域进行下颌神经识别，对下颌神经管像素点识别连接，最后基于坐标位置将下颌管融合模型与水平阻生智齿的三维模型融合能够对水平阻生智齿的拔除提供较为精确的操作空间进一步减少了下颌阻生智齿拔除的不确定风险。
以上所述的，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种用于口腔健康管理的数据分析***，其特征在于，包括以下分析流程：
S1：采集患者口腔锥形束CT影像，生成患者CBCT影像数据集；
S2：患者CBCT影像数据集图像预处理，对患者CBCT影像数据集进行剔除冗余和噪声处理；
S21：剔除冗余信息，选择利用背景差分法快速搜索患者CBCT影像数据集的图像里是否有水平阻生智齿的区域，筛选得到存在水平阻生智齿的图像集，剔除不存在水平阻生智齿的图像，减少***的计算量；
S22：去除图像中的噪声干扰，通过向患者CBCT影像数据集中引入一组随机高斯噪声去除图像中的噪声干扰；
S3：将预处理得到的患者CBCT影像数据集图像输入至特征提取模块，特征提取模块包块一个卷积层和一个全连接层，在卷积层中利用卷积神经网络引入激活函数提取出特征H，将特征H输入至全连接层，获得具有多样的代表性的特征Hl；
S4：检验提取特征质量，将H作为数据中心点，某特征节点i与特征值之间的距离加权作为CBCT影像数据集中的其他节点与特征值之间的差异性损失；
S5：以水平阻生智齿的标定位置，选取图像背景中的下颌管目标，对下颌管的深度与方向性进行检验；
S6：记包含下颌神经管的背景图集为S＝{Sn}，以下颌管中心像素(i，j)的邻域的深度与方向性对像素点进行融合，将同时满足深度检测和方向性检测的下颌管像素点连接成完整的下颌管；
S7：将水平阻生智齿的特征输入至分类器中进行识别分类，计算患者CBCT影像数据集中水平阻生智齿的分类损失函数；
S8：基于患者CBCT影像数据集的二维模态图像构建水平阻生智齿的三维模型，将水平阻生智齿的三维重建模型输入至分类器中，计算三维重建模型与真实水平阻生智齿图集之间的对比损失；
S9：根据空间坐标位置将水平阻生智齿的三维重建模型与下颌管识别重建模型融合，确定两者之间的位置关系，确定水平阻生智齿拔除的手术位置；
所述S22中是通过定义患者CBCT影像数据集中获取的水平阻生智齿图像为X，根据已知高斯分布n(0，σ2)，随机采样得到与X相同分辨率的噪声ε，将噪声ε加入水平阻生智齿图像X中得到引入噪声的水平阻生智齿图像Y＝X+ε，得到若干组配对图像数据{Y，X}，计算在水平阻生智齿图像X的邻域与水平阻生智齿图像Y的邻域之间的测量值，定义u为水平阻生智齿图像Y的灰度水平的加权平均值，对于每个水平阻生智齿图像Y的权重取决于其邻域的测量值，标准化能够得到一个数值，该数值取决于水平阻生智齿图像X的噪声水平，根据水平阻生智齿图像Y的灰度水平的加权平均值能够改变水平阻生智齿图像X的灰度水平；
所述S3中在全连接层获得的具有多样的代表性的特征
Figure FDA0004163617560000021
l代表第l层并且1≤l≤L，
Figure FDA0004163617560000022
代表第l层的权重矩阵，
Figure FDA0004163617560000023
代表第l层的偏差矢量，*代表全连接相乘，引入LeakyReLU激活函数能够对多特征之间的连接关系进行线性修正；
所述S4中CBCT影像数据集中的其他节点与特征值之间的差异性损失
Figure FDA0004163617560000024
N表示数据集中节点总数，||xi-H||2表示某节点i与特征值之间的距离，同时根据某节点i与特征值之间的距离对检测数据集做预处理。
2.根据权利要求1所述的一种用于口腔健康管理的数据分析***，其特征在于，所述S5中验证下颌管的像素深度，定义下颌管目标图像的中心像素为(i，j)，设定在中心像素距离半径为r的区域内，其中心像素深度为
Figure FDA0004163617560000025
其中
Figure FDA0004163617560000026
表示深度验证框中所有像素的平均深度，I(x，y)表示像素(x，y)的深度值，则I(i，j)表示中心像素(i，j)的深度值，且
Figure FDA0004163617560000037
3.根据权利要求1所述的一种用于口腔健康管理的数据分析***，其特征在于，所述S5中检测下颌管的方向性，计算下颌管目标图像的中心像素(i，j)两侧在距离半径为r的区域内的像素深度均值
Figure FDA0004163617560000031
和
Figure FDA0004163617560000032
n表示以中心像素为中心的方向角度，根据像素深度均值
Figure FDA0004163617560000033
和
Figure FDA0004163617560000034
计算各方向的深度变化dn，进而获得最大和最小的深度变化值dmax和dmin，其中dmax越大，相对应方向上的像素深度值变化形态则越明显，则dmax需满足dmax≥θ，θ表示阈值参数，下颌管像素具有明显的方向性，在不同方向上的dn有区别，即应满足dmax*dmin≥τ，τ表示设定阈值。
4.根据权利要求1所述的一种用于口腔健康管理的数据分析***，其特征在于，所述S7中是利用softmax激活函数对各特征向量的节点进行分类预测，即分类预测概率
Figure FDA0004163617560000035
代表特征向量矩阵Xi的转置矩阵，Wf代表分类训练模型的参数矩阵，f是数据集中含有的类别数，根据分类预测概率输出水平阻生智齿语义Y，对应分类损失函数
Figure FDA0004163617560000036
pij表示像素点i在第j维的分布概率，fi代表像素点i的真实分类标签。
5.根据权利要求1所述的一种用于口腔健康管理的数据分析***，其特征在于，所述S8是通过结合水平阻生智齿图像区域之间点对点的采样距离与法向矢量夹角对水平阻生智齿平面图像进行分割，将异面的坐标点分割到不同平面，将水平阻生智齿图像的平面坐标转化成空间极坐标，以坐标点的聚类方式构建水平阻生智齿的三维模型。
CN202310160076.XA 2023-02-24 2023-02-24 一种用于口腔健康管理的数据分析*** Active CN115830034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310160076.XA CN115830034B (zh) 2023-02-24 2023-02-24 一种用于口腔健康管理的数据分析***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310160076.XA CN115830034B (zh) 2023-02-24 2023-02-24 一种用于口腔健康管理的数据分析***

Publications (2)

Publication Number Publication Date
CN115830034A CN115830034A (zh) 2023-03-21
CN115830034B true CN115830034B (zh) 2023-05-09

Family

ID=85522234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310160076.XA Active CN115830034B (zh) 2023-02-24 2023-02-24 一种用于口腔健康管理的数据分析***

Country Status (1)

Country Link
CN (1) CN115830034B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116010857A (zh) * 2023-03-24 2023-04-25 山东联合能源管道输送有限公司 一种用于港口原油的智慧管控***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610198A (zh) * 2019-08-22 2019-12-24 浙江工业大学 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
UA120644C2 (uk) * 2017-10-27 2020-01-10 Євген Олександрович Баранник Спосіб і пристрій для ультразвукового вимірювання та візуалізації пружності біологічних тканин в реальному часі
EP3503038A1 (en) * 2017-12-22 2019-06-26 Promaton Holding B.V. Automated 3d root shape prediction using deep learning methods
US20220012888A1 (en) * 2018-11-14 2022-01-13 Carestream Dental Llc Methods and system for autonomous volumetric dental image segmentation
CN110503652B (zh) * 2019-08-23 2022-02-25 北京大学口腔医学院 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端
CN113658679B (zh) * 2021-07-13 2024-02-23 南京邮电大学 一种医学图像下牙槽神经损伤风险自动评估方法
CN114708312A (zh) * 2022-04-14 2022-07-05 天津市口腔医院(天津市整形外科医院、南开大学口腔医院) 基于多模态信息融合的颞下颌关节运动重建方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610198A (zh) * 2019-08-22 2019-12-24 浙江工业大学 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法

Also Published As

Publication number Publication date
CN115830034A (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
Silva et al. Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives
Jiang et al. JointRCNN: a region-based convolutional neural network for optic disc and cup segmentation
US11464467B2 (en) Automated tooth localization, enumeration, and diagnostic system and method
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
US11443423B2 (en) System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex
Kumar et al. Descriptive analysis of dental X-ray images using various practical methods: A review
CN107993221B (zh) 心血管光学相干断层oct图像易损斑块自动识别方法
CN106778902A (zh) 基于深度卷积神经网络的奶牛个体识别方法
KR102458324B1 (ko) 학습 모델을 이용한 데이터 처리 방법
CN110390665B (zh) 基于深度学习多通道与图嵌法的膝关节病症超声诊断方法
CN115830034B (zh) 一种用于口腔健康管理的数据分析***
CN105678746A (zh) 一种医学图像中肝脏范围的定位方法及装置
CN112365464A (zh) 一种基于gan的医学图像病变区域弱监督定位方法
CN112785609B (zh) 一种基于深度学习的cbct牙齿分割方法
CN114757960B (zh) 一种基于cbct图像的牙齿分割与重建方法及存储介质
CN111784639A (zh) 基于深度学习的口腔全景片龋齿深度识别方法
Megalan Leo et al. Dental caries classification system using deep learning based convolutional neural network
Basha et al. Enhanced and Effective Computerized Classification of X-Ray Images
CN110634132A (zh) 基于深度学习的3d ct影像自动生成肺结核量化诊断报告的方法
CN112419330B (zh) 一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法
Jusman et al. Classification of Caries X-Ray Images using Multilayer Perceptron Models Based Shape Features
CN115602320B (zh) 一种困难气道评估方法和***
KR102545906B1 (ko) 학습 모델을 이용한 데이터 처리 방법
US20220358740A1 (en) System and Method for Alignment of Volumetric and Surface Scan Images
CN113633304B (zh) 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法

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