TWI754259B - 神經檢測方法及裝置 - Google Patents
神經檢測方法及裝置 Download PDFInfo
- Publication number
- TWI754259B TWI754259B TW109112962A TW109112962A TWI754259B TW I754259 B TWI754259 B TW I754259B TW 109112962 A TW109112962 A TW 109112962A TW 109112962 A TW109112962 A TW 109112962A TW I754259 B TWI754259 B TW I754259B
- Authority
- TW
- Taiwan
- Prior art keywords
- nerve
- image
- learning
- detecting
- chin
- Prior art date
Links
- 210000005036 nerve Anatomy 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title description 23
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 210000002698 mandibular nerve Anatomy 0.000 claims description 36
- 210000000988 bone and bone Anatomy 0.000 claims description 30
- 230000003340 mental effect Effects 0.000 claims description 5
- 210000004373 mandible Anatomy 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 25
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 9
- 239000004053 dental implant Substances 0.000 description 7
- 210000000276 neural tube Anatomy 0.000 description 6
- 238000001356 surgical procedure Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000007408 cone-beam computed tomography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000028389 Nerve injury Diseases 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000007943 implant Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008764 nerve damage Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4887—Locating particular structures in or on the body
- A61B5/4893—Nerves
-
- 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
- A61B6/506—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 diagnosis of nerves
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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]
-
- 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
- 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
-
- 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
- G06T2207/30008—Bone
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本發明涉及神經檢測方法及裝置,本發明的神經檢測方法包括:獲取學習影像的步驟,上述學習影像包括沿著冠狀面方向排列的多個切片;生成學習數據和學習模型的步驟,通過學習上述學習數據來生成學習模型,上述學習數據通過在上述學習影像中設定神經和作為檢測上述神經的基準的下巴頦結節及下頜角中的至少一個而成;向上述學習模型輸入對象影像的步驟;以及在上述對象影像中檢測神經的步驟,其以上述學習數據為基礎,本發明還可通過其他實施例來實現。
Description
本發明涉及神經檢測方法及裝置,更詳細地,涉及以神經分佈的解剖學特性為基礎的神經檢測方法及裝置。
通常,植牙意味著喪失原本的人體組織時能夠代替人體組織的替代物,尤其,在牙科中意味著將利用包括人工牙根(fixture)、基臺(abutment)及牙冠(crown)在內的假體的人工牙齒移植於實際牙齒位置。
在牙科中,植牙手術是指在牙槽骨形成穿孔,並向穿孔植入人工牙根,隨著人工牙根熔敷於齒槽骨,在人工牙根上安裝基臺及牙冠的手術。
為了防止發生神經損傷等問題,這種植牙手術在進行植牙手術之前以錐狀射束電腦斷層(CBCT,cone beam computed tomography)影像為基礎,通過決定植牙的植入位置、角度、深度等來確認牙齒及牙槽骨等的骨組織和神經管位置等。
尤其,當進行植牙手術時,由於每個患者具有多種神經路徑及狀態且必須維持人工牙根與下齒槽神經之間的安全距離,因此用於在牙槽骨進行穿孔的鑽孔工作存在諸多困難。並且,雖然以往通過斷層拍攝圖像的全景影像來檢測下齒槽神經,但由於全景影像中存在不透明且不明確的下齒槽神經,因此,當進行植牙手術時,存在有可能造成神經損傷的隱患。
發明所欲解決之問題
為了解決上述問題,本發明的目的在於,提供一種神經檢測方法及裝置,即,以神經分佈的解剖學特性為基礎進行神經檢測,能夠更快、更準確地自動檢測神經,並通過準確掌握每個患者不同的神經管的位置及狀態來安全地進行植牙手術。
並且,本發明的另一目的在於,提供一種神經位置校正方法及裝置,即,通過多種神經位置檢測技術來對所檢測的神經位置進行方便、更準確的校正。
本發明的技術問題並不限於上述提到的多個技術問題,本發明所屬技術領域的普通技術人員可從下述記載中明確理解未提及的其他多個技術問題。
解決問題之技術手段
為了解決上述問題,本發明的神經檢測方法包括:獲取學習影像的步驟,學習影像包括沿著冠狀面方向排列的多個切片;生成學習數據和學習模型的步驟,通過學習學習數據來生成學習模型,學習數據通過在學習影像中設定神經和作為檢測上述神經的基準的下巴頦結節及下頜角中的至少一個而成;向學習模型輸入對象影像的步驟;以及在對象影像中檢測神經的步驟,其以學習數據為基礎。
其中,在對象影像中檢測神經的步驟可包括:在對象影像中檢測下巴頦結節及下頜角的步驟;將所檢測的下巴頦結節與下頜角之間的區間設定為神經有效區間的步驟;通過探索神經有效區間來檢測神經的步驟。
並且,生成學習數據的步驟為生成在學習影像中設定牙槽骨、下巴頦神經及下齒槽神經中的至少一個的學習數據的步驟。
並且,在對象影像中檢測神經的步驟為在對象影像中檢測牙槽骨、下巴頦神經及下齒槽神經的步驟。
並且,檢測下齒槽神經的步驟為通過所檢測的牙槽骨來檢測下齒槽神經的步驟。
並且,在對象影像中檢測下巴頦結節的步驟為檢測下巴頦結節的步驟,以學習影像的統計值為基礎,設定第一探索起點,並從第一探索起點沿著對象影像的外側方向進行探索。
並且,在對象影像中檢測下頜角的步驟為檢測下頜角的步驟,以學習影像的統計值為基礎,設定第二探索起點,並從第二探索起點沿著對象影像的外側方向進行探索。
並且,在對象影像中檢測神經的步驟可包括:在對象影像中設定對象區域的步驟,對象區域包括作為檢測對象的下巴頦結節、下頜角及神經;計算對象區域的位置及大小資訊的步驟;以及計算對象區域中包括檢測對象的概率值的步驟。
並且,在對象影像中檢測神經的步驟還可包括將概率值達到基準值以上的對象區域檢測成包括檢測對象的檢測區域的步驟。
並且,在對象影像中檢測神經的步驟還可包括:在檢測區域中抽取包括神經的區域的座標的步驟;以及以座標為基礎來檢測神經的步驟。
並且,本發明的神經檢測方法還可包括:以神經位置為基礎來獲取曲面重建(CPR,Curved Planar Reformation)影像的步驟;在曲面重建影像分別顯示神經位置與基準線的步驟;以及以基準線為基礎來在上述曲面重建影像上校正神經位置的步驟。
其中,基準線的座標值可包括神經位置的多個座標值中的至少一個。
並且,基準線可以為經過顯示於曲面重建影像的神經區域的一部分的線。
並且,本發明提供的神經檢測裝置包括:影像獲取部,獲取學習影像,學習影像包括沿著冠狀面方向排列的多個切片;學習部,生成學習數據和學習模型,通過學習學習數據來生成學習模型,上述學習數據通過在學習影像中設定神經和作為檢測上述神經的基準的下巴頦結節及下頜角中的至少一個而成;以及神經檢測部,以學習數據為基礎,通過向學習模型輸入對象影像來在對象影像中檢測神經。
並且,本發明的神經檢測裝置還可包括校正部,以神經位置為基礎,獲取曲面重建影像(CPR,Curved Planar Reformation),在曲面重建影像中顯示基準線,以上述基準線為基礎,校正神經位置。
對照先前技術之功效
本發明具有如下效果,即,以神經分佈的解剖學特性為基礎進行神經檢測,能夠更快、更準確地自動檢測神經,並通過準確掌握每個患者不同的神經管的位置及狀態來安全地進行植牙手術。
並且,本發明具有如下效果,即,通過多種神經位置檢測技術來對所檢測的神經位置進行方便、更準確的校正。
本發明的效果並不限於以上提到的多個效果,本發明所屬技術領域的普通技術人員可從下述記載中明確理解到未提及的其他多個效果。
以下,參照附圖詳細說明本發明的較佳實施例。以下,與附圖一同公開的詳細說明僅示例性地說明了本發明的實施形態,並不表示能夠實施本發明的唯一實施形態。為了明確說明本發明,可在附圖中省略與說明無關的部分,在說明書全文中,可對相同或類似的結構要素使用相同的附圖標記。
本發明一實施例中的“或”、“至少一個”等表達形式可表示一同排列的多個單詞中的一個或兩個以上的組合。例如,“A或B”、“A及B中的至少一個”可僅包括A或B中的一個,也可同時包括A和B。
圖1為本發明實施例的在對象影像中檢測神經的電子裝置的簡要方塊圖,圖2為圖1中的控制部的具體方塊圖。
參照圖1,本發明的神經檢測裝置100可包括通信部110、輸入部120、顯示部130、記憶體140及控制器150。
通信部110與影像獲取裝置(未圖示)及伺服器(未圖示)等的外部裝置進行通信。為此,通信部110不僅可進行如第五代移動通信技術(5G,5th generation communication)、前瞻長期演進技術(LTE-A,long term evolution-advanced)、長期演進(LTE,long term evolution)、藍芽、低功耗藍芽(BLE,bluetooth low energy)、近場通信(NFC,near field communication)等的無線通信,而且還可進行電纜通信等的有線通信。
輸入部120根據神經檢測裝置100使用人員的輸入來產生輸入數據。輸入部120包括至少一個輸入單元。輸入部120可包括鍵盤(key board)、小鍵盤(key pad)、圓頂開關(dome switch)、觸控面板(touch panel)、觸控鍵(touch key)、滑鼠(mouse)、菜單按鈕(menu button)等。
顯示部130根據神經檢測裝置100的動作顯示顯示數據。顯示部130包括液晶顯示器(LCD,liquid crystal display)、發光二極體(LED,light emitting diode)顯示器、有機發光二極體(OLED,organic LED)顯示器、微電子機械系統(MEMS,micro electro mechanical systems)顯示器及電子紙(electronic paper)顯示器。顯示部130可通過與輸入部120相結合來形成觸控螢幕(touch screen)。
記憶體140用於存儲神經檢測裝置100的多個動作程式。並且,記憶體140可存儲基於卷積神經網路的圖像分割網路(U-Net)、區域卷積神經網路(RCNN,Region CNN)等的與卷積神經網路(CNN,convolutional neural network)相關的演算法。記憶體140可存儲從影像獲取裝置等接收的多個學習影像。
控制部150通過學習學習影像來生成學習數據,並以學習數據為基礎,在對象影像中檢測神經。尤其,控制部150以位於下巴頦結節與下頜角之間的解剖學特性為基礎,優先檢測下巴頦結節及下頜角,之後檢測位於下巴頦結節與下頜角之間的神經,具有能夠更快、更準確地檢測神經的優點。
參照圖2,控制部150可包括影像獲取部151、學習部152及神經檢測部153。
這種控制部150的特徵在於,能夠清楚地顯示下巴頦結節(mental tubercle)、下巴頦神經(Mental Nerve)、下齒槽神經(Inferior Alveolar Nerve)、牙槽骨(Alveolar Bone)以及下頜角(Mandibular Angle)等解剖部位,並通過以能夠明確顯示出其區分的冠狀面方向的牙齒斷面影像為基礎生成的學習數據來檢測神經。
影像獲取部151將從外部的影像獲取裝置接收的三維影像變換為沿著冠狀面方向排列的多個二維斷面影像(以下稱為切片)。即,影像獲取部151獲取包括沿著冠狀面方向排列的多個切片的學習影像。
學習部152生成對通過影像獲取部151獲取的多個學習影像設定神經(下巴頦神經及下齒槽神經)和作為檢測上述神經的基準的下巴頦結節及下頜角、有助於檢測下齒槽神經的牙槽骨中的至少一個的學習數據,並通過學習上述學習數據來生成學習模型。其中,學習部152可通過存儲於記憶體140的基於卷積神經網路的圖像分割網路(U-Net)、區域卷積神經網路(RCNN,Region CNN)等的與卷積神經網路(CNN,convolutional neural network)相關的演算法來學習學習影像。
向通過學習部152生成的學習模型輸入對象影像並由神經檢測部153以學習數據為基礎來在對象影像中檢測神經。其中,對象影像可以為包括沿著患者的冠狀面方向排列的多個切片(二維斷面影像)的三維影像。
具體地,神經檢測部153以學習數據為基礎來在對象影像中檢測下巴頦結節及下頜角,將所檢測的下巴頦結節與下頜角之間的區間設定為神經有效區間,並通過探索設定的神經有效區間來檢測神經(下巴頦神經及下齒槽神經)。其中,神經檢測部153可通過檢測牙槽骨來檢測下齒槽神經。即,因為下齒槽神經位於牙槽骨內部,所以優先檢測牙槽骨,之後通過在所檢測的牙槽骨中檢測下齒槽神經,從而可提高檢測的準確性。
另一方面,神經檢測部153檢測下巴頦結節、下頜角、牙槽骨及神經可以解釋為檢測包括這些檢測對象的切片。
神經檢測部153以多個學習影像的統計值為基礎來設定第一探索起點,並從所設定的第一探索起點沿著對象影像的外側方向進行探索,從而可檢測下巴頦結節。
與此相同,神經檢測部153以多個學習影像的統計值為基礎來設定第二探索起點,並從所設定的第二探索起點沿著對象影像的外側方向進行探索,從而可檢測下頜角。
其中,由於各個影像獲取裝置所拍攝的影像的解析度不同,多個學習影像的統計值為對各個影像包含的解剖學部位位置進行正規化的值(例如,0~1)。據統計,在第一探索起點(例如,0.323)以上幾乎不可能發現下巴頦結節,在第二探索起點(例如,0.715)以下也幾乎不可能發現下頜角。因此,若以第一探索起點及第二探索起點為基準來探索下巴頦結節及下頜角,則能夠更快、更準確地探索下巴頦結節及下頜角。
神經檢測部153在對象影像中設定作為檢測對象的下巴頦結節、下頜角及神經有可能包括在內的對象區域。而且,計算對象區域的位置及大小資訊,計算在對象區域中包括上述檢測對象的概率值。而且,將所計算的概率值達到基準值以上的對象區域檢測成包括檢測對象的檢測區域,並以在包括相應區域的切片顯示檢測對象的方式進行標記。
神經檢測部153在檢測區域中抽取包括神經的區域的座標(例如,中心座標),並以所抽取的座標(例如,中心座標)為基礎來檢測神經。即,可通過收集多個切片中的包括神經的區域的多個座標(例如,多個中心座標),來最終抽取神經管。
圖3為本發明實施例的在對象影像中檢測神經的方法的流程圖。
參照圖3,本發明實施例的神經檢測方法可包括獲取學習影像的步驟S100、生成學習數據和學習模型的步驟S200、向學習模型輸入對象影像的步驟S300以及在對象影像中檢測神經的步驟S400。
在獲取學習影像的步驟S100中,從外部的影像獲取裝置接收三維影像,並將其變換為沿著冠狀面方向排列的多個二維斷面影像(以下稱為切片)。即,獲取包括沿著冠狀面方向排列的多個切片的學習影像。
圖4為根據患者的頭部形狀方向變化的牙齒斷面影像的圖,圖5為分別在冠狀面方向的牙齒斷面影像中示出檢測對象的圖。
參照圖4,患者的頭部形狀方向可區分為水平面方向a(axial)、冠狀面方向b(coronal)及矢狀面方向c(sagittal),從中可確認到沿著頭部形狀方向來在牙齒斷面影像(切片)中顯示的牙齒的解剖學部位均各不相同。
參照圖4及圖5,根據本發明實施例的神經檢測方法,其特徵在於,能夠清楚地顯示下巴頦結節(mental tubercle)、下巴頦神經(Mental Nerve)、下齒槽神經(Inferior Alveolar Nerve)、牙槽骨(Alveolar Bone)及下頜角(Mandibular Angle)等的解剖學部位,並以明確顯示出其區分的冠狀面方向b的牙齒斷面影像為基礎來生成學習數據,並以此為基礎來檢測神經。
作為參考,參照圖5,可確認到下齒槽神經位於牙槽骨內部,而下巴頦神經並不位於牙槽骨內部,呈向外側穿透的形態。
在生成學習數據和學習模型的步驟S200中,生成對所獲取的多個學習影像設定神經(下巴頦神經及下齒槽神經)和作為檢測上述神經的基準的下巴頦結節及下頜角、有助於檢測下齒槽神經的牙槽骨中的至少一個的學習數據,並通過學習上述學習數據來生成學習模型。
其中,可通過存儲於記憶體140的基於卷積神經網路的圖像分割網路(U-Net)、區域卷積神經網路(RCNN,Region CNN)等的與卷積神經網路(CNN,convolutional neural network)相關的演算法來學習學習影像,從而生成學習模型。
圖6為用於說明本發明實施例的學習數據生成方法的圖。
參照圖6,學習數據可按學習影像中所包括的多個切片來設定下巴頦結節、下頜角、牙槽骨及神經(學習對象)區域(例如,箱(Box))的位置及大小資訊。具體地,以學習影像的左側上端為原點,將箱的左側上端的x軸及y軸位置設定為箱的位置座標,並以所設定的位置座標為基準來設定箱的寬度(Width)和高度(Height)。
另一方面,如上所述的在學習影像中設定學習對象的位置及大小資訊的方式可直接適用於後述的在對象影像中設定檢測對象的位置及大小資訊的方式。
在對象影像中檢測神經的步驟S400中,在向學習模型輸入對象影像S300之後,以學習數據為基礎,在對象影像中檢測神經。其中,對象影像可以為包括沿著患者的冠狀面方向排列的多個切片(二維斷面影像)的三維影像。
圖7為圖6中的在對象影像中檢測神經的步驟的流程圖,圖8為用於說明圖6中的在對象影像中檢測神經的步驟的圖。
參照圖7,在對象影像中檢測神經的步驟S400可包括:步驟S410,以學習數據為基礎來在對象影像中檢測下巴頦結節及下頜角;步驟S420,將所檢測的下巴頦結節與下頜角之間的區間設定為神經有效區間;以及步驟430,通過探索所設定的神經有效區間來檢測神經(下巴頦神經及下齒槽神經)。
其中,所檢測的牙槽骨可用於檢測下齒槽神經。即,因為下齒槽神經位於牙槽骨內部,所以優先檢測牙槽骨,之後通過在所檢測的牙槽骨中檢測下齒槽神經,從而可提高檢測的準確性。
另一方面,檢測下巴頦結節、下頜角、牙槽骨及神經可以解釋為檢測包括這些檢測對象的切片。
參照圖8,在對象影像中檢測神經的步驟S400以多個學習影像的統計值為基礎來設定第一探索起點S1,並從所設定的第一探索起點S1沿著對象影像的外側方向進行探索,從而可檢測下巴頦結節(MT)。
同樣,以多個學習影像的統計值為基礎,設定第二起點S2,並從所設定的第二探索起點S2沿著對象影像的外側方向進行探索,從而可檢測下頜角(MA)。
其中,將所檢測的下巴頦結節(MT)與下頜角(MA)之間的區間設定為神經有效區間,並可通過探索所設定的神經有效區間來檢測神經(下巴頦神經及下齒槽神經)。
其中,由於各個影像獲取裝置所拍攝的影像的解析度不同,多個學習影像的統計值為對各個影像包含的解剖學部位位置進行正規化的值(例如,0~1)。據統計,在第一探索起點(例如,0.323)以上幾乎不可能發現下巴頦結節,在第二探索起點(例如,0.715)以下也幾乎不可能發現下頜角。因此,若以第一探索起點及第二探索起點為基準來探索下巴頦結節及下頜角,則能夠更快、更準確地探索下巴頦結節及下頜角。
圖9為圖7中的在對象影像中檢測神經的步驟的具體流程圖。
參照圖9,在對象影像中檢測神經的步驟S400以學習數據為基礎來在對象影像中設定作為檢測對象的下巴頦結節、下頜角及神經有可能包括在內的對象區域(步驟S431)。而且,計算對象區域的位置及大小資訊(步驟S432),計算在對象區域中包括上述檢測對象的概率值(步驟S433)。而且,將所計算的概率值達到基準值以上的對象區域檢測成包括檢測對象的檢測區域(步驟S434),並以在包括相應區域的切片顯示檢測對象的方式進行標記。
而且,抽取檢測區域中包括神經的區域的座標(例如,中心座標)(步驟S435),並以所抽取的座標(例如,中心座標)為基礎來檢測神經(步驟S436)。即,可通過收集多個切片中的包括神經的區域的多個座標(例如,多個中心座標),來最終抽取神經管。
像這樣,本發明實施例的神經檢測方法以神經分佈的解剖學特性為基礎進行神經檢測,能夠更快、更準確地自動檢測神經,並通過準確掌握每個患者的不同神經管的位置及狀態來安全地進行植牙手術。
參照圖2,本發明實施例的神經檢測裝置還可包括校正部154。
以下,對通過校正部154執行的本發明一實施例的神經位置校正方法進行說明。
圖10為本發明一實施例的神經位置校正方法的流程圖。
參照圖10,本發明一實施例的神經位置校正方法為在三維影像中校正預先檢測的神經位置的方法,可包括步驟S500至步驟S700。以下,為了便於說明,三維影像為有關牙齒及其周圍骨架結構的影像,雖然將從中預先檢測的神經假設為齒槽神經(尤其,下齒槽神經)來在附圖中示出及說明,但本發明並不限於此。
步驟S500作為獲取影像的步驟,以預先檢測的神經位置為基礎,獲取曲面重建(CPR,Curved Planar Reformation)影像。
圖11為示出顯示神經位置的三維影像的一例示的圖,並且,圖12為示出從圖11中獲取的曲面重建影像的一例示的圖。
參照圖11,可在三維影像中用不同的顏色來表示神經位置的區域。如圖12所示,以這種神經位置為基礎,可通過後述曲面重建影像獲取步驟來獲取曲面重建影像。
圖13示出獲取曲面重建影像的過程。以下,參照圖13詳細說明獲取曲面重建影像的過程。
首先,在牙齒及其周圍骨架結構的三維影像中,齒槽神經C的神經位置可包括對於C的N個中心座標值Ci
(其中,i=0,1,…r-1)(參照圖13的(a)部分)。即,Ci
作為構成C的座標值,是對其中心曲線的多個點的N個座標值。由此,C可通過從各個Ci
相連接的中心線擴張規定長度R的空間區域來組成。即,可以為C={Ci
∈R3
|i=0,1,…𝑁−1}。
在這種情況下,可導出各個Ci
中的多個法線向量ni
與垂直於各個ni
的多個平面Pi
(參照圖13的(b)部分)。即,ni
為顯示各個Ci
中的切線方向的多個向量,具有ni
=<nx
,ny
,nz
>的座標值,可通過Ci+1
-Ci
的計算導出。
並且,可導出根據各個Ci中的基準向量的正射影向量 (參照圖5的(c)部分)。即,為r投影於Pi
的向量。並且,可導出在Pi
的垂直平面上以Ci
為中心點並具有半徑為 的區域的平面(以下稱為“正射影平面”)。在這種情況下,r作為用於計算曲面重建影像的範圍參數值,可預先設定或輸入。
若集合這種正射影平面,則可獲取作為用於曲面重建影像的曲面區域的樣品區域S(參照圖13的(f)部分)。在這種情況下,可在S中沿著各個Pi的斷面方向θ最終獲取曲面重建(CPR)影像(參照圖13的(d)部分以及圖13的(e)部分)。即,θ作為曲面重建(CPR)角度的參數值,可預先設定或輸入。
即,曲面重建(CPR)影像由構成C的曲線形態的平面組成,並可通過Ci
、r及θ來獲取。尤其,ni
•vi
=0,•vi
=|||vi
|cosθ。由此,構成曲面重建(CPR)的多個座標值為Ci
+kVi
。在這種情況下,k為y軸範圍指定純量值(實數K∈R3
)。由此,曲面重建(CPR)影像的解析度(Sampling數)可通過Ci
的數量(N值)和k值來決定。
圖14示出在圖12中的曲面重建影像中顯示神經位置的一例,圖15示出在圖12中的曲面重建影像中一同顯示神經位置和基準線的一例。
接著,如圖12所示,步驟S600作為顯示步驟,是顯示從步驟S500中獲取的曲面重建(CPR)影像的步驟。尤其,如圖14及圖15所示,在步驟S600中,可在曲面重建(CPR)影像中一同顯示神經位置(菱形)和基準線(虛線)。在這種情況下,神經位置可通過表示Ci
的多個點來顯示。
尤其,基準線為用於校正神經位置的引導線。即,曲面重建(CPR)影像中顯示的校正前的齒槽神經區域Cd1
(位於上下白色區域之間的黑色區域)與其神經位置的線(連接多個菱形的線)因其齒槽神經的特性而應以直線形態來顯示。但,參照圖14,Cd1
與其神經位置的線顯示為“~”形態的彎曲形態。這說明,預先設定的神經位置已被設定。
因此,基準線在曲面重建(CPR)影像上提供用於對以如上所述的方式錯誤設定的神經位置為基礎來在曲面重建(CPR)影像中顯示的校正前的齒槽神經區域Cd1
進行校正的基準。即,顯示於曲面重建(CPR)的基準線可根據對象神經的種類及形態來使其形態變得不同,可以為直線或曲線形態。尤其,在對象神經為齒槽神經的情況下,基準線可反應齒槽神經的形態來以直線形態顯示於曲面重建(CPR)影像。
但在大部分的情況下,僅校正神經位置的一部分,較佳地,基準線的座標值可包括神經位置的多個座標值中的至少一個。即,基準線可以為經過顯示於曲面重建(CPR)影像的神經區域的一部分的線。因為這種基準線存儲有多種形態,因而可通過輸入部120來被使用人員選擇,也可提出以默認值(default)方式指定的形態。
另一方面,為了區分神經位置和基準線,能夠以不同種類的線、形狀、粗細程度、顏色等來顯示於曲面重建(CPR)影像。
圖16示出通過基準線來對在圖12中的曲面重建影像中顯示的神經位置進行校正的一例。
接著,步驟S700為校正步驟,以顯示於曲面重建(CPR)影像的基準線為基礎,在曲面重建(CPR)影像上對顯示於曲面重建(CPR)影像的神經位置進行校正。即,能夠以使顯示於曲面重建(CPR)影像的神經位置的點或線與基準線相對應的方式在曲面重建(CPR)影像上進行變更(在圖16中以箭頭表示變更的部分)。由此,可通過將經過變更的部分的神經位置的座標值即時變更為相應部分的座標值來進行校正。在這種情況下,可通過輸入部120來接收使用人員對在顯示於曲面重建(CPR)影像的神經位置中需變更的部分進行的選擇和其變更程度並根據所輸入的數據來執行變更,或可通過機器學習(machine learning)等的多種演算法來執行變更。
圖17示出以圖16所示的方式進行校正後的曲面重建影像的一例。
根據步驟S700,若以基準線為基礎來在曲面重建(CPR)影像上對顯示於曲面重建(CPR)影像的神經位置進行校正,則如圖17所示,顯示於曲面重建(CPR)影像的進行校正後的齒槽神經區域Cd2
(位於上下白色區域之間的黑色區域)顯示得幾乎接近於直線形態。其作為符合作為對象神經的齒槽神經的Cd2
,表示Cd1
校正得當。
另一方面,可反復進行步驟S500至步驟S700。在這種情況下,將預先檢測的神經位置更新為在之前的步驟S700中校正的神經位置,並以此為基礎,可反復進行步驟S500至步驟S700。即,若將步驟S500至步驟S700作為之前步驟來對神經位置進行校正,則當再次進行步驟S500至步驟S700時,能夠以在之前步驟中校正的神經位置為基礎來執行步驟S500至步驟S700。可像這樣反復執行步驟來更準確地校正神經位置。
尤其,當反復執行步驟時,可在步驟S500中獲取角度θ2
與之前獲取的曲面重建(CPR)影像的角度θ1
不同的曲面重建(CPR)影像。但這種對於θ2
的選擇可由使用人員通過輸入部120在規定範圍(例如,90°至-90°)內進行輸入並接收輸入數據來實現,或可通過預設的規定角度變更值來進行選擇。
圖18至圖21示出顯示曲面重建影像的用戶介面(UI,User Interface)的多種例。
參照圖18至圖21,為了給使用人員提供便利,曲面重建(CPR)影像可以與基準影像一同顯示。在這種情況下,基準影像是指導出曲面重建(CPR)影像的三維影像或對相應的三維影像進行加工的影像。尤其,當提供這種用戶介面(UI)時,可同時顯示曲面重建(CPR)影像和基準影像,可在基準影像中顯示神經位置區域。
並且,當提供上述用戶介面(UI)時,在步驟S500中,通過輸入部120來接收基準影像中對於多個神經中的特定神經的選擇,並以所輸入的神經位置為基礎來獲取曲面重建(CPR)影像。例如,可通過輸入部120輸入對下齒槽神經中的左側或右側的選擇,根據所輸入的輸入數據進行步驟S500,並可獲取以相應的神經位置(左側下齒槽神經位置或右側下齒槽神經位置)為基礎的曲面重建(CPR)影像。
圖22示出多種範圍的曲面重建影像。
並且,在步驟S500中,除了獲取對曲面重建(CPR)影像的角度θ之外,可通過接收對於曲面重建(CPR)影像的範圍,來獲取反映其範圍的曲面重建(CPR)影像。在這種情況下,曲面重建(CPR)影像的範圍可以為使用人員通過輸入部120輸入的值或r值等。最終,如圖22所示,可獲取多種範圍的曲面重建(CPR)影像。接著,可在步驟S600中即時顯示反映相應範圍及角度θ的曲面重建(CPR)影像。
另一方面,當提供上述用戶介面(UI)時,可通過輸入部120選擇曲面重建(CPR)影像的角度θ或範圍。例如,角度θ或範圍可通過滑鼠的滾輪操作、滑鼠的拖拽輸入、鍵盤的方向鍵輸入、提供顯示部130上的滾動條的鍵盤的值輸入等來選擇。尤其,隨著滑鼠的滾輪操作或鍵盤的方向鍵輸入(與鍵盤的其他按鍵一同輸入),曲面重建(CPR)影像的角度θ或範圍可變大或變小。這種輸入手段具有可在上述用戶介面(UI)上向使用人員提供更大便利的優點。
圖23為對以往校正方法與本發明一實施例的神經位置校正方法進行比較的圖。
另一方面,如圖23的(a)部分所示,在以往的校正方法中,將圓筒形斷面影像作為對象來進行斷面影像移動及矯正。相反,如圖23的(b)部分所示,本發明一實施例的神經位置校正方法中,將曲面重建(CPR)影像作為對象,以其圓筒中心點為基準來進行斷面旋轉及校正。
本說明書和附圖中公開的本發明的多個實施例僅為了便於說明本發明的技術內容、有助於理解本發明而提出特定實施例,並不用於限定本發明的範圍。因此,應當解釋為,在本發明的範圍方面,除了上述實施例之外,以本發明的技術思想為基礎導出的所有變更或變形的實施方式屬於本發明的範圍。
100:神經檢測裝置
110:通信部
120:輸入部
130:顯示部
140:記憶體
150:控制部
151:影像獲取部
152:學習部
153:神經檢測部
154:校正部
MT:下巴頦結節
S1:第一探索起點
S2:第二探索起點
MA:下頜角
C:齒槽神經
Pi:平面
S:樣品區域
Cd1:齒槽神經區域
Cd2:齒槽神經區域
圖1為本發明實施例的在對象影像中檢測神經的電子裝置的簡要方塊圖。
圖2為圖1中的控制部的具體方塊圖。
圖3為本發明實施例的在對象影像中檢測神經的方法的流程圖。
圖4為根據患者的頭部形狀方向變化的牙齒斷面影像的圖。
圖5為分別在冠狀面方向的牙齒斷面影像中示出檢測對象的圖。
圖6為用於說明本發明實施例的學習數據生成方法的圖。
圖7為圖6中的在對象影像中檢測神經的步驟的流程圖。
圖8為用於說明圖6中的在對象影像中檢測神經的步驟的圖。
圖9為圖7中的在對象影像中檢測神經的步驟的具體流程圖。
圖10為本發明一實施例的神經位置校正方法的流程圖。
圖11為示出顯示神經位置的三維影像的一例示的圖。
圖12為示出從圖11中獲取的曲面重建影像的一例示的圖。
圖13為示出獲取曲面重建影像的過程的圖。
圖14為示出在圖12中的曲面重建影像中顯示神經位置的一例的圖。
圖15為示出在圖12中的曲面重建影像中一同顯示神經位置和基準線的一例的圖。
圖16為示出通過基準線來對在圖12中的曲面重建影像中顯示的神經位置進行校正的一例的圖。
圖17為示出以圖16所示的方式進行校正後的曲面重建影像的一例的圖。
圖18至圖21為示出顯示曲面重建影像的用戶介面(UI,User Interface)的多種例的圖。
圖22為示出多種範圍的曲面重建影像的圖。
圖23為對以往校正方法與本發明一實施例的神經位置校正方法進行比較的圖。
Claims (14)
- 一種神經檢測方法,其中,包括:獲取學習影像的步驟,所述學習影像包括沿著冠狀面方向排列的多個切片;生成學習數據和學習模型的步驟,通過學習所述學習數據來生成所述學習模型,所述學習數據通過在所述學習影像中設定神經和作為檢測所述神經的基準的下巴頦結節及下頜角中的至少一個而成;向所述學習模型輸入對象影像的步驟;以及在所述對象影像中檢測神經的步驟,其以所述學習數據為基礎,其中,在所述對象影像中檢測所述神經的步驟包括:在所述對象影像中設定對象區域的步驟,所述對象區域包括作為檢測對象的所述下巴頦結節、所述下頜角及所述神經;計算所述對象區域的位置及大小資訊的步驟;以及計算所述對象區域中包括所述檢測對象的概率值的步驟。
- 如請求項1所述之神經檢測方法,其中,在所述對象影像中檢測所述神經的步驟包括:在所述對象影像中檢測下巴頦結節及下頜角的步驟;將所檢測的所述下巴頦結節與所述下頜角之間的區間設定為神經有效區間的步驟;以及通過探索所述神經有效區間來檢測所述神經的步驟。
- 如請求項1所述之神經檢測方法,其中,生成所述學習數據的步驟為生成在所述學習影像中設定牙槽骨、下巴頦神經及下齒槽神經中的至少一個的所述學習數據的步驟。
- 如請求項3所述之神經檢測方法,其中,在所述對象影像中檢測所述神經的步驟為在所述對象影像中檢測牙槽骨、下巴頦神經及下齒槽神經的步驟。
- 如請求項4所述之神經檢測方法,其中,檢測所述下齒槽神經的步驟為通過所檢測的所述牙槽骨來檢測所述下齒槽神經的步驟。
- 如請求項2所述之神經檢測方法,其中,在所述對象影像中檢測所述下巴頦結節的步驟為檢測所述下巴頦結節的步驟,以所述學習影像的統計值為基礎,設定第一探索起點,並從所述第一探索起點沿著所述對象影像的外側方向進行探索。
- 如請求項2所述之神經檢測方法,其中,在所述對象影像中檢測所述下頜角的步驟為檢測所述下頜角的步驟,以所述學習影像的統計值為基礎,設定第二探索起點,並從所述第二探索起點沿著所述對象影像的外側方向進行探索。
- 如請求項1所述之神經檢測方法,其中,在所述對象影像中檢測所述神經的步驟還包括將所述概率值達到基準值以上的所述對象區域檢測成包括所述檢測對象的檢測區域的步驟。
- 如請求項8所述之神經檢測方法,其中,在所述對象影像中檢測所述神經的步驟還包括:在所述檢測區域中抽取包括所述神經的區域的座標的步驟;以及以所述座標為基礎來檢測所述神經的步驟。
- 如請求項1所述之神經檢測方法,其中,還包括:以所述神經位置為基礎來獲取曲面重建影像的步驟;在所述曲面重建影像分別顯示神經位置與基準線的步驟;以及 以所述基準線為基礎來在所述曲面重建影像上校正所述神經位置的步驟。
- 如請求項10所述之神經檢測方法,其中,所述基準線的座標值包括所述神經位置的多個座標值中的至少一個。
- 如請求項10所述之神經檢測方法,其中,所述基準線為經過顯示於所述曲面重建影像的神經區域的一部分的線。
- 一種神經檢測裝置,其中,包括:影像獲取部,獲取學習影像,所述學習影像包括沿著冠狀面方向排列的多個切片;學習部,生成學習數據和學習模型,通過學習所述學習數據來生成所述學習模型,所述學習數據通過在所述學習影像中設定神經和作為檢測所述神經的基準的下巴類結節及下頜角中的至少一個而成;以及神經檢測部,以所述學習數據為基礎,通過向所述學習模型輸入對象影像來在所述對象影像中檢測神經,其中所述神經檢測部在所述對象影像中設定包括作為檢測對象的所述下巴頦結節、所述下頜角及所述神經的對象區域,計算所述對象區域的位置及大小資訊,以及所述對象區域中包括所述檢測對象的概率值。
- 如請求項12所述之神經檢測裝置,其中,還包括校正部,以所述神經位置為基礎,獲取曲面重建影像,在所述曲面重建影像中顯示基準線,以所述基準線為基礎,校正所述神經位置。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0060042 | 2019-05-22 | ||
KR1020190060042A KR102236973B1 (ko) | 2019-05-22 | 2019-05-22 | 신경 검출 방법 및 장치 |
KR1020190076079A KR102205427B1 (ko) | 2019-06-26 | 2019-06-26 | 신경 위치 보정 방법 및 장치 |
KR10-2019-0076079 | 2019-06-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202046240A TW202046240A (zh) | 2020-12-16 |
TWI754259B true TWI754259B (zh) | 2022-02-01 |
Family
ID=73458523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109112962A TWI754259B (zh) | 2019-05-22 | 2020-04-17 | 神經檢測方法及裝置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220240852A1 (zh) |
EP (1) | EP3973878A4 (zh) |
CN (1) | CN113873947A (zh) |
TW (1) | TWI754259B (zh) |
WO (1) | WO2020235784A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187596B (zh) * | 2022-09-09 | 2023-02-10 | 中国医学科学院北京协和医院 | 用于腹腔镜结直肠癌手术的神经智能辅助识别*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037874A (zh) * | 2016-05-18 | 2016-10-26 | 四川大学 | 基于下颌骨囊性病变刮治的下牙槽神经保护导板制备方法 |
TWM562104U (zh) * | 2018-02-02 | 2018-06-21 | Qiu Wen Xin | 具數位顏面影像顯影之口腔齒顎咬合定位裝置 |
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
WO2019094504A1 (en) * | 2017-11-07 | 2019-05-16 | Align Technology, Inc. | Deep learning for tooth detection and evaluation |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102330616B1 (ko) * | 2016-02-02 | 2021-11-24 | 김도현 | 임플란트 수술 가이드 방법 |
KR101908963B1 (ko) * | 2017-07-19 | 2018-12-10 | 주식회사 디오 | 구강 내부 부착용 레퍼런스 마커를 이용한 이미지 처리방법 |
US11379975B2 (en) * | 2017-06-30 | 2022-07-05 | Promaton Holding B.V. | Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods |
KR101839789B1 (ko) * | 2017-08-01 | 2018-03-19 | 주식회사 뷰노 | 치과 영상의 판독 데이터 생성 시스템 |
KR101974636B1 (ko) * | 2018-04-18 | 2019-05-03 | 오스템임플란트 주식회사 | 치과용 임플란트 플래닝 방법, 이를 위한 장치, 및 이를 기록한 기록매체 |
CN109875683B (zh) * | 2019-04-16 | 2020-06-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种下颌角截骨术中建立截骨面预测模型的方法 |
KR102236973B1 (ko) * | 2019-05-22 | 2021-04-07 | 주식회사 디오 | 신경 검출 방법 및 장치 |
KR102205427B1 (ko) * | 2019-06-26 | 2021-01-20 | 주식회사 디오 | 신경 위치 보정 방법 및 장치 |
-
2020
- 2020-02-26 US US17/612,436 patent/US20220240852A1/en active Pending
- 2020-02-26 WO PCT/KR2020/002757 patent/WO2020235784A1/ko unknown
- 2020-02-26 EP EP20809402.9A patent/EP3973878A4/en active Pending
- 2020-02-26 CN CN202080036341.8A patent/CN113873947A/zh active Pending
- 2020-04-17 TW TW109112962A patent/TWI754259B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106037874A (zh) * | 2016-05-18 | 2016-10-26 | 四川大学 | 基于下颌骨囊性病变刮治的下牙槽神经保护导板制备方法 |
WO2019094504A1 (en) * | 2017-11-07 | 2019-05-16 | Align Technology, Inc. | Deep learning for tooth detection and evaluation |
TWM562104U (zh) * | 2018-02-02 | 2018-06-21 | Qiu Wen Xin | 具數位顏面影像顯影之口腔齒顎咬合定位裝置 |
CN109493328A (zh) * | 2018-08-31 | 2019-03-19 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
TW202046240A (zh) | 2020-12-16 |
WO2020235784A1 (ko) | 2020-11-26 |
US20220240852A1 (en) | 2022-08-04 |
EP3973878A1 (en) | 2022-03-30 |
CN113873947A (zh) | 2021-12-31 |
EP3973878A4 (en) | 2023-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11704876B2 (en) | Mobile device for viewing of dental treatment outcomes | |
JP5665761B2 (ja) | 医用三次元画像の表示向き調整装置および調整プログラム | |
KR101315032B1 (ko) | 임플란트 영상 생성방법 및 임플란트 영상 생성 시스템 | |
EP3524139B1 (en) | Mobile apparatus-linked implant evaluation system | |
US20170231718A1 (en) | System and Method for Guiding Medical Instruments | |
KR20190008686A (ko) | 치과용 서지컬 가이드 설계 방법, 이를 위한 장치, 및 이를 기록한 기록매체 | |
TWI754259B (zh) | 神經檢測方法及裝置 | |
KR102263110B1 (ko) | 악궁 궤적 검출 장치 | |
KR102205427B1 (ko) | 신경 위치 보정 방법 및 장치 | |
TW202038253A (zh) | 牙齒目標檢測方法及利用牙齒目標的影像整合方法及裝置 | |
KR102236973B1 (ko) | 신경 검출 방법 및 장치 | |
KR102615791B1 (ko) | 파노라믹 영상 표시 방법 및 이를 위한 치과영상 처리장치 | |
KR102383955B1 (ko) | 구강 영상의 결손 치아 검출 방법 및 장치와, 이를 이용한 구강 영상의 크라운 배치 방법 | |
EP3595527B1 (en) | Computed tomography and positioning of a volume to be imaged | |
KR20210009471A (ko) | 임플란트 수술용 가이드 영역 미세조정 방법 및 그 가이드 디자인 장치 | |
KR102363739B1 (ko) | 픽스츄어 정보 산출 방법 및 장치 | |
KR102363740B1 (ko) | 픽스츄어 선택 방법 및 장치 | |
KR102277022B1 (ko) | 구강 ct 영상 및 구강 스캔 영상의 정합 방법 및 장치 | |
KR20220087874A (ko) | 의료영상 정합 방법 및 그 장치 | |
KR20230135196A (ko) | 구강 영상의 치아 디자인 장치 및 방법 | |
KR20210131685A (ko) | 구강 영상 정합 장치 및 방법 | |
KR20230055381A (ko) | 데이터 처리 장치 및 데이터 처리 방법 | |
KR20210019815A (ko) | 3차원 구강 ct 영상의 상하악 분리 방법 및 장치 | |
KR20210024356A (ko) | 의료영상 정합 방법 및 그 장치 |