一种基于神经网络技术的牙弓线生成方法及其系统技术方案

本发明专利技术公开了一种基于神经网络的牙弓线生成方法及其系统，属于医学成像技术领域。所述方法包括步骤：获取待识别的CT扫描图像；通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点；根据所述关键点生成牙弓线。相比于手动生成牙弓线的方法，本发明专利技术所提供的方法速度更快，节约更多人力；相比于基于阈值分割的自动生成牙弓线的方法而言，本方法预测的牙弓线更加准确、鲁棒性更强。对于缺少牙齿的情况，本方法预测的牙弓线更加准确。

A Method and System of Dental Arch Line Generation Based on Neural Network Technology

【技术实现步骤摘要】
一种基于神经网络技术的牙弓线生成方法及其系统
本专利技术涉及医学成像
，尤其涉及的是一种基于神经网络技术的牙弓线生成方法及其系统。
技术介绍
牙弓线类似于经过每颗牙齿中心的二次曲线，但是受年龄、性别、牙齿发育状况甚至是CT（ComputedTomography，电子计算机断层扫描）扫描位置的影响，每个人牙弓线的差异较大，无法使用统一的模板或者曲线表示。目前，常用牙弓线生成方法可以分为手动生成和自动生成。手动生成方法就是医生在图像中选中关键点然后通过算法自动拟合成牙弓线。自动生成牙弓线方法通常是通过数字图像处理，通过计算机算法预测出牙弓线。手动生成牙弓线虽然精确但是需要消耗医生较多的时间和精力，效率较低。自动生成牙弓线方法需要一定的临床经验设置阈值来分割牙齿区域和牙洞区域。除此之外，在不同CT扫描环境下需要设置不同的阈值，这导致程序不具有通用性。由于上述（现有）的牙弓线生成方法都是在定位牙洞的基础上预测牙弓线，因此，采用上述方法生成牙弓线，缺少牙齿会对最终的牙弓线的生成产生极大的影响。因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于神经网络技术的牙弓线生成方法及其系统，旨在解决现有技术中牙弓线生成耗时久，准确性差的问题。本专利技术解决上述技术问题所采用的技术方案如下：一种基于神经网络技术的牙弓线生成方法，其中，包括步骤：获取待识别的CT扫描图像；通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点；根据所述关键点生成牙弓线。所述基于神经网络技术的牙弓线生成方法，其中，所述神经网络技术为目标识别类卷积神经网络技术，具体为Fast-RCNN神经网络识别技术、Faster-RCNN神经网络识别技术、Mask-RCNN神经网络识别技术、YOLO神经网络识别技术和SSD神经网络识别技术中的任一种。所述基于神经网络技术的牙弓线生成方法，其中，所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点，具体包括步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；对所述分割图像进行细化处理，得到细化后的曲线；从所述曲线上提取牙齿的中心线关键点。所述基于神经网络技术的牙弓线生成方法，其中，所述神经网络损失函数为：其中，为神经网络测算得到的牙齿分割图，为人工标记的真实的牙齿分割图。所述基于神经网络技术的牙弓线生成方法，其中，所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点，具体包括步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；通过回归神经网络对所述分割图进行识别，得到牙齿的中心线关键点。所述基于神经网络技术的牙弓线生成方法，其中，所述步骤根据所述牙齿的中心线关键点生成牙弓线，具体包括：根据所述牙齿的中心线关键点采用样条拟合生成牙弓线。一种基于神经网络技术的牙弓线生成系统，其中，包括：处理器，以及与所述处理器连接的存储器，所述存储器存储有基于神经网络技术的牙弓线生成程序，所述基于神经网络技术的牙弓线生成正程序被所述处理器执行时实现以下步骤：获取待识别的CT扫描图像；通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点；根据所述关键点生成牙弓线。所述基于神经网络技术的牙弓线生成系统，其中，所述基于神经网络技术的牙弓线生成程序被所述处理器执行时，还实现以下步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；对所述分割图像进行细化处理，得到细化后的曲线；从所述曲线上提取牙齿的中心线关键点。所述基于神经网络技术的牙弓线生成系统，其中，所述神经网络损失函数为：其中，为神经网络测算得到的牙齿分割图，为人工标记的真实的牙齿分割图。基于神经网络技术的牙弓线生成系统，其中，所述基于神经网络技术的牙弓线生成程序被所述处理器执行时，还实现以下步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；通过回归神经网络对所述分割图进行识别，得到牙齿的中心线关键点。有益效果：通过借助深度神经网络识别技术，对CT扫描图像进行识别，得出牙齿的准确位置信息，根据所述信息拟合出牙弓线，相比于手动生成牙弓线的方法，本方法速度更快，节约更多人力；相比于基于阈值分割的自动生成牙弓线的方法而言，本方法预测的牙弓线更加准确、鲁棒性更强。对于缺少牙齿的情况，本方法预测的牙弓线更加准确。附图说明图1是本专利技术中基于神经网络技术的牙弓线生成方法较佳实施例的流程图。图2是用于分割的神经网络结构示意图。图3是Fast-RCNN目标检测示意图。图4是本专利技术中基于神经网络技术的牙弓线生成系统较佳实施例的功能原理框图。具体实施方式为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。请同时参阅图1-图4，本专利技术提供了一种基于神经网络技术的牙弓线生成方法的一些实施例。如图1所示，本专利技术的基于神经网络技术的牙弓线生成方法，包括以下步骤：S100、获取待识别的CT扫描图像。具体地，利用目标图像采集设备采集待识别的目标图像，如采用CT扫描，得到CT扫描图像（ComputedTomography，电子计算机断层扫描），图像的获取可以是实时采集获取，也可以是在预先设置的存储设备中读取待识别的目标图像。S200、通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点。CT扫描图像经过训练的神经网络之后，直接识别出CT扫描图像中牙齿组织区域的牙齿的中心线关键点（控制点），所述控制点可以是部分或者全部牙齿的中心位置。由于在生成牙弓线时，牙齿部位的提取是提取牙弓线最重要的一步，只有从图像中提取准确的牙齿部位，才能保证所提取的牙弓线是准确的。所获取的CT扫描图像借助于深度神经网络识别技术，可更加准确地提取出牙齿的中心的坐标，从而保证了所提取的牙弓线的准确性。其中，神经网络的训练过程为，首先通过人工在图像中标记牙齿中心的位置，然后设计回归任务的神经网络使得网络直接能够直接输出牙齿的中心点坐标。神经网络采用均方误差作为最小损失函数，采用梯度下降法优化损失函数。神经网络技术按照其作用原理，可以将其分为用于分割的神经网络和用于识别定位的神经网络。牙齿部位提取是提取牙弓线最重要的一步，神经网络可以分别通过分割和识别两个途径达到提取牙齿的目的。请参阅图2，是用于分割的神经网络结构示意图。作为举例，如图2所示，输入单幅大小为572*572*1的二维CT扫描图像。通过卷积和下采样提取特征，然后通过反卷积实现上采样，与此同时将通过短链接融合特征层，输出为388*388*1大小的二值分割图。其中，所涉及的卷积、下采样、反卷积以及短链接融合特征层均未现有技术，其具体操作实现过程在此不再赘述。请参阅图3，其为Fast-RCNN目标检测示意图。例如输入一张图像，首先通过卷积提取目标对象的特征，然后在特征图中截取本文档来自技高网...

【技术保护点】
1.一种基于神经网络技术的牙弓线生成方法，其特征在于，包括步骤：获取待识别的CT扫描图像；通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点；根据所述关键点生成牙弓线。

【技术特征摘要】
1.一种基于神经网络技术的牙弓线生成方法，其特征在于，包括步骤：获取待识别的CT扫描图像；通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点；根据所述关键点生成牙弓线。2.根据权利要求1所述基于神经网络技术的牙弓线生成方法，其特征在于，所述神经网络技术为目标识别类卷积神经网络技术，包括：Fast-RCNN神经网络识别技术、Faster-RCNN神经网络识别技术、Mask-RCNN神经网络识别技术、YOLO神经网络识别技术和SSD神经网络识别技术中的任一种。3.根据权利要求1所述基于神经网络技术的牙弓线生成方法，其特征在于，所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点，具体包括步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；对所述分割图像进行细化处理，得到细化后的曲线；从所述曲线上提取牙齿的中心线关键点。4.根据权利要求3所述基于神经网络技术的牙弓线生成方法，其特征在于，所述神经网络损失函数为：其中，为神经网络测算得到的牙齿分割图，为人工标记的真实的牙齿分割图。5.根据权利要求1所述基于神经网络技术的牙弓线生成方法，其特征在于，所述通过神经网络技术识别所述CT扫描图像,从所述CT扫描图像中识别出牙齿组织区域的关键点，具体包括步骤：采用神经网络损失函数对所述CT扫描图像进行图像分割并预测缺少的牙齿位置，得到牙齿的分割图像；通过回归神经网络对所述分割图进行识别，得到牙齿...

【专利技术属性】
技术研发人员：曾凯，付鹏，
申请(专利权)人：深圳安科高技术股份有限公司，
类型：发明
国别省市：广东,44