使用深度学习方法对3D牙颌面结构的分类和3D建模技术

描述了一种用于处理牙颌面结构的3D图像数据的计算机实现的方法，其中该方法可以包括以下步骤：接收定义体素的体积的3D图像数据，体素与射电密度值和在体积中的位置相关联，并且体素提供牙颌面结构的3D表示；使用3D图像数据的体素来确定一个或多个3D位置特征以输入到第一深度神经网络，3D位置特征定义从整个接收到的3D数据集中聚合的信息；以及第一深度神经网络在其输入处接收3D图像数据和一个或多个位置特征，并使用一个或多个3D位置特征将3D图像数据的至少部分体素分类为颌部、牙齿和/或神经体素。

Classification and 3D modeling of 3D dental and maxillofacial structures using deep learning method

【技术实现步骤摘要】
【国外来华专利技术】使用深度学习方法对3D牙颌面结构的分类和3D建模
本专利技术涉及使用深度学习神经网络对3D牙颌面(dento-maxillofacial)结构的分类和3D建模，并且特别地但非排他地涉及使用深度学习神经网络对3D牙颌面结构进行分类和3D建模的系统和方法、训练这种深度学习神经网络的方法、对牙颌面3D图像数据进行预处理的方法和对牙颌面结构的经分类的体素数据进行后处理的方法以及使用这种方法的计算机程序产品。
技术介绍
在牙颌面结构的图像分析中，特定部分或组织的可视化和3D图像重建对于实现准确的诊断和治疗是基本的。在3D图像重建之前，将分类和分割处理应用于3D图像数据，例如体素，以形成以3D图像数据栈表示的牙颌面结构的不同部分(例如牙齿和颌部)的3D模型。分割的任务可以被定义为识别组成感兴趣对象的轮廓或内部的像素或体素的集合。然而，通过3DCT扫描对牙颌面结构(例如牙齿、颌骨和下牙槽神经)的分割处理具有挑战性。人工分割方法极为耗时，并且包括通过人工阈值选择和人工校正进行的一般近似。人工分割的结果具有低可重复性，并且依赖于人类对CT扫描的解释。已经本文档来自技高网...

【技术保护点】
1.一种用于处理表示牙颌面结构的3D数据的计算机实现的方法，包括：/n计算机接收3D输入数据，优选地3D锥形束CT(CBCT)数据，该3D输入数据包括所述牙颌面结构的第一体素表示，体素与辐射强度值相关联，所述体素表示的体素定义图像空间；/n预处理算法使用所述3D输入数据来确定所述牙颌面结构的一个或多个3D位置特征，3D位置特征定义关于在所述图像空间中所述第一体素表示的体素的位置相对于牙科参考平面(例如相对于颌部定位的轴向平面)的位置或牙科参考对象(例如颌部、牙弓和/或一个或多个牙齿)的位置的信息；/n计算机将第一体素表示和与第一体素表示相关联的所述一个或多个3D位置特征提供给第一3D深度神经网...

【技术特征摘要】
【国外来华专利技术】20170630 EP 17179185.81.一种用于处理表示牙颌面结构的3D数据的计算机实现的方法，包括：
计算机接收3D输入数据，优选地3D锥形束CT(CBCT)数据，该3D输入数据包括所述牙颌面结构的第一体素表示，体素与辐射强度值相关联，所述体素表示的体素定义图像空间；
预处理算法使用所述3D输入数据来确定所述牙颌面结构的一个或多个3D位置特征，3D位置特征定义关于在所述图像空间中所述第一体素表示的体素的位置相对于牙科参考平面(例如相对于颌部定位的轴向平面)的位置或牙科参考对象(例如颌部、牙弓和/或一个或多个牙齿)的位置的信息；
计算机将第一体素表示和与第一体素表示相关联的所述一个或多个3D位置特征提供给第一3D深度神经网络(优选地3D卷积深度神经网络)的输入，第一深度神经网络被配置为将第一体素表示的体素分类为至少颌部、牙齿和/或神经体素；
第一神经网络是基于训练集被训练的，该训练集包括牙颌面结构的3D图像数据、从所述训练集的3D图像数据导出的一个或多个3D位置特征以及可选地所述训练集的3D图像数据的牙颌面结构的部分的一个或多个3D模型，所述一个或多个3D模型在第一深度神经网络的训练期间用作目标，优选地所述一个或多个3D模型的至少一部分通过光学扫描所述训练集的3D图像数据的牙颌面结构的部分被生成；
计算机从第一3D深度神经网络的输出接收第一体素表示的经分类的体素，并基于经分类的体素确定所述牙颌面结构的颌部、牙齿和/或神经组织中的至少一个的体素表示。


2.根据权利要求1所述的方法，其中，预处理算法确定一个或多个3D位置特征包括：
确定所述体素表示的体素与图像空间中的牙科参考平面和/或牙科参考对象之间的距离；
确定在图像空间的参考平面的一个或多个点中的体素的累积强度值，在参考平面中的点中的累积强度值包括在穿过所述参考平面中的点的法线上或附近的体素的累积强度值。


3.根据权利要求2所述的方法，其中，所述牙科参考平面包括所述图像空间中位于距所述牙颌面结构的上颌部和/或下颌部预定距离处的轴向平面；优选地位于距所述牙颌面结构的上颌部和下颌部大约相等的距离处；或者，其中所述牙科参考对象包括与所述牙颌面结构所表示的牙弓的至少一部分近似的牙弓曲线，优选地所述牙弓曲线是在所述图像空间的轴向平面中确定的；并且/或者，其中所述牙科参考对象包括一个或多个牙齿。


4.根据权利要求1所述的方法，其中，所述预处理算法包括第二3D深度神经网络，所述第二深度神经网络被训练为在其输入处接收第二体素表示并且针对第二体素表示中的每个体素确定3D位置特征，优选地所述3D位置特征包括指示体素表示颌部、牙齿和/或神经组织的可能性的量度，其中第二体素表示是第一体素表示的低分辨率版本，优选地第二体素表示的分辨率比第一体素表示的分辨率低至少三倍，优选地第二3D深度神经网络是基于牙颌面结构的3D图像数据以及可选地用于训练第一深度神经网络的训练集的3D图像数据的牙颌面结构的部分的所述一个或多个3D模型而训练的。


5.根据权利要求1所述的方法，其中，将第一体素表示和与第一体素表示相关联的所述一个或多个3D位置特征提供给第一3D深度神经网络的输入还包括：
将第一体素表示的每个体素至少与由一个3D位置特征定义的信息相关联；
将第一体素表示划分为第一体素块；
将第一体素块提供给第一深度神经网络的输入，其中第一体素块的每个体素与辐射强度值和至少由一个3D位置特征定义的信息相关联。


6.根据权利要求1-5中任一项所述的方法，其中，第一深度神经网络包括多个第一3D卷积层，所述多个第一3D卷积层的输出连接至至少一个完全连接层，其中所述多个第一3D卷积层被配置为处理来自第一体素表示的第一体素块，并且其中所述至少一个完全连接层被配置为将第一体素块的体素分类为颌部、牙齿和/或神经体素中的至少一个，优选地，被提供给第一深度神经网络的输入的每个体素包括辐射强度值和至少一个3D位置特征。


7.根据权利要求6所述的方法，其中，第一深度神经网络还包括多个第二3D卷积层，所述多个第二3D卷积层的输出连接至所述至少一个完全连接层，其中所述多个第二3D卷积层被配置为处理来自第一体素表示的第二体素块，第一和第二体素块在图像空间中具有相同或基本相同的中心点，并且第二体素块表示的真实世界维度的体积大于第一体素块的真实世界维度的体积，所述多个第二3D卷积层被配置为确定与被提供给所述多个第一3D卷积层的输入的第一体素块的体素相关联的上下文信息。


8.根据权利要求6或7所述的方法，其中，第一深度神经网络还包括多个第三3D卷积层，所述多个第三3D卷积层的输出连接至所述至少一个完全连接层，其中，所述多个第三3D卷积层被配置为处理与被提供给所述多个第一3D卷积层的输入的至少第一体素块的体素相关联的一个或多个3D位置特征。


9.根据权利要求1至8中任一项所述的方法，还包括：
第三深度神经网络用于对由第一深度神经网络分类的体素进行后处理，第三深度神经网络被训练为在其输入处接收由第一深度神经网络分类的体素并校正第一深度神经网...

【专利技术属性】
技术研发人员：F·T·C·克莱森，B·A·费尔海，D·安萨里·莫因，
申请(专利权)人：普罗马顿控股有限责任公司，
类型：发明
国别省市：荷兰;NL