基于CBCT的三维颌骨图像分割方法、装置及终端设备制造方法及图纸

本发明专利技术涉及图像处理领域，其实施方式提供了一种基于CBCT的三维颌骨图像分割方法，所述方法包括：从待分割的CBCT图像提取多个图像子序列，输入训练好的卷积神经网络模型，对应得到多个分割结果；将所述分割结果整合得到所述待分割的CBCT图像的三维颌骨分割结果；所述训练好的卷积神经网络模型通过以下步骤得到：构建卷积神经网络模型；将已分割标记颌骨的CBCT图像预处理后，从中提取图像子序列作为训练样本，对所述卷积神经网络模型进行训练。同时还提供了对应的基于CBCT的三维颌骨图像分割装置，以及一种终端设备。本发明专利技术提供的实施方式适用于从CBCT图像提取出三维颌骨区域的图像。

【技术实现步骤摘要】
基于CBCT的三维颌骨图像分割方法、装置及终端设备
本专利技术涉及图像处理领域，特别涉及一种基于CBCT的三维颌骨图像分割方法、一种基于CBCT的三维颌骨图像分割装置、一种终端设备以及对应的存储介质。
技术介绍
颌面部骨折是交通事故、意外伤害、竞技运动等事故中常见的外伤类型。因为其解剖结构复杂多样，仅依靠临床症状及体征的诊断难度较大，常需要影像学的辅助诊断。其中锥形束CT(CBCT)的三维影像既能够更加清晰、直观地表现骨折的位置及移位的方向，又拥有传统CT所不具备的放射剂量低、空间分辨率高、应用方便等优点，近年来被广泛应用于颌面部肿瘤、整形等手术和关节病的辅助检查中。上述优点也使得CBCT在冬奥会等大型活动的现场外伤急症救治的诊疗中具有较好的应用前景。然而CBCT图像中包含大量信息，仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此，传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。近年来，深度学习技术已逐步用于医学领域，在检测癌症、白内障、骨折、脑出血等疾病方面均本文档来自技高网...

【技术保护点】
1.一种基于CBCT的三维颌骨图像分割方法，其特征在于，所述方法包括：/n从待分割的CBCT图像提取多个图像子序列，输入训练好的卷积神经网络模型，对应得到多个分割结果；/n将所述分割结果整合得到CBCT图像的三维颌骨分割结果；所述训练好的卷积神经网络模型通过以下步骤得到：/n构建卷积神经网络模型；/n将已分割标记颌骨的CBCT图像预处理后，从中提取图像子序列作为训练样本，对所述卷积神经网络模型进行训练。/n

【技术特征摘要】
1.一种基于CBCT的三维颌骨图像分割方法，其特征在于，所述方法包括：
从待分割的CBCT图像提取多个图像子序列，输入训练好的卷积神经网络模型，对应得到多个分割结果；
将所述分割结果整合得到CBCT图像的三维颌骨分割结果；所述训练好的卷积神经网络模型通过以下步骤得到：
构建卷积神经网络模型；
将已分割标记颌骨的CBCT图像预处理后，从中提取图像子序列作为训练样本，对所述卷积神经网络模型进行训练。


2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型，包括：3D-Unet、V-Net和2D-Unet中的其中一种。


3.根据权利要求1所述的方法，其特征在于，所述将已分割标记颌骨的CBCT图像预处理，包括：
将所述已分割标记颌骨的CBCT图像的像素值映射至预设像素值范围。


4.根据权利要求3所述的方法，其特征在于，提取图像子序列包括以下步骤：
以预设宽度的滑窗和预设步长得到多个单层图像子序列；
对所述单层图像子序列复制预设次数；
得到所述图像子序列。


5.根据权利要求4所述的方法，其特征在于，在对所述卷积神经网络模型进行训练之前，所述方法还包括：将所述训练样本的灰度值映射至预设灰度值范围。


6.根据权利要求5所述的方法，其特征在于，将所述训练样本的灰度值映射至预设灰度值范围之后，所述方法还包括：对所述训练样本采用以下方式中的至少一种进行增广：旋转角度、添加随机噪声和左右镜像。

【专利技术属性】
技术研发人员：徐子能，贺洋，揭璧朦，张益，仝雁行，彭歆，丁鹏，白海龙，
申请(专利权)人：北京羽医甘蓝信息技术有限公司，北京大学口腔医学院，
类型：发明
国别省市：北京;11