头颅图像中的测量点的自动识别方法技术

本发明专利技术提供使头颅图像分析中的测量点的确定自动化的技术。测量点的自动识别方法包括：检测步骤，在该检测步骤中，根据从受检者获取到的头颅图像14，检测出用于识别目标特征点的多个周边部位区域31、32、33、34；推定步骤，在该推定步骤中，将回归CNN模型10适用于各周边部位区域31、32、33、34而分别推定特征点的候选位置；以及判定步骤，在该判定步骤中，基于所推定的多个候选位置的分布来判定头颅图像14中的特征点的位置。例如，在检测周边部位区域32的步骤中，适用学习了对照图像52的分类CNN模型13。

【技术实现步骤摘要】
【国外来华专利技术】头颅图像中的测量点的自动识别方法
本专利技术涉及头颅图像分析技术，尤其涉及通过使用AI(ArtificialIntelligence)的深度学习处理使头颅图像上的解剖学特征点(测量点)的鉴定自动化的技术。
技术介绍
在矫正牙科的诊断中，基于X射线标准图像(以下，称为“头颅图像”。)的颅骨、颌面部的形态分析是重要的分析方法之一。该头颅图像分析大致由如下三个步骤构成(参照图1)。首先，在第一步骤中，基于从患者获取到的头颅图像中的解剖学特征确定多个测量点。在接下来的第二步骤中，从所确定的测量点中测定分析所需的点之间的几何学关系(距离以及角度等)。在最后的步骤中，通过将这样得到的测定值与从年龄、性别等与作为受检者的该患者一致且具有正常的咬合的集团得到的基准值进行比较，由此评价该患者的偏离的程度。上述第二步骤以及第三步骤的分析处理仅处理位置被确定的测量点的像素坐标值，因此能够通过比较简单的运算处理来实现，已经推进了自动化(例如，参照非专利文献1)。然而，上述第一步骤中的测量点的确定作业需要牙科医生的高度的专业知识和经验，因此未达到完全的自动化，现状是要专门通过基于医生的目视的判断来进行。例如，在颅骨、颌面部的形态分析中用于测量的特征点的个数至少为20以上。而且，软组织上的特征需要一边调整对比度一边进行读片等，正确确定全部测量点(特征点)的位置的作业要求牙科医生长时间的专注力和判断，负担较大。关于头颅图像上的测量点的自动识别，虽然迄今为止报告有使用知识信息来进行识别的方法、通过图案识别来进行鉴定的方法等，但是尚未达到临床应用。作为其理由，可列举为通过软件实现的数理模型需要庞大的计算步骤、还需要超级计算机水平的处理能力等。近年来，由于计算机的处理能力的提高、高级算法开发所带来的先进的分析引擎诞生，在各种领域中尝试了机器学习，尤其是基于深度学习的图像识别技术的实用化。例如，在专利文献1中公开了通过采用了CNN(ConvolutionalNeuralNetwork)的算法来进行头颅图像上的解剖学标志的位置确定处理。现有技术文献专利文献专利文献1：美国专利申请公开第2018/0061054号说明书非专利文献1：Ricketts,R.M.(1972),Thevalueofcephalometricsandcomputerizedtechnology.AngleOrthod.,42,179-99.
技术实现思路
专利技术所要解决的问题如上所述，头颅图像分析中的测量点的位置确定目前基于医生等的高度的专业知识和经验来进行。为了使测量点的位置确定以实用水平自动化，需要开发高标准的专用硬件。本专利技术鉴于这样的情况，目的在于提供一种不使用专用的硬件也能使头颅图像分析中的测量点的确定自动化的技术。用于解决问题的手段为了解决上述问题，本专利技术是一种测量点自动识别方法，其是由运算处理装置自动识别头颅图像中的测量点的方法，其中，所述测量点自动识别方法包括：检测步骤，在该检测步骤中，根据从受检者获取到的头颅图像，检测出针对所关注的特征点而预先确定的多个不同的周边部位区域；推定步骤，在该推定步骤中，使用预先学习了各所述周边部位区域中的所述特征点的位置的深度学习模型，分别推定各所述周边部位区域中的该特征点的候选位置；以及判定步骤，在该判定步骤中，将基于所推定的多个所述候选位置的分布而推定的、所述头颅图像中的所述特征点的最大似然推定位置判定为测量点的位置。优选地，各所述周边部位区域具有分别不同的图像尺寸，在检测所述周边部位区域的所述检测步骤中，使用与想要检测的周边部位区域相同尺寸的对照图像来进行比较。另外，优选地，在判定所述特征点的位置的所述判定步骤中，将所述候选位置中的、距它们的分布密度的峰值最近的候选位置判定为所述特征点的最大似然推定位置。另外，也可以是，在判定所述特征点的位置的所述判定步骤中，将所述候选位置的分布密度的峰值的位置判定为所述特征点的最大似然推定位置。另外，优选地，在判定所述特征点的位置的所述判定步骤中，包含以下处理：在至少存在两个以上的所述候选位置的分布密度的峰值的情况下，在根据各个峰值而进行最大似然推定的任意两个候选位置之间的距离为规定的阈值以上时，判定为该两个候选位置是针对该特征点的不同的测定点。另外，本专利技术是一种测量点自动识别系统，其具备自动识别头颅图像中的测量点的运算处理装置以及数据库，其中，所述数据库存储有显示针对所关注的特征点而预先确定的多个不同的周边部位区域的对照图像的信息、以及预先学习了各所述周边部位区域中的所述特征点的位置的深度学习模型，所述运算处理装置具备：周边部位区域检测单元，其检测在从受检者获取到的头颅图像中与各所述对照图像一致的、多个周边部位区域；特征点位置推定单元，其使用所述深度学习模型，分别推定各所述周边部位区域中的该特征点的候选位置；以及最大似然位置判定单元，其将基于所推定的多个所述候选位置的分布而推定的、所述头颅图像中的所述特征点的最大似然推定位置判定为测量点的位置。优选地，各所述周边部位区域具有分别不同的图像尺寸，所述周边部位区域检测单元使用与想要检测的周边部位区域相同尺寸的所述对照图像来进行比较。另外，优选地，所述最大似然位置判定单元将所述候选位置中的、距它们的分布密度的峰值最近的候选位置判定为所述特征点的最大似然推定位置。另外，也可以是，所述最大似然位置判定单元将所述候选位置的分布密度的峰值的位置判定为所述特征点的最大似然推定位置。另外，优选地，在至少存在两个以上的所述候选位置的分布密度的峰值的情况下，在根据各个峰值而进行最大似然推定的任意两个候选位置之间的距离为规定的阈值以上时，所述最大似然位置判定单元判定为该两个候选位置是针对该特征点的不同的测定点。专利技术效果根据本专利技术，提供能够高精度且轻负荷地进行头颅图像分析中的解剖学特征点的识别处理的算法或者系统。由此，即使不使用高标准的专用硬件，也能使头颅图像中的测量点的确定自动化。附图说明图1是用于对在矫正牙科诊断中进行的头颅图像分析的概要进行说明的流程图。图2是用于对从侧面位头部的图像中读取的代表性的解剖学特征点进行说明的图。图3是用于对将回归CNN模型适用于输入图像而自动识别特征点的系统进行说明的图。图4是用于进一步对基于回归CNN模型的自动识别特征点的系统进行说明的图。图5是用于进一步对基于回归CNN模型的自动识别特征点的系统进行说明的图。图6是用于对本专利技术的一个实施方式所涉及的测量点的自动识别处理进行说明的流程图。图7是举例示出头颅图像以及从该图像中选择的宽候选区域的图。图8是举例示出在头颅图像中判断特征点蝶鞍(sella)的位置时所参照的多个周边部位区域的图。图9是用于对从头颅图像中检测出多个周边部位区域的系统进行说明的图。图10是用于对将分类CNN模型适用于多个分割图像而将它们分类为相应的周边部位区域的系统进本文档来自技高网...

【技术保护点】
1.一种测量点自动识别方法，其是由运算处理装置自动识别头颅图像中的测量点的方法，其特征在于，/n所述测量点自动识别方法包括：/n检测步骤，在该检测步骤中，根据从受检者获取到的头颅图像，检测出针对所关注的特征点而预先确定的多个不同的周边部位区域；/n推定步骤，在该推定步骤中，使用预先学习了各所述周边部位区域中的所述特征点的位置的深度学习模型，分别推定各所述周边部位区域中的该特征点的候选位置；以及/n判定步骤，在该判定步骤中，将基于所推定的多个所述候选位置的分布而推定的、所述头颅图像中的所述特征点的最大似然推定位置判定为测量点的位置。/n

【技术特征摘要】
【国外来华专利技术】20180927 JP 2018-1816191.一种测量点自动识别方法，其是由运算处理装置自动识别头颅图像中的测量点的方法，其特征在于，
所述测量点自动识别方法包括：
检测步骤，在该检测步骤中，根据从受检者获取到的头颅图像，检测出针对所关注的特征点而预先确定的多个不同的周边部位区域；
推定步骤，在该推定步骤中，使用预先学习了各所述周边部位区域中的所述特征点的位置的深度学习模型，分别推定各所述周边部位区域中的该特征点的候选位置；以及
判定步骤，在该判定步骤中，将基于所推定的多个所述候选位置的分布而推定的、所述头颅图像中的所述特征点的最大似然推定位置判定为测量点的位置。


2.根据权利要求1所述的测量点自动识别方法，其特征在于，
各所述周边部位区域具有分别不同的图像尺寸，在检测所述周边部位区域的所述检测步骤中，使用与想要检测的周边部位区域相同尺寸的对照图像来进行比较。


3.根据权利要求1或2所述的测量点自动识别方法，其特征在于，
在判定所述特征点的位置的所述判定步骤中，将所述候选位置中的、距它们的分布密度的峰值最近的候选位置判定为所述特征点的最大似然推定位置。


4.根据权利要求1或2所述的测量点自动识别方法，其特征在于，
在判定所述特征点的位置的所述判定步骤中，将所述候选位置的分布密度的峰值的位置判定为所述特征点的最大似然推定位置。


5.根据权利要求1所述的测量点自动识别方法，其特征在于，
在判定所述特征点的位置的所述判定步骤中，包含以下处理：在至少存在两个以上的所述候选位置的分布密度的峰值的情况下，在根据各个峰值而进行最大似然推定的任意两个候选位置之间的距离为规定的阈值以上时，判定为该两个候选位置是针对该...

【专利技术属性】
技术研发人员：谷川千寻，李天镐，
申请(专利权)人：国立大学法人大阪大学，
类型：发明
国别省市：日本;JP