本发明专利技术为一种基于CBCT图像的牙齿分割与重建方法及存储介质，先通过对CBCT数据进行自定义逐层标注，自动统计标注的牙齿中心点，对CBCT数据集进行预处理，然后基于开源的深度学习平台TensorFlow和全卷积神经网络模型，设计并训练得到CBCT牙齿图像分割网络模型；通过训练得到的模型输出得到每个体素的概率值，通过对上下颌牙齿重叠进行分离、合并的优化，再对根尖形状进行细化处理，最后重建牙齿三维模型。本发明专利技术利用深度学习方法，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的牙齿分割与3D重建结果。CBCT图像中取得较好的牙齿分割与3D重建结果。CBCT图像中取得较好的牙齿分割与3D重建结果。
A method of tooth segmentation and reconstruction based on CBCT image and its storage medium
【技术实现步骤摘要】
一种基于CBCT图像的牙齿分割与重建方法及存储介质
[0001]本专利技术涉及图像处理
，具体为一种基于CBCT图像的牙齿分割与重建方法及存储介质。
技术介绍
[0002]口腔健康是人体健康的重要组成部分，同时口腔对人体的面部美观也有较大的影响，随着中国人均生活水平的逐渐提高，口腔检查与正畸越来越受到人们的重视。由于口腔锥形束CT（Cone beam Computer Tomography，CBCT）具有低辐射、高精度、可提供口腔三维信息等优点，其被广泛应用于口腔颌面疾病诊断与整形领域，例如定位拔除埋伏阻生牙、测量下颌神经管、诊疗颌骨病损等。临床工作中，口腔医生通过CBCT图像直观地了解病人的牙颌形态，并可以利用工具测量口腔颌面参数来辅助判断病情，制定个性化、精确化的治疗与整形方案。该过程一个重要步骤是对CBCT图像中的颌面和牙齿进行分割，然而CBCT图像分割存在以下四个重要难点：1）颌面与牙齿的形态与灰度值变化较为复杂；2）颌面与牙齿的灰度值值较为接近，难以区分；3）CBCT图像存在严重的伪影和噪声干扰，难以分割；4）相邻牙齿相互接触，难以判断牙齿边界。近年来，国内外诸多研究者与科研单位致力于CBCT图像分割与3D重建方法的研究，可以分为以下两类：基于传统的图像分割算法和基于深度学习算法。
[0003]传统的图像分割算法存在两个分支：基于区域和基于轮廓。基于区域的图像分割方法利用图像像素或体素值的相似性度量将图像划分为不同的区域，使得同一区域内的像素或体素值近似而不同区域的像素或体素值差异较大。例如，部分研究人员基于阈值法和区域增长方法提出了一些CBCT图像牙齿分割框架，该类方法首先利用最大值映射获取颌骨与牙齿周边组织的像素分布范围信息，然后利用阈值法移除颌骨区域，并使用区域增长方法对牙齿区域进行分割。该类方法能够分别得到颌骨与牙齿的3D分割结果，但无法实现单颗牙齿的分割目标。另外一些研究者基于图割与马尔可夫随机场方法对CBCT的牙齿进行交互式分割，该类方法利用马尔可夫随机场对CBCT图像的体素进行建模，然后人工指定初始化点并借助图割方法对单颗牙齿进行分割，得到较好的牙齿重建效果。然而，该类方法对每颗牙齿分割都需要交互式操作，因此计算效率较低。基于轮廓的图像分割算法则通过搜索目标轮廓将分割目标与背景进行分离，例如基于水平集方法的半自动颌骨与牙齿3D分割方法，其首先利用全局凸水平集方法将颌骨与牙齿从周围组织中分割出来，然后基于Radon变换将颌骨与牙齿区域进行分离，最后手动设置单颗牙齿的初始位置并逐层分割单颗牙齿。尽管该类方法具有较高的单牙齿分割准确率，但是操作较为复杂且计算效率较低，不适用于批量处理口腔医院的大量CBCT数据。
[0004]随着深度学习技术的不断发展成熟，其在许多医学图像处理领域取得重大突破，例如医学图像分割与分类等，相比于传统图像分割方法，基于深度学习的图像分割模型具有较高的效率、准确性以及鲁棒性。受此热潮影响，一些基于深度学习模型的牙齿分割模型被提出并应用于医生的临床工作中。例如，一些文献提出了两阶段深度卷积神经网络用于
全自动分割CBCT图像的牙齿，该模型的第一阶段网络用于预测每颗牙齿的边界，第二阶段网络则学习牙齿的像素与边界信息，对单颗牙齿进行分割，同时识别牙齿的3D感兴趣区域和单颗牙齿的标记。然而，该方法的牙齿标记建立在标准的牙齿排列模型上，因此对阻生牙等不正常的牙齿分割效果较差。类似地，另外一些研究人员基于全卷机神经网络分割CBCT图像每一层2D切片的牙齿区域，然后利用标记控制的分水岭算法将牙齿分割结果中的邻接牙齿进行分离操作，最后叠加生成3D分割模型。然而，该模型利用牙齿分割结果的准确性严重依赖于牙齿标记分割结果，容易导致过分割或欠分割，最终影响牙齿三维重建的质量。
[0005]因此，如何提高基于深度学习模型的CBCT牙齿分割与重建效果是当前急需解决的问题。
技术实现思路
[0006]本申请的目的：在于解决和克服现有技术和应用的不足，提供一种基于CBCT图像的牙齿分割与重建方法及存储介质，可直接分割三维CBCT图像中的牙齿，同时将相互接触的邻接牙齿分离，从而实现单牙齿的分割与三维重建，具有高效、准确、鲁棒性高等优点，能够在噪声复杂CBCT图像中取得较好的分割与3D重建结果。
[0007]本申请的目的是通过如下技术方案来完成的，一种基于CBCT图像的牙齿分割与重建方法，包括以下步骤：S1. 获取数据与标注：将CBCT图像作为训练数据，对CBCT数据进行自定义逐层标注，自动统计标注牙齿中心点；S2. 数据预处理：利用交叉验证法将数据集划分为训练集、验证集和测试集, 对训练集数据的每一层切片做数据增强处理；S3. 模型构建与训练：构建CBCT牙齿分割网络模型，利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数；S4. 重叠牙齿与牙齿标记预测：S4.1、将CBCT测试数据逐层输入到所述步骤S3得到的最优模型参数中，得到每个体素属于牙齿与牙齿标记的概率值和；S4.2、利用阈值法将概率值转化为二值分割结果：和，其中和为牙齿与牙齿标记的三维分割结果，与为分割牙齿与牙齿标记的阈值；S5. 三维重叠牙齿区域分离：利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离；S6. 三维离散牙齿区域合并：利用连通区域检测方法获取每颗牙齿的三维体素，基于空间信息合并离散的牙齿，生成完整的单牙齿三维分割结果；S7. 判断所述步骤S6处理结果是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；S8. 牙齿三维重建与保存。
[0008]优选地，所述步骤S1具体包括：
S1.1通过扫描设备获取大量的CBCT图像，将所述CBCT图像作为训练数据，对CBCT数据的颌骨区域进行逐层标注，采用不同颜色对相邻的牙齿进行标注；S1.2 基于图像矩算法依次提取牙齿标签中不相邻的牙齿区域的中心点坐标信息，通过在中心坐标上标注圆形区域作为单颗牙齿的中心点标注。
[0009]优选地，所述步骤S2包括：信号预处理算法，当CBCT的牙齿像素分布范围满足高斯分布时，计算牙齿像素的均值μ与方差σ，对信号进行压限处理，计算公式如下所示：其中，与分别为CBCT牙齿分布信息中的最小值和牙齿像素的上限值（），有效抑制牙齿像素突出造成的牙齿边缘信息损失。
[0010]优选地，所述步骤S5具体包括：S5.1、利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离，并给每个牙齿标记的连通区域分配一个唯一的牙齿数字标签，用以区分不同牙齿；S5.2、将所述步骤S4得到的牙齿三维分割结果与牙齿标记三维分割结果输入到标记控制的分水岭算法中进行运算，使重叠牙齿区域相互分离，得到单颗牙齿的三维分割结果。
[0011]优选地，所述步骤S6具体包括：S6.1、利用连通区域检测方法获取每颗牙齿的三维体素，提取每颗牙齿的顶端横截面与底端横截面；S6.2、当本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CBCT图像的牙齿分割与重建方法，其特征在于，包括以下步骤：S1. 获取数据与标注：将CBCT图像作为训练数据，对CBCT数据进行自定义逐层标注，自动统计标注牙齿中心点；S2. 数据预处理：利用交叉验证法将CBCT数据集划分为训练集、验证集和测试集, 对训练集数据的每一层切片做数据增强处理；S3. 模型构建与训练：构建CBCT牙齿分割网络模型，该模型由依次连接的VGG
‑
19骨干网络、FPN颈部网络和两个Softmax像素分类器组成，利用TensorFlow内置的Adam优化算法使损失函数极小化，得到最优的模型参数；S4. 重叠牙齿与牙齿标记预测：S4.1、将CBCT测试数据逐层输入到所述步骤S3得到的最优模型参数中，得到每个体素属于牙齿与牙齿标记的概率值和；S4.2、利用阈值法将概率值转化为二值分割结果：和，其中和为牙齿与牙齿标记的三维分割结果，与为分割牙齿与牙齿标记的阈值；S5. 三维重叠牙齿区域分离：利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离；S6. 三维离散牙齿区域合并：利用连通区域检测方法获取每颗牙齿的三维体素，基于空间信息合并离散的牙齿，生成完整的单牙齿三维分割结果；S7. 判断所述步骤S6处理结果是否需要手工优化牙齿，若是则需要进行交互式优化牙齿后再利用线性阈值法对牙根根尖做细化处理，若否则直接利用线性阈值法对牙根根尖做细化处理；S8. 牙齿三维重建与保存。2.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S2包括：信号预处理算法，当CBCT的牙齿像素分布范围满足高斯分布时，计算牙齿像素的均值μ与方差σ，对信号进行压限处理，计算公式如下所示：其中，与分别为CBCT牙齿分布信息中的最小值和牙齿像素的上限值（），有效抑制牙齿像素突出造成的牙齿边缘信息损失。3.根据权利要求1所述的一种基于CBCT图像的牙齿分割与重建方法，其特征在于：所述步骤S5具体包括：S5.1、利用形态学腐蚀方法处理所述步骤S4得到的牙齿标记，将不同牙齿标记的区域相互分离，并给每个牙齿标记的连通区域分配一个唯一的牙齿数字标签...
【专利技术属性】
技术研发人员：林小平，黄胜钧，谢李鹏，
申请(专利权)人：汉斯夫杭州医学科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。