一种基于边缘及纹理特征的髁突CBCT影像分割方法技术

本发明专利技术公开了一种基于边缘及纹理特征的髁突CBCT影像分割方法，首先将原始髁突CBCT影像通过髁突分割模型，得到整个髁突的感兴趣区域；然后将髁突的感兴趣区域输入至髁突皮质和松质骨的分割模型，通过纹理特征提取模块得到相应的纹理特征数据，并将纹理特征数据和特征编码网络一同输入至含有纹理注意力的特征解码网络中，进一步得到纹理融合特征，同时将特征编码网络中的低级特征和高级特征输入至边缘提取模块中，得到髁突皮质和松质骨的边缘信息，将边缘信息与纹理融合特征输入至融合模块中，最终得到髁突皮质和松质骨的可视化结果图。本发明专利技术使分割网络获取更多的皮质和松质骨的特征，提高髁突皮质和松质骨的分割精度。提高髁突皮质和松质骨的分割精度。提高髁突皮质和松质骨的分割精度。

【技术实现步骤摘要】
一种基于边缘及纹理特征的髁突CBCT影像分割方法


[0001]本专利技术属于医疗图像处理领域，尤其涉及了一种基于边缘及纹理特征的髁突CBCT影像分割方法。

技术介绍

[0002]颞下颌关节紊乱(TMD)是口腔颌面部最常见的疾病，是发病机制尚未完全明了，颞下颌关节(TMJ)不能发挥正常功能的一组疾病的总称。且发病率高，在常见的口腔疾病中排在第四位。颞下颌关节炎(TMJ
‑
OA)是TMD的一种亚型，可导致严重的关节疼痛、功能障碍、牙错咬合和与健康相关的生活质量下降。在影像上，可以通过髁突微结构的改变，对TMJ
‑
OA进行诊断。因为其受累的髁突可表现出骨微结构的改变，包括骨硬化、骨皮质受侵蚀变模糊等。所以及早地识别髁突骨微结构的改变，对于颞下颌骨关节炎的诊断与治疗有着重要的作用。
[0003]锥束计算机断层扫描(CBCT)现已被推荐为诊断下颌骨髁突骨变化的最可靠的方法之一，因为可以观察到髁突皮质层和底层松质骨的完整性。然而，下颌骨髁突仍然是CBCT图像上最难分割的结构之一。髁突形态多样、复杂，髁突骨密度相对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘及纹理特征的髁突CBCT影像分割方法，其特征在于，所述基于边缘及纹理特征的髁突CBCT影像分割方法，包括：将原始髁突CBCT影像输入至髁突分割模型，得到整个髁突的检测结果，根据检测结果对原始髁突CBCT影像进行裁剪，得到髁突的感兴趣区域I
ROI
图像；将感兴趣区域I
ROI
图像输入至皮质和松质分割模型的特征编码网络中，以获得不同尺度的特征图F
en
；将感兴趣区域I
ROI
图像输入至皮质和松质分割模型的纹理特征提取模块中，提得到纹理特征F
texture
；将特征图F
en
输入至皮质和松质分割模型的特征解码网络中，来解码不同尺度的区域特征，获得区域特征F
de
；将特征图F
en
中的低级特征F
e_low
和高级特征F
e_high
输入到皮质和松质分割模型的边缘特征提取模块中，获得边缘特征F
edge
；将边缘特征F
edge
和不同尺度的区域特征F
de
输入至皮质和松质分割模型的特征融合模块中，得到髁突皮质和松质骨分割的可视化结果预测图。2.根据权利要求1所述的基于边缘及纹理特征的髁突CBCT影像分割方法，其特征在于，所述将原始髁突CBCT影像输入至髁突分割模型，得到整个髁突的检测结果，根据检测结果对原始髁突CBCT影像进行裁剪，得到髁突的感兴趣区域I
ROI
图像，包括：步骤1.1、将原始髁突CBCT影像输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F1，其维度大小为步骤1.2、将特征图F1进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F2，其维度大小为步骤1.3、将特征图F2进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F3，其维度大小为步骤1.4、将特征图F3进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F4，其维度大小为步骤1.5、将特征图F4进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F5，其维度大小为步骤1.6、将特征图F5进行上采样，之后与特征图F4进行通道级拼接，并输入至卷积核大小为3
×3×
3的卷积块中，得到特征图F
up1
，其维度大小与F4一致；步骤1.7、将特征图F
up1
进行上采样，之后与特征图F3进行通道级拼接，并输入至卷积核大小为3
×3×
3的卷积块中，得到特征图F
up2
，其维度大小与F3一致；步骤1.8、将特征图F
up2
进行上采样，之后与特征图F2进行通道级拼接，并输入至卷积核大小为3
×3×
3的卷积块中，得到特征图F
up3
，其维度大小与F2一致；步骤1.9、将特征图F
up3
进行上采样，之后与特征图F1进行通道级拼接，并输入至卷积核大小为3
×3×
3的卷积块中，得到特征图F
up4
，其维度大小与F1一致；步骤1.10、将特征图F
up4
输入至卷积核大小为1
×1×
1的卷积块，得到检测结果R
condyle
；步骤1.11、根据检测结果R
condyle
对原始髁突CBCT影像进行裁剪，得到髁突的感兴趣区域
I
ROI
，其维度大小为D0×
H0×
W0。3.根据权利要求1所述的基于边缘及纹理特征的髁突CBCT影像分割方法，其特征在于，所述将感兴趣区域I
ROI
图像输入至皮质和松质分割模型的特征编码网络中，以获得不同尺度的特征图F
en
，包括：步骤2.1、将感兴趣区域I
ROI
图像输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F
en1
，其维度大小为C1×
D1×
H1×
W1；步骤2.2、将特征图F
en1
进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F
en2
，其维度大小为C2×
D2×
H2×
W2；步骤2.4、将特征图F
en2
进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F
en3
，其维度大小为C3×
D3×
H3×
W3；步骤2.5、将特征图F
en3
进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F
en4
，其维度大小为C4×
D4×
H4×
W4；步骤2.6、将特征图F
en4
进行最大池化，并输入至卷积核大小为3
×3×
3的卷积块中，得到输出特征图F
en5
，其维度大小为C5×
D5×
H5×
W5。每个卷积块得到的特征图组成不同尺度的特征图F
en
。4.根据权利要求1所述的基于边缘及纹理特征的髁突CBCT影像分割方法，其特征在于，所述将感兴趣区域I
ROI
图像输入至皮质和松质分割模型的纹理特征提取模块中，提得到纹理特征F
texture
，包括：将感兴趣区域I
ROI
图像输入至纹理特征提取模块，通过HOG方法进行特征提取，得到纹理特征图F
texture
，其维度大小为D0×
H0×
W0。5.根据权利要求4所述的基于边缘及纹理特征的髁突CBCT影像分割方法，其特征在于，所述HOG特征提取，包括：步骤3.1、将感兴趣区域I
ROI
图像沿着Z轴方向得到D0张大小为D0×
H0×
W0的髁突影像切片，并对每张进行像素值归一化处理，最终得到切片集S1；步骤3.2、将每张髁突影像切片s
i
，s
i
∈S1，i∈[0,D0‑
1]按一定大小分割成多个相同的窗口，每个相邻的窗口不重叠，然后将每个窗口按一定大小分割成多个相同的块，每个相邻的不重叠，最后再将每个窗口按一定大小分割成多个相同的细胞cell，每个相邻的cell不重叠；步骤3.3、对细胞c
i
，c
i
∈cell，i＝1,2,...,n)上的各个像素点分别计算水平方向的梯度值和垂直方向的梯度值G
x
和G
y
，对于像素点(x,y)，的水平方向和垂直方向的梯度值的计算公式如下：G
x
(x,y)＝h(x+1,y)
‑
h(x
‑
1,y)；G
y
(x,y)＝h(x,y+1)
‑
h(x,y
‑
1)；其中h(x,y)表示经过图像归一化后像素点(x,y)的像素值；从而可以得到像素点(x,y)的梯度幅值G(x,y)和梯度方向θ(x,y)的计算公式如下：从而可以得到像素点(x,y)的梯度幅值G(x,y)和梯度方向θ(x,y)的计算公式如下：
步骤3.4、在每个细胞cell内统计梯度方向直方图，将平面0～180度分划分成为n个区间，而181～360度的区间与n个区间所对应，区间内的角度范围所对应的梯度值累加值作为直方图纵轴，区间的边界所对应的梯度值作为直方图的横轴，从而得到每个细胞cell的HOG特征；步骤3.5、将每个块内的细胞cell得到的HOG特征进行归一化，得到快的HOG特征；步骤3.6、组合每个窗口内的块的H...

【专利技术属性】
技术研发人员：吴福理，金琳筱，郝鹏翼，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：