【技术实现步骤摘要】
基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法
[0001]本专利技术提供了一种基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法，用于CBCT三维牙齿和根管图像的分割，属于牙齿检测
技术介绍
[0002]口腔的整个或部分图像投影到二维图像平面上有一定的局限性，在特殊病例的诊断或治疗规划中，先进的CBCT三维成像方式可以给口腔医生提供更多的信息。口腔内牙齿和根管的高精度三维模型的分割将提供更加精细的层级结构和轮廓形状，更好的辅助临床医生进行临床诊断和术前规划。然而，人工在医学图像切片上进行牙齿和根管的标注，不仅在结构边界上容易出现手动误差，而且十分耗费时间和精力。
[0003]人工智能在口腔医学领域应用越来越广泛，与口腔影像诊断学结合可有助于提高影像诊断的精确度，有助于医患沟通、术前诊断、术中指导和术后评估，对临床有着显著的指导意义。牙齿区域分割包括牙齿和根管区域及边界的分割。然而，图像分割算法在预测牙齿边界、牙齿与根管边界区域时经常出现预测错误，导致分割效果不理想。
专利技...
【技术保护点】
【技术特征摘要】
1.基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法，其特征在于：包括如下步骤：S1：通过口腔颌面锥形束CT获取患者口腔CBCT的牙齿和根管图像作为数据集，采用ResUNet模型进行初步分割以确定感兴趣区域，在训练时将牙齿和根管区域视为同一样本标签进行训练，提取出牙齿结构区域；S2：采用Adam算法进行网络训练优化，得到粗分割训练模型；S3：构建精细分割模型：基于DenseUNet结合多分支空洞卷积提出改进的MRDUNet网络模型，将MRDUNet网络模型作为精细分割模型，所述MRDUNet网络模型基于多分支卷积和空洞卷积得到MRBlock结构，将MRBlock结构引入到DenseUNet模型中，得到MRDUNet网络模型；S4：采用基于2.5D思想的分割方法进行图像分割，将相邻切片堆叠在一起作为网络的输入，生成中心切片的分割图，对于每一层的分割，将相邻的几层也一同作为多通道输入；S5：针对牙齿和根管图像特点提出双边界损失函数，所述双边界损失函数针对牙齿与根管边缘的像素点分别增加网络训练的代价，通过MRDUNet结合双边界损失对标记后的感兴趣区域进行牙齿和根管的双重分割；S6：采用Adam算法进行网络训练优化，并设置相应训练参数得到精细分割模型；S7：将经过粗分割的图像输入至训练好的精细分割模型中，得到口腔牙齿和根管的分割图像。2.根据权利要求1所述的基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法，其特征在于：所述步骤S1中ResUNet模型通过以下步骤获取：将U
‑
Net网络中编码器的卷积块替换成残差单元Res_Conv，在Res_ConvA模块中开始时设计一个1x1的卷积，然后模型特征矩阵通过1x1的卷积进行通道维度上的变换，最后输入到残差块中进行参数训练。3.根据权利要求1所述的基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法，其特征在于：所述步骤S3中MRBlock结构如下：在Previous层后有四个分支，第一分支包括1x1卷积层、空洞率为1的3x3卷积层，第二分支包括1x1卷积层、1x3卷积层、空洞率为2的3x3卷积层，第三分支包括1x1卷积层、3x1卷积层、空洞率为3的3x3卷积层，第四分支包括1x1卷积层，前三个分支经过一个连接层和1x1卷积后与第四分支一起输出。4.根据权利要求3所述的基于双边界损失的MRDUNet模型的口腔CBCT图像分割方法，其特征在于：所述MRDUNet网络模型的结构如下：第一层卷积层conv1，采用7x7卷积核，步长为2，并使用BN和ReLU；第一层池化层pool1，采用最大池化，步长为2；第一层MRBlock；第一层过渡层，采用一个1x1的卷积和2x2的AvgPooling；第二层MRBlock；第二层过渡层，采用...
【专利技术属性】
技术研发人员：王彬，景民薪，徐峰，李颖，相洁，
申请(专利权)人：太原理工大学，
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。