System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉领域,提供了一种基于深度学习的技术,用于分割锥形束计算机断层扫描(cbct)图像中的单个牙齿。
技术介绍
1、随着医疗大数据的兴起,正迎来个体健康管理领域的全新时代,在这个时代里,全面研究人体生命各个方面成为当前关注的焦点,牙齿问题凸显为一类常见且多样化的健康挑战,涵盖了从乳牙到成牙的发育阶段,包括龋齿与蛀牙、牙齿畸形、牙齿磨损等多个方面。与此同时,传统的牙齿生物力学建模主要依赖于逆向工程方法。由于牙齿的个性化差异较大,逆向工程方法在精度和准确性上存在一定的限制,同时时间成本和经济成本也相对较高,模型的复杂性和局限性更是明显。同样,义齿的制造方式也面临着相似的瓶颈制约,传统方法限制了其精度和生产效率。
2、当前口腔医学的发展越来越趋近于数字化、个性化、智能化,锥形束计算机断层扫描技术(cbct)结合了3d成像与低辐射剂量的优势,广泛应用于口腔领域的牙齿诊断和治疗规划。牙齿分割是cbct图像分析的关键任务之一,要求能够提取牙齿的准确轮廓和结构信息,为口腔医生提供重要的辅助诊断和治疗指导,同时为口腔生物力学分析提供牙齿数字化模型。然而,由于牙齿与周围牙槽骨密度非常相似,咬合状态下上颌牙齿与下颌牙齿,同一颌面的不同牙齿之间难以分离,且图像存在噪声和伪影等因素,从cbct图像中分割牙齿是一个困难的问题。
技术实现思路
1、基于上述背景,本专利技术提供了一种自动分割cbct牙齿图像中单个牙齿的方法。该方法分为三个阶段,包括:
2、阶段一、图像预
3、阶段二、图像语义分割阶段,将数据输入深度学习算法模块,获取牙齿二值掩膜图像。
4、阶段三、单个牙齿分割阶段,通过应用标记分水岭分割算法,得到单个牙齿的分割结果。
5、进一步,在所述图像预处理阶段,具体方式为:
6、首先,对口腔cbct图像进行冠状面方向的最大灰度投影,生成冠状面最大灰度投影图像。通过设定阈值进行阈值滤波操作,生成牙釉质部分的二值掩膜图像,将具有最大峰值且像素分布连续的投影区间视为包含牙釉质区域的层数范围,通过设定根冠比得到包含牙齿区域的层数范围,至此完成水平位层数范围的选择。
7、然后对上述层数范围进行重复操作,与上述不同的是,对水平位二值掩膜图像进行形态学开操作,并保留最大联通区域以避免噪声区域对选取有效区域的影响,将具有像素分布连续的投影区间视为包含牙齿的区域,通过两次裁剪操作,得到cbct图像中包含所有牙齿的三维包围框。
8、进一步,在所述图像语义分割阶段,构建深度学习语义分割模型,具体实现如下:
9、本专利技术提出一种新的编码-解码结构网络,该网络由5层编码解码器组成,将相同层的不同编码解码模块通过跳跃连接的方法连接在一起,相邻层的编码模块通过下采样操作得到下一层的特征图,解码模块通过上采样操作得到上一层的特征图,形成密集的网状连接结构,加强深层抽象特征和浅层语义信息的融合。
10、所述的编码-解码结构网络,通过多尺度特征模块处理不同尺度的特征图,该模块首先通过1×1×1卷积将输入特征分为两部分。一部分通过直接连接实现恒等映射,另一部分引入3×3×3卷积核,形成两个分支。这两个分支的特征图再次通过1×1×1卷积融合在一起。在每个卷积核后面都进行bn处理并使用relu激活函数。
11、所述的编码-解码结构网络,在解码器的不同层级引入监督信号,对每个额外的输出计算相应的损失函数,这些损失与最终输出的损失一起应用于反向传播,从而在训练过程中同时优化多个损失,使网络更好地捕捉不同层次和尺度的特征,提高网络结构的鲁棒性;
12、所述的编码-解码结构网络,采用dice loss作为损失函数,并添加拉普拉斯平滑系数为1,以a代表模型分割区域,b代表实际标签区域,dice loss可表示为:
13、
14、进一步,在所述单个牙齿分割阶段,通过应用标记分水岭分割算法,得到单个牙齿的分割图像。具体实现如下:
15、首先通过对牙齿二值掩膜图像进行形态学开操作,在保持平滑轮廓基本不变的同时,去除小的突出物并填补小的间隙,得到平滑处理后的二值图像。
16、然后对二值图像进行腐蚀操作,得到每颗牙齿经过腐蚀后的图像,在这个过程中,为了防止由腐蚀引起的极小区域在后续处理中形成局部噪点,采用去除图像中体积过小的连通区域的方法,得到种子点标记。
17、最后对二值图像进行欧几里得距离变换得到欧几里得距离图,将相应二值图像中值为1的部分设置为前景,值为0的部分设置为背景,通过上述得到的种子点标记,使用标记分水岭分割算法进行图像分割,得到最终的单个牙齿分割结果。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的牙科CBCT单个牙齿分割方法,其特征在于:该方法分为图像预处理阶段、语义分割阶段和单个牙齿分割阶段;
2.根据权利要求1所述的基于深度学习的牙科CBCT单个牙齿分割方法,其特征在于:在所述图像预处理阶段,具体方式为:
3.根据权利要求1所述的基于深度学习的牙科CBCT单个牙齿分割方法,其特征在于:在所述图像语义分割阶段,构建深度学习语义分割模型,具体实现如下:
4.根据权利要求1所述的基于深度学习的牙科CBCT单个牙齿分割方法,其特征在于:在所述单个牙齿分割阶段,通过标记分水岭分割算法,得到单个牙齿的分割图像。具体实现如下:
【技术特征摘要】
1.一种基于深度学习的牙科cbct单个牙齿分割方法,其特征在于:该方法分为图像预处理阶段、语义分割阶段和单个牙齿分割阶段;
2.根据权利要求1所述的基于深度学习的牙科cbct单个牙齿分割方法,其特征在于:在所述图像预处理阶段,具体方式为:
3.根据权利要求1所述的基于深...
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。