基于预训练SAM的提示式三维牙齿分割方法

目前,大多研究采用有监督学习方法在牙齿的三维数据上训练网络,完成分割任务,但在处理缺牙、严重错位或颌部不完整的牙齿时效果不佳,泛化能力较弱。为此,提出了一种基于预训练分割一切模型(segment anything model,SAM)和提示分割技术的方法。首先,在2022年国际医学图像计算和计算机辅助干预会议(MICCAI 2022)的三维牙齿公开数据集上微调模型。然后,将三维牙齿模型投影至多个二维视图,利用SAM网络进行图像分割。再将每个像素的标签映射回原始的三维三角形面片,完成三维牙齿分割。在该数据集中,测试了900个较理想的三维上下牙数据,取得了与主流技术相当的结果。对于缺牙、牙齿错位以及上下颚不完整的复杂情况,本文方法表现出显著优于现有技术的效果,展示了更强的泛化能力和稳定性。

采用空洞卷积和混合注意力卷积的残差牙齿分割网络

准确的牙齿分割是牙齿三维重建以及计算机辅助正畸的基础.针对牙齿结构复杂、牙齿边界模糊、与下颌骨灰度相近等问题,本文提出了一个基于空洞卷积和混合注意力卷积的残差牙齿分割网络.该网络使用并联多尺度空洞卷积模块提取不同尺度的感受野特征,混合注意力模块强调空间和位置上特征信息并抑制无关特征的影响.此外,在特征解码模块中引入多层残差模块加强深层和浅层特征信息的融合,改善了分割效果.最后使用30例正畸患者获得的1900张CBCT切片图像对模型进行训练和测试,实验结果表明所提方法的Dice相似系数和平均交并比分别为94.83%和90.20%,实现了对CBCT图像中牙齿的有效分割,可以辅助医生更好的评估患者的牙齿状况并制定治疗计划.

基于卷积神经网络实现锥形束CT牙齿分割及牙位标定

目的:利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography,CBCT)体素数据的牙齿实例分割和牙位标定。方法:本文所提出的牙齿算法包含三个不同的卷积神经网络,网络架构以Resnet为基础模块,首先对CBCT图像进行降采样,然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest,ROI)。通过训练模型,ROI利用一个双分支“编码器-解码器”结构网络,预测输入数据中每个体素所对应的相关空间位置信息,进行聚类后实现牙齿的实例分割。牙位标定则通过另一个多类别分割任务设计的U-Net模型实现。随后,在原始空间分辨率下,训练了一个用于精细分割的U-Net网络,得到牙齿的高分辨率分割结果。本实验收集了59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库,对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient,IDSC)用来评估牙齿分割结果,使用平均Dice相似系数(the average Dice similarity coefficient,ADSC)评估牙齿分割及牙位标定的共同结果并进行评定。结果:量化指标显示,IDSC为89.35%,ADSC为84.74%。剔除了带有修复体伪影的数据后生成了有43例样本的数据库,训练网络得到了更优良的性能,IDSC为90.34%,ADSC为87.88%。将得到的结果进行可视化分析,牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态,而且可以对牙齿的分类进行准确的编号。结论:该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割,还可以准确标定所有恒牙的牙位,具有临床实用性。

基于特征线分段技术的牙齿分割算法

牙齿分割是计算机口腔正畸的重要技术,针对三维牙颌模型直接进行牙齿分割而不对齿间融合区域进行处理会存在精确度较差、缺失侧面形状的问题,以及现有牙齿形状建模方法交互多、效率低的问题,提出一种基于特征线分段技术的牙齿分割算法。根据曲率信息筛选特征区域并采用形态学算法提取牙列特征线;结合特征线分段和分支点匹配算法以及形态学膨胀操作实现齿间融合区域的自动识别;利用匹配的分支点对齿间孔洞搭桥修补,实现牙齿形状的自动恢复;提取齿间龈缘线,然后以所有龈缘线作为牙齿分割线分离出单颗牙齿。实验结果表明,该算法不仅能准确分离出具有侧面形状的单颗牙齿,而且避免了牙齿形状建模时的交互操作,而且与手动识别并删除齿间粘连区域、采用曲面能量约束方式重建齿间缺失曲面的方法相比,提高了牙齿分割效率60%~90%。

避开融合区域的牙齿分割算法

针对三维牙颌模型由于点云重建导致齿间区域融合的问题,提出一种能避开融合区域的牙齿分割算法。根据曲率筛选和邻接信息过滤得到特征区域,采用改进的形态学算法获得边界线,利用几何信息让边界线避开融合区域,通过改进的区域生长法把牙齿精确地分离出来。实验结果表明,使用该方法能够对不同牙齿模型进行正确分割,速度较为迅速,因避开了大部分融合区域,得到的单颗牙齿模型有助于牙齿矫形后续操作。

基于区域能量函数的快速CBCT图像牙齿分割算法

从锥形束面计算机断层扫描图像中分割出三维牙齿模型对口腔正畸治疗和研究工作十分重要.针对邻接牙、牙周组织模糊等问题,提出一种基于区域能量函数的快速牙齿分割算法.首先通过牙髓种子点和梯度模,筛选拟合得到一条粗略的初始分割曲线;然后根据灰度分布特征确定曲线变化的搜索路径和变化区域,在此区域内构造了一个基于灰度值、梯度模和边界平滑性的区域能量函数,优化初始分割曲线得到精确的分割曲线;再将上一层的最终分割曲线作为下一层的初始分割曲线,逐层优化得到所有分割曲线;最后使用Marching Cubes算法重建得到完整牙齿网格模型.采用CBCT数据集进行测试,实验结果表明,该算法能够有效且快速地解决模糊问题,得到满足正畸治疗需要的牙齿模型.

深度学习算法辅助数字化牙模三维牙齿分割的研究进展

三维牙齿分割是指从数字化牙模中分割出独立的牙齿模型,其是口腔正畸数字化诊断、设计、治疗及定制化矫治器制造等领域的重要基础。随着人工智能技术与口腔医学大数据的深度融合,利用深度学习算法辅助三维牙齿分割任务已成为主流。本文从数据集建立、深度学习网络设计、算法性能、创新与优势、现有研究不足与展望等方面对深度学习算法辅助三维牙齿分割任务的现状进行综述。文献复习结果显示,深度学习算法辅助三维牙齿分割的准确率高达95%,且鲁棒性较好,但是在对复杂牙列模型的分割准确率、运算时间及训练数据丰富程度等方面有待提升。研发“减耗强芯”算法、建立基于多中心的权威数据样本库、拓宽数据应用的深度与广度,将是未来该领域的重要发展方向。

基于双流网络和改进DGCNN的三维牙齿分割方法

将牙齿的三维数字化模型进行精确分割,是计算机辅助正畸手术中一项基本的任务。基于深度学习的方法已被广泛应用于三维模型的分割任务,这些方法均是利用三维模型的几何特征进行简单拼接,无法有效提取不同几何特征所表征的不同语义。针对这一问题,提出一种改进DGCNN的双流牙齿分割网络以学习不同输入特征的语义信息。在真实患者上牙颌模型数据集上的实验结果表明,该方法取得了更好的分割效果。

基于深度学习的口腔全景片牙齿自动分割方法

【目的】从口腔全景片中准确分割每颗独立的牙齿对于口腔医学数字化中的疾病诊断和治疗至关重要,然而由于口腔全景片中存在重叠的解剖结构、模糊的边界和伪影,导致单个牙齿的精确分割成为一项具有挑战性的任务。【方法】为了解决这个问题,本文提出一种基于深度学习的方法,用于从口腔全景片中准确、自动地分割每颗独立的牙齿。所提出的方法结合了多个深度神经网络,并利用牙齿形态图和多尺度形态引导注意力机制(MMAM)来精确分割每个牙齿。【结果】在真实临床场景中收集的测试数据集上评估了这一方法的分割性能,并与目前先进的方法进行了比较。结果表明,本文提出的方法在单个牙齿上的分割结果为平均Dice系数94.65%,平均Jaccard系数90.29%,平均召回率94.06%,平均精确度95.62%,与其他方法相比获得了更准确的分割性能。【结论】基于深度学习的口腔全景片自动分割方法可以很好地应用于口腔医学数字化自动病理诊断之中。

结合多种子区域生长和边界延伸的智能牙齿分割方法研究

三维牙颌模型的分割是计算机口腔辅助诊疗系统的关键步骤。针对牙齿分割技术普适性差、欠分割的问题,提出一种结合多种子区域生长和边界延伸的智能牙齿分割方法。该方法结合牙齿的负曲率网格的分布特点获得新种子点,通过差异性区域生长适应了牙齿顶面和侧面间的差异性结构,并结合几何特征对初次分割的边界进行延伸,有效弥补了区域生长的欠分割缺陷。在实验中,通过与当前经典的算法进行对比和消融实验,表明本文方法能够更好地分割拥挤的牙颌模型,具有较强算法普适性,已具备满足口腔诊疗中实际分割需求的能力。

面向低剂量CT的牙齿分割网络

目的 锥形束计算机断层扫描(cone beam computer tomography, CBCT)已成为口腔诊疗领域中最常用的一项医学影像技术。由于CBCT图像本身对比度低且牙齿形状复杂,在进行牙齿分割时容易导致分割边界模糊、牙齿根部错误分割的问题。现有方法往往无法达到预期效果,并且基于深度学习的分割网络在分割精度等性能提升到一定程度后存在生梯度爆炸、过拟合以及无法关注图像全局信息等限制。然而,牙齿分割在医生制定诊断和治疗计划方面至关重要。为了应对这一问题,提出了一种名为MF-CA Net的牙齿分割模型,以提高牙齿分割的准确性和鲁棒性。方法 MF-CA Net模型引入了多尺度特征提取模块(multi-scale feature extraction module, MFEM)和CA(coordinate attention)注意力机制,这些模块使网络能够准确地捕捉感兴趣的牙齿区域,并提取丰富而密集的多尺度特征信息,从而有效地指导分割任务。特别是在牙根分割方面,这些模块能够显著提高分割的精度。为了进一步提升分割算法的性能,还引入了联合损失函数,该损失函数综合考虑了像素级、局部级和全局级3个方向的牙齿边缘分割,以提高算法的准确性和稳健性。结果 实验在数据集上对MF-CA Net模型与6种主流方法进行了比较。实验结果表明,相较于其他分割方法,MF-CA Net模型在各项评价指标上都取得了显著的提升。尽管在精度(accuracy)指标上稍低于DeeplabV3+,但在Dice评价指标上达到了0.949 5的高分数,相比PyConvU-Net提高了4%,相对于DeeplabV3+提高了约4%,对比U-Net提高了约16%。此外,平均交并比(mean intersection-over-union,mIoU)指标提升了3%~11%,F2值提升了5%。结论 本文提出的MF-CA Net网络模型可以实现对牙齿的精确分割。

3维牙颌模型牙齿分割的路径规划方法

目的从3维牙颌模型上分割出单颗牙齿是计算机辅助正畸系统的重要步骤。由于3维测量分辨率和网格重建精度的有限性,三角网格牙颌模型上牙龈和牙缝边界往往融合在一起,使得单颗牙齿的自动分割变得极为困难。传统方法容易导致分割线断裂、分支干扰等问题,且手工交互较多,为此提出一种新颖的基于路径规划技术的单颗牙齿自动分割方法。方法为避免在探测边界时牙龈和牙缝相互干扰,采用牙龈路径和牙缝路径分开规划策略。首先基于离散曲率分析和一种双重路径规划法搜索牙龈分割路径,并基于搜索到的牙龈路径利用图像形态学和B样条拟合技术构建牙弓曲线;然后综合牙龈路径和牙弓曲线的形态特征探测牙龈路径上的牙缝凹点以划界每颗牙齿的牙龈边界轮廓,并通过匹配和搜索牙龈边界轮廓上颊舌侧凹点间的最优路径确定齿间牙缝边界路径;最后细化整个路径以获取每颗牙齿精确的封闭分割轮廓。结果对不同畸形程度的患者牙颌模型进行分割实验,结果表明,本文方法对于严重畸形的牙齿能够产生正确的分割结果,而且简单快速,整个分割过程基本能够控制在20 s以内。和现有方法相比,本文方法具有较少的人工干预和参数调整,除了在个别牙齿边界较为模糊的位置需要手动调整外,大部分情况都是自动的。结论提出的路径规划方法具有强大的抗干扰能力,能够有效克服牙缝牙沟等分支干扰以及分割线断裂等问题,最大程度地减少人工干预,适用于各类畸形牙患者模型的牙齿分割。

基于改进Mask R-CNN的牙齿识别与分割

针对当前的研究方法在牙齿全景X光片上提取的信息较为单一,而未曾考虑将牙齿的类别信息与形状位置信息融合提取的问题,提出一种实例分割方法同时实现牙齿识别与分割。主要通过融合跳跃结构和SE(Squeeze and Excitation)模块对Mask R-CNN实例分割模型中的分割分支进行改进,并以牙齿功能与FDI牙位两种类别编码方式,采用400张牙齿全景X光片数据进行实验仿真。实验结果表明改进后的模型相比于其他模型,可以同时有效地进行牙齿分类和分割,实现牙齿类别、形状、位置信息的融合提取,改善了Mask R-CNN实例分割模型在分割分支中语义信息提取不足的问题。

基于形态学的牙齿模型交互分割

精确地分离出单颗牙齿是计算机辅助正畸设计的重要步骤,由于牙齿有不同的形状并且不同个体之间也有很大的差异,所以分离出单颗牙齿比较困难。介绍了一种从三维网格牙颌模型上精确分割单颗牙齿的方法。首先,计算三角网格顶点的曲率,根据顶点曲率值筛选出特征区域;由用户封闭特征区域,之后对特征区域进行形态学操作得到特征区域的骨架线;依据获得的骨架线可以把牙齿精确地分离出来。

牙齿半自动精确分割算法

牙齿分割是数字化牙齿正畸的基础.针对现有的牙齿分割技术自动化程度低、分割不精确的问题,提出了一种牙齿半自动精确分割算法.该算法主要包含3个步骤:首先,手动拾取每相邻2颗牙齿间的一个特征点,利用每颗牙齿两侧的特征点构建局部凹陷感知调和场矩阵,计算模型局部区域的标量场;其次在局部网格上得一系列等值线,利用一种投票机制选取最佳等值线作为牙齿分割线;最后利用一种启发式的特征线提取算法对分割线进行优化,得到精确的龈缘线,实现牙齿的精确分割.实验测试所用数据全部来源于临床扫描数据,结果表明,该算法具有较强的适应性,能够实现牙齿的精确分割,分割精度能够控制在0.1 mm以下,不需要后续过多的手工交互,自动化程度较高,综合提取时间较少,能够满足实际需求.

基于网格抽取的牙齿模型快速分割算法

隐形牙套是口腔正畸学的一个热门研究方向,而牙齿分割是制作隐形牙套过程中非常重要的一个环节。针对交互标记控制算法分割时间长和欠分割等不足,提出一种基于网格抽取的牙齿模型快速分割算法。对于获得的三维牙齿模型,进行三维网格抽取;对抽取后的牙齿网格进行网格平滑;使用改进的交互标记控制算法将单颗牙齿分离出来。实验结果表明,提出的算法精度较好,避免了欠分割,并且分割速度较快,得到的单颗牙齿模型有助于牙齿矫正后续操作。

基于局部注意力机制的三维牙齿模型分割网络

从三维牙齿模型中准确分割出牙齿部分是正畸计算机辅助诊疗的基础.由于现有的三维模型分割网络对局部特征建模方式相对简单,这些方法无法有效提取牙齿边缘区域更细节的局部特征信息,进而导致这些区域出现牙齿多分、漏分等情况.本文提出一种基于局部注意力机制的三维牙齿模型分割网络以提高牙齿边缘区域的分割性能.首先,对原始牙齿模型中的三维网格数据进行多尺度的局部空间区域构建.其次,根据每个局部区域内的网格空间分布和网格特征差异进行注意力权重的学习.最后,基于学习到的网格权重进行局部特征聚合,以使得网络能自适应地去关注各个局部区域内更具有表达性网格特征.在临床数据集上的实验结果表明,相对于现有方法,本文网络的分割结果在牙齿边界区域更加准确光滑.

基于形态学的三维牙齿模型分割算法

计算机辅助的方法在口腔正畸领域有着广泛的应用,其中牙齿分割环节尤为重要。对于获得的三维牙齿模型,通过特征提取粗略识别牙齿边界线;对该特征区域进行扩充和削减操作,以提高牙齿边界的识别准确度;基于形态学对特征区域进行骨架化,将单颗的牙齿分离开来。实验结果证明这种方法精确度较好,并且能够有效减少人工交互操作,基本实现牙齿的自动分割。

牙齿锥形束计算机断层扫描图像分割

传统的正畸诊疗主要依靠正畸医生对牙齿锥形束计算机断层扫描(CBCT)图像和铸造的牙齿石膏模型进行分析、诊断和治疗,这个过程非常繁琐且工作量大,对医生的专业要求也非常高。因此,近年来越来越多研究人员关注利用计算机自动分割CBCT图像中的单颗牙齿,以辅助开展正畸治疗。然而,由于牙齿和牙槽骨的强度相近,咬合状态下CBCT图像中上下牙交界处结构复杂,牙髓腔较小且包含在牙齿内部,很难对单个牙齿进行自动分割。本文提出基于3D U-Net的三级网络分割单颗牙齿。本文将上下牙分为两个模型,对于每个模型,首先使用第一级网络确定每颗牙齿的大概位置,再使用第二级网络保证精确的牙齿中心,并指导提取每颗牙齿的ROI区域,最后使用第三级网络精确分割单颗牙齿。为了评估本文方法的有效性,本文收集37人的牙齿CBCT图像,在其上的实验结果表明本文方法能有效完成对单颗牙齿的精确分割,分割效果显著优于现有方法。

牙齿X线片的图像分割方法综述

近年来,随着国民医疗水平的不断提高,医疗影像设备在基层医院的不断普及,医学影像数据已经成为医生做出病理诊断的重要依据,利用计算机技术处理口腔医学影像也引起了研究人员的兴趣。设计相关算法自动分割牙齿图像中的感兴趣区域,对于辅助口腔医生诊断,提升阅片效率,都有着重要的临床应用价值,同时对缓解手工分割工作强度也有重要研究意义。通过对近十年牙齿X线片分割方法进行回顾,将牙齿图像分割方法分为基于手工特征的方法和基于深度学习的方法。对这两大类方法的研究现状进行了梳理和阐述;总结了部分研究的使用数据集和常用的评价指标,并比较了各类方法在相关数据集上的实验结果;分析了牙齿图像分割领域目前存在的问题和未来可研究的方向。