申请/专利权人：杭州隐捷适生物科技有限公司

申请日：2021-08-05

公开（公告）日：2024-06-28

公开（公告）号：CN113628223B

主分类号：G06T7/11

分类号：G06T7/11;G06T5/70;G06T17/00;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/08;A61B6/00;A61B6/03;A61B6/51

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明公开了一种基于深度学习的牙科CBCT三维牙齿分割方法。本发明对CBCT图像序列中每张图像中的牙齿进行语义分割，从而去除噪声；构建深度监督的编码‑解码网络用于口腔CT图像的去噪，编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接，降低编码和解码子模块中特征图的语义缺失；具体包括四个阶段：阶段一、牙科CBCT图像的收集和预处理；阶段二、模型训练集的构造；阶段三、构建编码‑解码结构的网络分割模型；阶段四、模型训练及评估。实验结果表明，本发明对个体三维牙齿分割的Dice相似系数为95.64％。结果表明，本发明提出的方法为数字化牙科提供了一种有效的临床应用框架。

主权项：1.一种基于深度学习的牙科CBCT三维牙齿分割方法，其特征在于对CBCT图像序列中每张图像中的牙齿进行语义分割，从而去除噪声；构建深度监督的编码-解码网络用于口腔CT图像的去噪，编码和解码的子模块通过一系列嵌套的密集跳跃路径进行相互连接，降低编码和解码子模块中特征图的语义缺失；具体包括四个阶段：阶段一、牙科CBCT图像的收集和预处理；阶段二、模型训练集的构造；阶段三、构建编码-解码结构的网络分割模型；阶段四、模型训练及评估；所述的阶段一获取牙科CBCT数据集的具体步骤实现如下：1.1使用的牙科CBCT数据集由10位患者组成，每位患者CBCT数据的大小是512张512*512的dcm格式图像；1.2为了未来进行单个牙齿分类的工作，用ITK-SNAP软件对深度学习语义分割模型的训练数据集进行标注；将CBCT图像的牙齿进行14类的标注，标签文件保存为nii文件格式；1.3标注后的CBCT图像对应的标签，在灰度值图像中的像素对应关系是：像素值0对应背景，像素值1-14对应不同的牙齿，为了分割牙齿，将像素1-14的区域置为1，表示牙齿部分；所述的阶段二构建深度语义分割模型，具体实现如下：提出一种新的编码-解码U形结构网络，该网络将编码器和解码器的不同子模块通过嵌套和跳跃路径连接在一起，以此将编码网络中高分辨率特征图和解码网络中相应语义特征进行融合，该编码-解码U形结构网络能够有效的学习前景对象的深层特征；所述的编码-解码U形结构网络，其中每个矩形表示一个密集卷积块，通过一系列的密集卷积块实现编码器和解码器特征图之间的语义融合；对于每个卷积模块Xi,j采用VGGBlock的卷积结构，即每个卷积后面都进行BN处理以及使用ReLU激活函数；密集卷积块使编码器特征映射的语义级别与解码器中特征的语义级别更相近；当接收的编码器特征映射和相应的解码器特征映射在语义上相似时，优化器将面临更容易的优化问题；为了方便分析跳跃连接，用xi,j表示卷积模块Xi,j的输出，其中i表示编码器下采样的索引，j表示沿着跳跃路径上的索引卷积块；xi,j的计算为： 其中，C·表示卷积模块的卷积运算，U·表示上采样，[]表示直接在通道维度上的连接；j＝0表示只接收来自前一层编码器的输出，j＝1的卷积模块有两个输入，两个都来自编码器网络，处于两个连续的级；j＞1的卷积模块接受j+1个输入，其中j个输入来自同一级的跳跃路径上前j个卷积模块的输出，另外一个输入来自较低一级的跳跃路径的上采样模块的输出；由于跳跃路径的存在，模型在多个语义层次上生成全分辨率特征映射，用二分类交叉熵损失和Dice系数损失的组合作为模型的目标函数： 其中Yb和分别表示CBCT图像的模型预测概率和真实标签标记,N是批次训练的大小，设置N＝2；所述的阶段三模型训练，具体实现如下：实验中的度量标准是Dice系数和交并比IOU,并在验证集上使用早停机制，使用学习率为3e-4的Adam优化器；模型结构中的所有卷积模块都使用k个大小3*3的卷积核；其中k＝32×2i；同时第一个跳跃路径上的每个卷积模块后面经过1*1卷积后，然后再通过sigmoid激活函数连接到最后卷积块X4,0上；即对于每张CBCT图像，模型会给出四个牙齿的分割图，然后进一步平均计算生成最终的牙齿分割图；模型训练的迭代轮数为200。

全文数据：

权利要求：

百度查询： 杭州隐捷适生物科技有限公司 基于深度学习的牙科CBCT三维牙齿分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD