[发明专利]一种用于CBCT牙齿图像的分割方法

说明书

本发明属于医学图像处理技术领域，具体涉及一种用于CBCT牙齿图像的分割方法。本发明在U‑Net模型结构基础上对网络进行重新构建与优化，搭建一个区别于U‑Net的全新的DNN，再将全连接条件随机场应用于前面搭建的网络生成的分割概率图而不是原始灰度信息，作为后处理进一步优化牙齿轮廓。具体说是在U‑Net模型中的每一层加入经过改良的深层次瓶颈架构，引入基于像素累加的跳跃连接结构，加强特征的传播并促进特征的重用。此外，将DCRF应用于由对称式全卷积残差网络生成的分割概率图而不是原始灰度信息，利用网络得到的高质量特征图，融合DCRF全局结构化预测能力，解决CBCT牙齿图像中存在的噪声问题，精确定位牙齿轮廓并细化牙齿边缘，进一步提高分割效果。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种用于CBCT牙齿图像的分割方法。

背景技术

锥形束CT(Cone Beam Computer Tomography，以下简称CBCT)可通过一次扫描获取高分辨率的上下牙齿三维立体图像，且产生较低的辐射剂量等优点，所以CBCT目前已成为诊断牙科疾病的重要手段之一。利用CBCT扫描数据可对口腔牙齿进行三维重建，进而展现出牙齿内部各组织和结构信息。而对口腔牙齿进行实例分割是重构牙齿三维立体模型的重要步骤，同时也是计算机辅助牙齿诊断中的技术难点之一。

CBCT与传统CT(Computed Tomography)大有不同。CBCT使用面状的二维的投影数据来代替传统CT线性的一维投影数据，即传统的二维扇形束扫描被三维锥形束X线扫描所代替，使用CBCT图像重建后可直接得到三维图像。此外，CBCT不仅能产生清晰、高分辨率的图像，而且其成像范围合理，数据采集时间短，数据格式标准，对医学图像分割和重建起到很大的帮助。

针对医学图像分割的方法主要分为两大类：1)传统的医学图像分割方法，包括基于边缘检测的图像分割，基于阈值的图像分割，基于区域的图像分割等方法。这些传统的方法往往需要较多的人机交互过程来完成目标提取和分割，同时自我学习能力较弱，对噪声，模糊实例等干扰因素的抵抗力较低。2)基于深度学习的医学图像分割方法，随着深度学习在医学上的发展，利用深度神经网络(Deep Neural Networks，以下简称DNN)对医学图像进行分割取得了一定的成功，其分割效果远超于传统分割方法。但是，由于深度学习训练的特殊性，使用DNN对牙齿进行分割还存在一些障碍，这主要是因为医学图像成本高，难以获得有效的、有代表性的图像。以牙齿图像举例说明，与自然场景图像相比，难以实现高效率的牙齿分割主要有三个原因：①由于牙齿图像中良恶性图像之间存在较大的差异，使得网络的泛化能力受到一定限制。②与一般的自然场景图像相比，牙齿图像往往包含更多对象实例，这就需要大量人工标注对图像进行处理。③由于CBCT图像中牙齿与牙齿间的灰度相似，差异小，使得牙齿间的边界模糊。

随着计算机硬件的发展，深度学习在计算机视觉领域取得了良好的表现。通过端到端的方式，DNN在图像特征提取、图像分类等图像处理领域展现出优异的性能。其中以残差网络(Residual Network，以下简称ResNet)为主要代表，ResNet提出了一种独特的跳跃连接结构，称为残差单元(Residual Unit)，通过在残差单元中加入瓶颈结构(BottleneckStructure)，大大提升了网络模型的性能，实现了DNN新的突破。ResNet以其优异的表现在2015年ImageNet比赛中获得图像分类、图像定位以及图像检测三个项目冠军，在语义分割领域也有强势表现。