[发明专利]一种基于深度学习的全自动牙齿CBCT图像分割方法

说明书

本发明涉及一种基于深度学习的全自动牙齿CBCT图像分割方法，属于计算机视觉领域。该方法分为边缘图像获取阶段、多帧输入阶段和图像分割阶段。在边缘图像获取阶段，先获取牙齿CBCT图像中的边缘图像，再将得到的边缘图像与原图相加；在多帧输入阶段，将增强图像在通道上进行叠加，从单通道图像叠加成三通道的图像；在图像分割阶段，首先通过骨干网络对多帧输入阶段处理后的图像进行特征提取，然后将提取到的特征图送入候选区生成模块，完成在牙齿CBCT图像中针对牙齿的分割。本发明能够更准确的分割出多变的牙齿形状，准确的提取出牙根部分，能够有效减少牙齿将口腔中骨骼分割为牙齿的错误。

技术领域

本发明属于计算机视觉领域，涉及一种基于深度学习的全自动牙齿CBCT图像分割方法。

背景技术

口腔治疗主要包括口腔正畸、种植牙和拔牙。锥形束计算机断层扫描(CBCT)是一种广泛用于牙科问题研究的诊断成像技术。通过准确的牙齿分割，医生可以做出更准确的治疗决策和计划。为了重建3D牙齿模型，牙齿的准确分割至关重要。目前，这项工作由专业操作人员手动完成，然而，操作员手动标记是一项耗时的任务，并且结果的准确性取决于操作员。从CBCT图像中自动准确地分割单个牙齿对于建立有效的计算机辅助诊断系统以进行正畸、牙种植体模拟和其他牙科治疗至关重要。从条件快速变化的CBCT图像中准确识别和分割牙齿目前来说有一定的难度，主要原因包括：

(1)图像对比度低：牙科CBCT图像中个体组织之间的灰度相似，对比度低。例如，牙齿的灰度与牙槽骨和颚骨比较相似，这会导致图像中牙齿的边界模糊。

(2)灰度不均匀：牙齿结构可分为三部分，即牙釉质、牙本质和牙髓。三部分的成像效果灰度差异显著，导致图像中个别牙齿的灰度不同，增加了分割难度。

(3)个体组织器官的复杂多样性：个体牙齿的拓扑结构差异很大，在冠区看到的单个完整牙齿可能在根区分裂成2～5个分支。

(4)图像中存在共同边界：有可能共同边界被错误划分，将两颗牙齿识别为同一颗牙齿。

(5)分辨率低：虽然CBCT图像很大，但每颗牙齿的尺寸很小，直径大约20-40像素。

目前针对上述问题，业界已经提出了各种方法来相应解决，这些方法可以分为两类：需要手工制作特征的传统方法和通常需要大量样本的深度学习方法。传统方法通常是半自动的，需要人工处理，然而人工操作不能满足不同病情患者的需求。最先进的方法通常采用完全卷积网络(FCN)作为分层学习的主要组成部分，然后，这些方法以实例分割或语义分割的形式将局部到全局的特征集成到牙齿轮廓中，实例分割首先检测或定位不同牙齿的位置，然后分割目标。这种方法可能会将相邻的牙齿错误分类到同一类别中，因为它们在CBCT图像中看起来相似。语义分割方法对牙齿的所有描述执行密集组像素到体素的预测。然而，由于相对较大的输入图像的感知范围有限，这些语义分割网络无法将单个牙齿准确地标记为多个类别。此外，由于相似的灰度，这些方法可能会将骨骼分割成牙齿。当前的深度学习方法的性能仅限于牙齿分割的特定任务，这主要是由于它们易于使用通用网络架构。因此，目前在基于深度学习的CBCT图像分割领域中，仍然需要建立一种能够准确将牙齿CBCT图像进行分割的方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的全自动牙齿CBCT图像分割方法，对CBCT图像中的各种类型牙齿进行准确和全自动的分割，减少图像中骨骼的分割错误，提高分割精度。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习的全自动牙齿CBCT图像分割方法，该方法分为边缘图像获取阶段、多帧输入阶段和图像分割阶段。

在边缘图像获取阶段，先获取牙齿CBCT图像中的边缘图像，将得到的边缘图像与原图相加以增强图像的边缘特征。