[发明专利]基于深度轮廓感知的牙齿分割方法、装置及计算机设备

说明书

本发明属于医学图像处理与计算机视觉技术领域，涉及一种基于深度轮廓感知的牙齿分割方法、装置及计算机设备。所述分割方法包括对数据集中的图片进行预处理操作，将其中的原始掩膜提取出轮廓掩膜，并进行数据膨胀处理从而加粗轮廓；将轮廓掩膜作为监督信息，使原始图像经过全卷积网络，得到轮廓预测概率图；构造U形深度轮廓感知网络；将原始掩膜作为监督信息，使原始图像和轮廓预测概率图融合后经U形深度轮廓感知网络，得到分割网络；将测试集的原始图像送入训练好的U形网络中，得到牙齿分割结果，并用圆盘过滤器使分割结果更加清晰。本发明增加了轮廓信息，使得在牙齿和牙齿周围组织界限不清晰的情况下，提高分割的准确率和分割的视觉效果。

技术领域

本发明属于医学图像处理与计算机视觉技术领域，涉及一种基于深度轮廓感知的牙齿分割方法、装置及计算机设备。

背景技术

在牙科领域，影像学图像是辅助诊断的基本数据源，x-ray图像在牙科医学中被用来检查牙齿、牙龈的状况，口腔的颌骨和骨骼结构等。牙齿分割结果可以被广泛用于牙齿正畸、牙体种植以及法医鉴定等场景。

在某些情况下由于x-ray成像效果限制，比如牙齿和周围组织对比度小(尤其是牙根区域)导致边界不清晰，缺牙所存在的空间问题，成像影片噪点较多，牙体填充造成金属伪影等，为后期自动分割牙齿带来极大的挑战。

医学图像分割的传统方法，可以分为五大类，分别是基于阈值的分割方法，基于边缘的分割方法，基于区域的分割方法，基于聚类的分割方法和基于分水岭的分割方法。基于阈值的分割方法一般只考虑了像素本身的灰度值，没有考虑空间特征，因而对噪声很敏感；基于边缘的分割方法难以解决边缘检测时的抗噪声性和检测精度之间的矛盾，会导致不合理的轮廓和位置的偏差；基于区域的分割方法容易造成图像的过度分割；基于聚类的分割方法依赖于聚类中心的选择，可能使结果偏离全局最优；基于分水岭的分割方法对微弱的边缘有着良好的响应，但图像中的噪声会使分水岭算法产生过分割的现象。

近年来，基于深度学习的图像分析方法在医学图像分割任务找那个取得了不错的进展，得到了医学领域的广泛关注。

目前，基于深度学习的牙齿分割任务主要存在两大挑战：

(1)相互接触的牙齿难以分割。一是牙齿之间相互接触，使得牙齿的边界难以界定；二是由于牙齿病理图像成像的原因，牙齿和周围组织对比度小，噪点较多，且在牙冠部位可能存在金属伪影，影响最后的分割效果。

(2)空间信息丢失。浅层网络的感受野比较小，由于感受野的限制，只能关注于局部信息，不易于结合全局信息得到符合牙齿空间结构的分割。

发明内容

有鉴于此，本发明的目的在于提供基于深度轮廓感知的牙齿分割方法、装置及计算机设备，尤其涉及一种基于全卷积网络和U形深度轮廓感知网络的牙齿分割方法。其中全卷积网络用于预测牙齿轮廓图，并为U形深度轮廓感知网络提供额外的边缘辅助预测信息；而具有U形结构的深度轮廓感知网络，在上采样的每个单元加入能够直接上采样到原始图像大小的转置卷积层，可以防止加入的边界特征的丢失，由于引入了精细的边缘辅助信息，可以得到像素级别的边界清晰的图像分割结果。

本发明的一种基于深度轮廓感知的牙齿分割方法，所述方法包括以下步骤：

S1、获取牙齿图像数据集，对其中的牙齿图像进行预处理操作，并将其作为训练集图像；

S2、从训练集图像中人工标注的二值原始掩膜经过形态学处理提取出轮廓掩膜并将其加粗；

S3、将加粗后的轮廓掩膜作为第一监督信息，将预处理后的原始牙齿图像经过全卷积网络，最小化第一损失函数，训练所述全卷积网络，得到轮廓预测概率图；

S4、构造出包括收缩路径和扩张路径的U形深度轮廓感知网络；