[发明专利]一种基于深度学习的CBCT牙齿分割方法

说明书

本发明涉及一种基于深度学习的CBCT牙齿分割方法，属于计算机图形学领域。该方法包括：S1：利用对牙齿图像的先验知识对锥形束CBCT图像进行预处理，提取牙齿部分，得到感兴趣区域；S2：通过ResNet‑FPN网络对图像进行特征提取，得到特征图；S3：使用CBAM模型对特征图先后进行空间和通道维度的压缩，从而对特征图进行重要性编码；S4：使用RPN网络对特征图进行候选区域提取；S5：使用ROI Align根据预选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图；S6：对候选区域进行分类、分割、包围框回归以及分割评分。本发明简化了分割步骤，提高了CBCT影像中牙齿分割精确性。

技术领域

本发明属于计算机图形学领域，涉及一种基于深度学习的CBCT牙齿分割方法。

背景技术

目前口腔医学主要包括牙齿正畸、牙齿种植和口腔颌面及关节疾病诊断等方面。以种植牙为例，目前医生通常是在观察患者X线全景片和根尖切片的基础上根据临床经验制定手术的方案规划。由于全景图不能如实反映口腔牙齿的空间位置，且缺乏牙根信息的准确获取，使得手术的成功率受到影响，增加了手术失败的风险。

近些年来计算机视觉和图形学的发展，使得数字化口腔医疗成为了现实。数字化口腔医疗的关键是获取和分割完整的3D牙齿模型。牙齿的形状及根部位置等三维信息对于额面部外科手术、根管治疗和治疗仿真等临床操作非常重要。但是，获取完整的3D牙齿模型是一项艰巨的任务。当前，有两种获取3D牙齿模型的主流技术：(1)口腔内扫描或台式扫描；(2)锥形束计算机断层扫描(CBCT)。口腔内或台式扫描是获取牙冠表面几何形状的便捷方法，但是在许多情况下准确诊断和治疗需要的牙根信息，它们无法获取。CBCT作为一种获得三维影像学图像的方法，比起普通CT，CBCT除了具有辐射剂量小、扫描时间短、图像空间分辨率高等优点之外，它还提供了包括牙齿在内的所有口腔组织的更全面的3D体积信息。所以从CBCT图像中分割牙齿可以得到更完整、更准确的牙齿模型。然而由于CBCT牙齿图像存在以下特点，使牙齿分割成为一项极具挑战的工作：(1)相邻牙齿间隙小，造成图像中相邻牙齿接触处轮廓线丢失；(2)牙齿的密度从牙冠到牙根各不相同，引起CBCT图像中单个牙齿的灰度不均匀；(3)由于牙齿根部埋在牙槽骨里，二者密度相近，故边缘不清晰；(4)牙齿的轮廓在牙根和牙冠部分存在拓扑结构的变化。

近年来许多国内外专家学者针对CBCT牙齿分割进行了深入研究，目前已经有很多算法，例如：水平集分割法、阈值分割法、区域增长法，但是这些方法都需要操作人具有强的先验知识，对算法进行非常良好的初始化才可以得到好的分割效果。

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CBCT牙齿分割方法，解决现有的传统牙齿分割方法需要良好初始化才能准确分割的问题，使用深度学习方法实现端到端的牙齿CBCT分割，不仅可以全自动、无需用户标注和后续步骤的分割牙齿，简化分割步骤的同时，也能够更加精确的从CBCT影像中分割牙齿。

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CBCT牙齿分割方法，包括以下步骤：

S1：利用对牙齿图像的先验知识对锥形束计算机断层扫描CBCT图像进行预处理，提取牙齿部分，得到感兴趣区域；

S2：通过深度残差网络ResNet和特征金字塔网络FPN对图像进行特征提取，得到特征图(feature map)；

S3：使用注意力模型(Convolutional Block Attention Module,CBAM)对特征图先后进行空间和通道维度的压缩，从而对特征图进行重要性编码；

S4：使用生成候选区域网络RPN对特征图进行候选区域提取；

S5：使用ROI Align网络根据预选框的位置坐标在特征图中将相应区域池化为固定尺寸的特征图，以便进行后续操作；