[发明专利]一种基于卷积神经网络的颌骨自动分割方法

说明书

本发明公开一种基于卷积神经网络的颌骨自动分割方法，包括步骤：S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；S2：对上下颌骨影像数据集的影像数据进行预处理；S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；S4：利用所述测试数据集对分割网络模型进行测试；以及，S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。

技术领域

本发明涉及图像分割技术领域，特别涉及一种应用于口腔颌面部数字化手术规划的基于卷积神经网络的颌骨自动分割方法。

背景技术

现有的颌骨分割方法是运用手术规划软件(Mimics/Proplan)将上、下颌骨的Dicom数据导入，通过去除上下颌骨的连接点(髁突及牙列)实现颌骨分割。该方法分割上下颌骨的误差较大，分割耗时约0.5～1小时。特别是针对于上下牙闭合的情况，现有的利用阈值分割、区域生长、水平集等的分割方法需要通过手动擦除去除上下颌骨连接部分，才能实现对颌骨的分割，存在着分割时间长，不能实现自动分割的缺点。

综上所述，有必要提供一种新的颌骨自动分割方法，从而替代现有的手术规划软件方法，以克服上述缺陷。

发明内容

本发明的目的在于提供一种基于卷积神经网络的颌骨自动分割方法，可实现上、下颌骨影像的全自动分割，可以简化颌骨分割过程，实现迅速的颌骨分割。

为了达到上述目的，根据本发明的一方面，提供一种基于卷积神经网络的颌骨自动分割方法，包括步骤：

S1：建立上下颌骨影像数据集，并随机选取所述上下颌骨影像数据集的2/3数据集作为训练数据集，另外1/3数据集作为测试数据集；

S2：对上下颌骨影像数据集的影像数据进行预处理；

S3：搭建卷积神经网络模型，并利用所述训练数据集对搭建的卷积神经网络模型进行网络训练，获得分割网络模型；

S4：利用所述测试数据集对分割网络模型进行测试；以及，

S5：利用分割网络模型对待分割上下颌骨影像数据进行分割。

在一些实施例中，所述待分割上下颌骨影像数据及包含于上下颌骨影像数据集的上下颌骨影像数为CT数据。

在一些实施例中，在步骤S2中，对影像数据进行预处理包括：对影像数据归一化处理和增强处理，以输出尺寸为512×512×250的影像数据，作为步骤S3中搭建卷积神经网络模型的输入对象。

在一些实施例中，在步骤S3中，搭建卷积神经网络模型包括M层下采样网络层和M-1层上采样网络层，M为大于或等于2的整数。

在一些实施例中，第N层下采样网络层包括两层叠加的第一卷积层、最大池化层和第二卷积层；其中，N为大于或等于1的整数；第N层下采样网络层的输入对象通过所述两层叠加的第一卷积层输出第一特征图；基于所述第一特征图，通过所述最大池化层与所述第二卷积层特征融合，输出该第N层下采样网络层的特征压缩图以作为第N+1层下采样网络层的输入对象；并且，所述两层叠加的第一卷积层的输入端与输出端通过第一残差连接层连接，以使得该第N层下采样网络层的输入对象传输至每一第一卷积层。

在一些实施例中，所述第一卷积层的卷积核为3×3，所述第二卷积层的卷积核为2×2，所述最大池化层的大小为2×2。

在一些实施例中，第N层下采样网络层的第一特征图通过第二残差连接层传输至第M-N层上采样网络层的输入端，以与第M-N-1层上采样网络层的特征还原图进行特征融合作为第M-N层上采样网络层的输入对象。

在一些实施例中，第N层下采样网络层的特征压缩图与第M-N层上采样网络层的特征还原图的分辨率相同。