[发明专利]一种深度学习结合点云语义的CBCT图像牙齿分割方法

说明书

本发明涉及一种基于深度学习结合点云语义的CBCT图像牙齿分割方法，包括如下步骤：步骤1、基于深度学习分割模型，比如3D分割网络或2D分割网络进行牙齿区域分割提取牙齿区域；步骤2、采用面绘制方法将提取的牙齿区域三维重建为牙列网格数据；步骤3、提取网格数据的点云特征数据，采用点云实例分割深度学习网络进行基于点云语义的实例分割，得到网格数据的牙齿实例；步骤4、按照坐标对应信息，将网格数据的牙齿对应区域映射到CBCT获得CBCT牙齿实例。本发明的一种基于深度学习结合点云语义的CBCT图像牙齿分割方法，由于基于点云语义进行实例分割，相对于RPN类方法而言，不需要处理检测框区域内除目标牙齿外的其他牙齿标签，能够实现智能分割。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于深度学习结合点云语义的CBCT图像牙齿分割方法。

背景技术

牙齿分割是数字化牙齿正畸的基础，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。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。现有方法提出了基于3D RPN及其变形形式检测CT体数据中每个牙齿的包围框实现牙位检测，然后对包围框中区域提取ROI进行单个牙齿分割；也有的方法将3D体数据提取牙弓曲线生成对应的全景片，基于二维全景片检测不同牙位牙齿的包围框，再将包围框位置换算回CT体数据中牙齿的3D包围框实现牙位检测，然后对包围框中区域提取ROI进行单个牙齿分割；但是上述方法没有充分三维数据点之间的语义关系；另外，也有学者采用水平集及其变形的方法，但是其需要手动交互设置初始水平集，不能实现完全自动化的操作。

发明内容

为了解决上述技术问题，本发明提出一种基于深度学习结合点云语义的CBCT图像牙齿分割方法，结合CT图像分割与点云语义分割实现CT牙齿实例分割，具体包括如下步骤：

步骤1、输入CBCT数据，基于深度学习分割模型，进行牙齿区域分割，提取牙齿区域；

步骤2、采用面绘制方法将提取的牙齿区域三维重建为牙列网格数据；

步骤3、提取网格数据的点云特征数据，采用点云实例分割深度学习网络进行基于点云语义的实例分割，得到网格数据的牙齿实例；

步骤4、按照坐标对应信息，将网格数据的牙齿对应区域映射到CBCT 获得CBCT牙齿实例。

进一步的，所述步骤1中的牙齿区域提取是基于深度学习分割模型，例如可以采用3D分割网络或2D分割网络进行牙齿区域分割。根据本发明的一个实施例，基于2D分割网络进行分割如下：

步骤1.1、按层提取CBCT数据切片图像，对切片图像进行像素归一化处理，将像素值映射为0~255；

步骤1.2、按照2D分割网络输入端设计的输入尺寸，对切片图像尺寸进行尺寸变换处理；

步骤1.3、将处理后的切片图像和标签图像输入2D分割网络进行训练，所述2D分割网络用于将切片图像的每个像素分为背景或者牙齿，训练完成后得到训练好的2D分割网络；

步骤1.4、对待分割图像提取切片，并做预处理，输入所述训练好的2D分割网络得到预测结果，预测的前景部分即为牙齿区域。

进一步的，所述步骤2、采用面绘制方法将提取的牙齿区域三维重建为牙列网格数据，可以是采用MarchingCubes面绘制方法将提取的牙齿区域三维重建为牙列网格数据；

进一步的，所述步骤3，提取网格数据的点云特征数据，采用点云实例分割网络进行基于点云的实例分割，得到网格数据的牙齿实例；具体包括：

步骤3.1、提取点云特征数据，并做降采样处理，每个牙位的牙齿对应的点云对应同一个标签，共计32个标签；

步骤3.2、将点云特征数据输入到点云实例分割网络，对每个点云所属的类别进行预测；