Automatic Segmentation of Internal Tooth Structure from CBCT Images Using Hierarchical Deep Learning

最新推荐文章于 2024-05-21 23:36:04 发布
最新推荐文章于 2024-05-21 23:36:04 发布
阅读量184 收藏 3
点赞数 9
分类专栏： # 全监督 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45745941/article/details/138708203
版权

文章目录

Automatic Segmentation of Internal Tooth Structure from CBCT Images Using Hierarchical Deep Learning

摘要

精确分割牙齿内部结构的自动化方法

牙齿的精确分割对于治疗规划至关重要。然而，以往的方法往往将牙齿视为一个整体进行分割，忽略了牙齿内部结构的重要性。本文提出了一种完全自动化的方法，用于分割牙齿的内部结构，包括牙釉质、牙本质和牙髓。这项任务具有挑战性，因为需要从CBCT图像中准确地识别96种不同的牙齿结构。

设计了一个包含粗到精分割的三阶段过程，旨在在不降低原始分辨率的情况下实现牙齿内部结构的精确分割。为了有效地捕获牙齿的分层结构，提出了双层次U-Net（DHU-Net），该网络能够有效地融合来自不同层次的编码器和解码器特征。通过这种方式，我们能够更好地理解牙齿的内部组织，并实现对不同结构的准确分割。

方法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
感觉就是多任务框架

实验结果

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

小杨小杨1
关注
  • 9
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Automatic segmentation of nine retinal layer boundaries in OCT images of non-exudative AMD patients using deep learning and graph search
02-07
We present a novel framework combining convolutional neural networks (CNN) and graph search methods (termed as CNN-GS) for the automatic segmentation of nine layer boundaries on retinal optical ...
基于人工智能的 CBCT 牙齿及牙槽骨全自动分割系统A fully automatic AI system for tooth and alveolar bone segmentation from
needyn的博客
11-30 2463
从牙锥束CT (CBCT)图像中准确描绘单个牙齿和牙槽骨是数字牙科精确牙科保健的重要步骤。在本文中，我们提出了一种高效、精确和全自动分割真实患者CBCT图像的人工智能系统。我们的人工智能系统是在迄今为止最大的数据集上进行评估的，即使用来自15个不同中心的4,215名患者(4,938次CBCT扫描)的数据集。这种全自动人工智能系统实现了与经验丰富的放射科医生相当的分割精度(例如，在平均骰子相似系数方面提高了0.5%)，同时显著提高了效率(即快了500倍)。
Brain tumor segmentation using deep learning +HybridResUnet脑胶质瘤分割BraTs +论文解读
h201601060805的博客
05-07 2779
Brain tumor segmentation using deep learning 下载地址 摘要 Brain tumor is one of the deadliest forms of cancer and as all cancer types, early detection is very important and can save lives. By the time sym...
Image Segmentation Using Deep Learning: A Survery
Fantastic
09-23 3644
图像分割综述–论文翻译 论文地址：https://arxiv.org/pdf/2001.05566.pdf 摘要 图像分割是图像处理以及计算机视频的关键内容，其应用场景非常广泛，如场景理解、医学图像分析、机器人感知、视频监控、增强显示和图像压缩等。目前关于图像分割的算法论文数量非常多。最近，由于深度学习模型在计算机视频任务中的出色表现，大量的图像分割研究工作都在开发深度学习模型在图像分割中的应用。在本次调查综述中，我们提供全面的图像分割的文献综述，涵盖了语义分割和实例分割的广泛开创性工作，其中包括全卷机像素
[图像分割综述] Image Segmentation Using Deep Learning: A Survey
不忘初心~
07-04 1万+
作者调研了100多种基于深度学习模型的最新图像分割算法，分为十类，例如：CNN和FCN，RNN，R-CNN，扩张型CNN，基于注意力 模型，生成模型和对抗模型等。 总结了这些模型的定量性能分析，例如PASCAL VOC，MS COCO，Cityscapes和ADE20k数据集。 最后，讨论了未来几年图像分割所面临的一些开放挑战和潜在研究方向。
[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey
热门推荐
qq_38932073的博客
04-02 3万+
本综述有两个独创之处，首先，与传统的调查方法直接将医学图像分割的文献划分为多个组，并对每个组详细介绍文献的方法相比，我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次，本文重点研究了监督学习和弱监督学习方法，但未包括无监督方法，这种方法目前在医学图像领域并不流行。对于监督学习方法，我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法，我们分别根据数据增强，迁移学习和交互式分割研究文献。与已有的调查相比，本次调查的文献分类与以往有很大的不同，更便于读者了解相关
肝脏分割 Detection-aided liver lesion segmentation using deep learning
heavenpeien的博客
05-29 4176
A fully automatic technique for segmenting the liver and localizing its unhealthytissues is a convenient tool in order to diagnose hepatic diseases and assess theresponse to the according treatments. ...
论文阅读：Tooth and Alveolar Bone Segmentation from Dental Computed Tomography Images
bashana102的博客
07-27 645
【论文信息】 Tooth and Alveolar Bone Segmentation from Dental Computed Tomography Images 发表在IEEE Journal of Biomedical and Health Informatics 3区，IF2 【背景】【方法】 可以用2002年的MS多相水平集模型来进行多目标的分割，但是这样就需要17个水平集（1
论文阅读——Deep Semantic Segmentation of Natural and Medical Images: A Review
qq_37151108的博客
03-04 7212
论文阅读之医学图像分割综述 Deep Semantic Segmentation of Natural and Medical Images: A Review 时间：2019 摘要 语义分割完成的是对图像中每一个像素点的密集预测任务，是用于场景分析、医学图像分析的重要一环。本文将用于医学图像分割的框架（部分自然图像分割）从以下方面：模型改进、数据生成、损失函数、网络结构、序列模型、弱监督模型、多...
PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space
DAOCHI
11-11 7879
基本简介 论文下载地址：https://arxiv.org/pdf/1706.02413.pdf 代码开源地址：https://github.com/charlesq34/pointnet2 作者以及论文信息如下： 这一篇文章和 PointNet 论文是一个系列，并且是同一个作者的研究成果，但是两篇论文却有较大的区别。这篇论文在后续的点云处理上，被引用次数非常多，常作为3D点云特征提取的基础模块，类似于2D图像的 ResNet 算法。 Abstract 以前很少有工作研究直接处理3D点集的深度学习
医学图像分割--Segmentation of Medical Ultrasound Images Using Convolutional Neural Networks
AI小作坊 的博客
06-16 4440
Segmentation of Medical Ultrasound Images Using Convolutional Neural Networks with Noisy Activating Functionshttp://cs229.stanford.edu/proj2016/report/Li-SegmentationOfMedicalUltrasoundImagesUsingConvo
Semantic Segmentation of Point Clouds using Deep Learning
04-26
使用Katz投影将点云投影到2D虚拟图像中。然后我们使用预先训练的卷积神经网络对图像进行语义分割。为了获得语义分割的点云，我们将分数从分段投影回点云。我们的方法是在semantic3D数据集上进行评估的。...
Image Segmentation Using Deep Learning.pdf
03-11
Image Segmentation Using Deep Learning，Shervin Minaee, Yuri Boykov, Fatih Porikli, Antonio Plaza, Nasser Kehtarnavaz, and Demetri Terzopoulos
deepmask-master_imagesegmentation_deeplearning_
10-01
Deepmask算法基于Torch的实现。用于实例分割。
Brain tumor segmentation using deep learning
04-08
论文: Brain tumor segmentation using deep learning | Gal Peretz , Elad Amar
深度学习之基于YoloV5+LPRNet车牌识别系统
2301_79809972的博客
05-18 1022
一、项目背景与意义在智能交通管理系统中，车牌识别技术是一项至关重要的技术。随着车辆数量的不断增长和交通环境的日益复杂，对车牌进行准确、快速的识别已成为现代交通管理不可或缺的一部分。为了满足这一需求，本项目采用了先进的YOLOv5和LPRNet算法，结合深度学习技术，开发了一套高效的车牌识别系统。二、技术原理该系统基于深度学习和目标检测技术，整合了YOLOv5目标检测框架和LPRNet文本识别模型。YOLOv5算法在目标检测领域具有出色的性能，能够快速、准确地检测图像中的目标；
慢性乙型肝炎肝脏剪切波弹性成像的深度学习放射学显著改善了肝纤维化的诊断性能 | 文献速递-深度学习结合影像组学
weixin_38594676的博客
05-21 442
乙型肝炎病毒（HBV）感染在中国是一个严重的问题，导致全球超过三分之一的HBV感染者（约9300万人）居住在该国。肝纤维化是慢性乙型肝炎（CHB）中的一种逐渐恶化的情况，对于CHB患者的预后、监测和管理，准确评估纤维化至关重要。肝活检被认为是肝纤维化分期的参考标准。然而，它是侵入性的，受样本误差、观察者间变异性和各种潜在并发症的限制。生物标志物，如天冬氨酸转氨酶与血小板比值指数（APRI）和基于四个因素的纤维化指数（FIB-4），也被用于评估肝纤维化，但它们在HBV感染患者中的诊断性能仍存在争议。
卷积报错：AttributeError: ‘Conv2d‘ object has no attribute ‘total_ops‘ (已解)
科研学习笔记！
05-21 31
卷积报错：AttributeError: 'Conv2d' object has no attribute 'total_ops', Only Tensors created explicitly by the user (graph leaves) support the deepcopy protocol at the moment
基于python实现的深度学习的车牌识别系统
最新发布
liudefang的专栏
05-21 980
开发语言:Python。
automatic tooth instance segmentation and identification from cone beam CT images
04-03
As an AI language model, I can suggest some possible steps for automatic tooth instance segmentation and identification from cone beam CT images: 1. Pre-processing: The first step is to pre-process the CBCT images to remove noise, artifacts, and other image distortions. This can be achieved through various image processing techniques, such as filtering, thresholding, and morphological operations. 2. Tooth segmentation: The next step is to segment the individual teeth from the CBCT images. This can be done using various segmentation algorithms, such as region-growing, active contours, and watershed-based techniques. The segmentation can be further refined by incorporating shape and texture information. 3. Tooth instance identification: Once the individual teeth are segmented, the next step is to identify the specific tooth instance (e.g., mandibular left central incisor). This can be done using various methods, such as template matching, feature extraction, and machine learning-based approaches. 4. Post-processing: Finally, the segmented teeth and identified instances can be post-processed to remove any remaining artifacts or noise. This can be achieved through various techniques, such as smoothing, filtering, and morphological operations. Overall, automatic tooth instance segmentation and identification from CBCT images is a challenging task that requires the integration of various image processing, computer vision, and machine learning techniques. However, with recent advancements in AI and deep learning, there is great potential for developing accurate and reliable automated systems for dental image analysis.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小杨小杨1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值