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

最新推荐文章于 2025-04-01 01:41:00 发布
最新推荐文章于 2025-04-01 01:41:00 发布
阅读量317 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

论文阅读：AUTOMATIC SEGMENTATION FOR 3D DENTAL RECONSTRUCTION
bashana102的博客
03-07 748
【论文信息】AUTOMATIC SEGMENTATION FOR 3D DENTAL RECONSTRUCTION 2015 ICCCNT EI会议 利用牙齿的domain knowledge来减少计算负担。从解剖学角度来分割。 采用canny算子，说是比ACM要好【背景】牙齿分割的难点在于： 噪声 连通性，牙齿之间经常连在一起 位置，跟上面其实差不多，边界不清晰 拓扑变化，会分裂成几个分支
Hierarchical Morphology-Guided Tooth Instance Segmentation from CBCT Images
needyn的博客
01-03 1527
从CBCT图像中自动准确地分割单个牙齿，即牙齿实例分割，是计算机辅助牙科的重要步骤。以往的研究通常忽略了牙齿丰富的形态学特征，如牙根尖，这对成功的治疗结果至关重要。本文提出了一个基于两阶段学习的框架，该框架明确地利用分层牙齿形态表示提供的全面几何指导进行牙齿实例分割。给定三维CBCT输入图像，我们的方法首先学习提取牙齿的质心和骨架，分别用于识别每个牙齿的大致位置和拓扑结构。基于第一步的输出，进一步设计了一种多任务学习机制，通过同时回归边界和根尖作为辅助任务来估计每个牙齿的体积掩模。
TSegNet: An efficient and accurate tooth segmentation network on 3D dental model
needyn的博客
12-12 2601
在这项工作中，我们开发了一种新的全自动算法，以牙齿质心信息为指导，在三维牙齿模型上分割牙齿。该算法建立在一个两阶段神经网络的基础上，该网络包含一个鲁棒的牙齿质心预测子网络和一个单一的牙齿分割子网络，并具有新颖的分量和损失函数。我们对我们的算法进行了定性和定量的评估，并将其与最先进的基于学习和非学习的方法进行了比较，其中我们的方法产生了更好的结果，并且明显优于其他方法。
推荐开源项目：全自动AI牙齿和齿槽骨分割系统
gitblog_00015的博客
06-09 789
推荐开源项目：全自动AI牙齿和齿槽骨分割系统 去发现同类优质开源项目:https://gitcode.com/ 项目介绍 这是一个革命性的开源项目，由Cui等人开发，旨在从锥形束计算机断层扫描（CBCT）图像中实现牙齿和齿槽骨的全自动实例分割。该系统已发表在2022年的《自然-通讯》杂志上，为医疗影像处理带来了新的突破。 项目技术分析 基于PyTorch 1.4.0，这个系统包含了两个阶段的训练代...
Tooth and Alveolar Bone Segmentation From Dental Computed Tomography Images基于计算机断层扫描图像的牙齿和牙槽骨分割
needyn的博客
04-07 859
计算机辅助正畸治疗计划和模拟需要牙槽骨复合体的三维模型。从计算机断层扫描(CT)图像中分割牙齿和牙槽骨是重建其模型的基本步骤。由于牙槽骨在常规正畸治疗中的应用较少，可能会产生不良的副作用，以往的研究主要集中在牙齿的分割和重建上，没有考虑到牙槽骨。在这项研究中，我们提出了一种从牙齿CT图像中实现牙齿和牙槽骨分割的方法，用于重建牙齿和牙槽骨的三维模型。该方法首先利用全局凸水平集模型从CT图像中提取牙齿和牙槽骨的连通区域;然后，基于Radon变换和局部水平集模型将单个牙齿和牙槽骨从连通区域中分离出来;
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 ...
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
读《Tooth-Marked Tongue Recgnition Using Multiple Instance Learning and CNN Features》
weixin_30917213的博客
11-06 170
本人 组会汇报的一篇关于齿痕舌判定的文章，贴上PPT 涉及多示例学习和神经网络方面知识。 准确率有待提高哈哈。 转载于:https://www.cnblogs.com/Lynn0101/p/9915281.html...
CVPR2019论文汇总
qq_42635561的博客
09-23 3533
CVPR2019论文汇总 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning Generating Classification Weights With GNN Deno...
【文献阅读】20210913-20210917文献阅读
qq_38939822的博客
09-17 1085
4 Automatic tooth segmentation of dental mesh using a transverse plane 区域增长算法 6 Computerized Algorithm for 3D Teeth Segmentation 全景分割 7 Bio-Information Based Segmentation of 3D Dental Models不能下载
CVPR2019论文题目中文列表
qq_33581906的博客
11-18 7148
英文题目 中文题目 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal 少镜头学习中用类别遍历法寻找任务相关特征 Edge-Labeling Graph Neural Network for Few-Shot Learning 用于少镜头学习的边缘标记图神...
论文阅读：Tooth and Alveolar Bone Segmentation from Dental Computed Tomography Images
bashana102的博客
07-27 737
【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：Fast and Accurate Semiautomatic Segmentation of Individual Teeth from Dental CT Images
bashana102的博客
04-01 1052
【论文信息】Fast and Accurate Semiautomatic Segmentation of Individual Teeth from Dental CT Images 4区SCI IF 0.887 【背景】
【CVPR2019】论文完整列表一
热门推荐
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
论文阅读：Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible te
bashana102的博客
03-01 973
Preface Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible teeth computer methods and programs in biomedicine 2017 Introduction 以前的文章几乎都是针对的上颌骨/下颌骨CT牙齿
深度学习四大核心架构：神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）与Transformer全概述
gorgor在码农
03-26 1374
NN → 类比：盲人摸象，每个神经元独立感知全局特征 → 局限：输入图像需展平为向量，丢失空间信息（如将28x28图片变成784维向量）CNN → 类比：人类视觉系统，先识别边缘→形状→物体 → 实战：用3x3卷积核扫描猫的图片，提取耳朵、胡须等局部特征RNN → 类比：阅读理解，需记住前文才能理解后文 → 痛点：输入句子“The cat sat on the mat”，到第6个单词时可能已遗忘“cat”Transformer → 类比：团队协作，每个单词直接关注全局上下文 → 优势：处理句
深度学习篇---网络结构
最新发布
2301_79556402的博客
04-01 1110
本文简单介绍了，Pytorch框架下的一款深度学习网络框架的配置。
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.
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