公开(公告)号：CN118521600A

公开(公告)日：2024-08-20

申请号：CN202410852590.4

申请日：2024-06-28

Applicant: 北京朗视仪器股份有限公司

Inventor： 安冉 ,  王中振 ,  孙宇 ,  吴宏新 ,  张文宇 ,  王亚杰

IPC: G06T7/11 ,  G06T7/00 ,  G06T7/66 ,  G06V10/764 ,  G06T17/00

Abstract: 本发明提供一种基于深度学习的牙齿自动分割和分类方法，包括：进行牙齿区域粗定位，根据粗定位结果对三维CT图像的牙齿整体区域进行剪裁；进行牙齿中心点定位与象限分类，对牙齿中心点进行定位检测并划分四个象限，然后根据定位的中心点进行牙齿个体的剪裁；进行单颗牙齿的牙齿分割与牙号分类，对单颗牙齿进行精细分割，并对单颗牙齿牙号进行分类；综合牙齿的四个象限的分类和单颗牙齿牙号的分类，得到单颗牙齿32个类别的划分，最终得到三维CT图像所有牙齿的分割和分类结果，并进行患者3D牙齿模型的可视化。本发明能够快速、自动且准确地进行牙齿区域分割，并进行牙齿类别的分类。

公开(公告)号：CN118521788A

公开(公告)日：2024-08-20

申请号：CN202410664291.8

申请日：2024-05-27

Applicant: 北京朗视仪器股份有限公司

Inventor： 安冉 ,  张康平 ,  王中振 ,  孙宇 ,  吴宏新 ,  张文宇 ,  王亚杰

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/52 ,  G06V10/70 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明提出一种基于深度学习的CBCT图像空腔区域分割方法，属于图像处理领域，包括：步骤S1：采集原始CBCT数据，对其进行预处理，生成样本集；步骤S2：构建基于空腔边界信息的空腔分割卷积神经网络，包括：编码器和解码器，编码器包括特征提取网络和边缘提取网络，解码器包括一个多层特征融合分割模块；步骤S3：分别构建边缘提取网络和空腔分割卷积神经网络的损失函数，基于二者构建总损失函数，对空腔分割卷积神经网络进行监督训练，损失函数收敛后得到训练好的空腔分割卷积神经网络；步骤S4:利用训练好的空腔分割卷积神经网络对待分割CBCT图像进行分割。本发明方法对CBCT图像的空腔区域分割结果的边界更精细，可明显提升空腔区域分割的精度和速度。