医学体数据处理算法研究及其在数字口腔中的应用

发布时间：2020-04-25 13:14

【摘要】：随着三维医学成像技术的普及和发展,医学体数据已被广泛应用于数字口腔领域,其中锥形束断层成像(Cone Beam Computed Tomography,简称CBCT)技术提供了患者头部精确的内部三维信息,是数字口腔中最常用的体数据来源之一。将患者的CBCT数据直观高效地可视化,并从中精确地抽取出患者的个性化模型已成为数字口腔领域的研究热点。患者牙齿、颅骨和面部模型之间相对关系的计算与分析为数字口腔治疗方案的精准规划提供了重要的参考。围绕CBCT数据在数字口腔领域的应用,本文的工作主要体现在体数据与网格模型的可视化,颅骨和面部模型的抽取,以及单颗牙齿模型的抽取三方面。首先,本文基于绘制流水线的模板测试流程提出了CBCT体数据与牙冠网格模型数据的混合绘制方法,通过对两类数据深度信息的融合计算,提升了绘制结果的准确性,使两种数据的空间关系感知更加精准。其次,本文基于混合阈值方法和自适应聚类算法提出了颅骨和面部模型的自动化抽取方法,利用图像的全局特征高效地实现了颅骨和面部区域的精确分割,并自动对可能出现的误判进行校验。然后,本文提出了将二维图像分割算法在三维空间迭代的CBCT数据分割框架,结合牙齿结构特征提出了基于混合水平集模型和基于区域能量函数模型的二维图像分割方法,提升了CBCT数据中牙齿模型抽取的精度和效率。最后,本文在所研究的体数据相关处理算法基础上,结合模块化设计理念,开发了数字口腔体数据原型系统,实现了CBCT体数据的可视化及牙齿、颅骨和面部模型的抽取,为个性化、精准化的口腔临床诊断和治疗提供了支持。
【图文】：

一步精准化和数字化。如今，ＣＢＣＴ数据己被广泛应用于种植、修复、正畸和颔逡逑面外科学等口腔医学各学科的临床实践中。逡逑ＣＢＣＴ数据的主要应用环节如图１．１所示，首先经过对患者头部的采样，获逡逑取以二维图像序列形式存储的ＣＢＣＴ数据，医生可以按切面方式观察ＣＢＣＴ数逡逑据，也可以通过各类可视化方法获得ＣＢＣＴ数据的三维绘制效果。对ＣＢＣＴ数据逡逑的进一步精确分析通常需要实现对目标组织和结构的分割，并重建出三角网格模逡逑型。逡逑＿＿＿＿＿逡逑⑷ＣＢＣＴ采样１邋（ｂ）ＣＢＣＴ体数据邋（ｃ）ＣＢＣＴ可视化邋（ｄ）ＣＢＣＴ分割逦（ｅ）网格重建逡逑图１．１邋ＣＢＣＴ在数字口腔中的主要应用环节逡逑ＣＢＣＴ数据在数字口腔中的应用可以被分为定性应用和定量应用两类。对逡逑ＣＢＣＴ数据的定性应用主要是指体数据可视化，它可以方便快捷地让医生在三维逡逑空间内观察患者头部的内部结构，，并可与牙冠网格模型等辅助数据配合，辅助医逡逑生对口颌疾病的快速初步诊断。对ＣＢＣＴ数据的定量应用主要是指图像分割和模逡逑１邋图片来源邋ｈｔｔｐｓ：／／ｅｎ．ｗｉｋｉｐｅｄｉａ．ｏｒｇ／ｗｉｋｉ／Ｆｉｌｅ：Ｃｏｎｅ邋Ｂｅａｍ邋ＣＴ邋ｐｒｉｎｃｉｐｌｅ．ｐｎｇ，可用于发表。逡逑１逡逑

ｙ，Ｚ）邋＝邋ｌ４２＾ｅ邋１0１逦公式（２．２）逡逑本文取值为１．５，分别使用二维卷积和三维卷积，效果如图２．１所示。可逡逑见模糊后的图像噪声有所减弱，在后续的ＣＢＣＴ图像分割中，本文均基于模糊逡逑后的图像进行计算。逡逑＿＿＿逡逑（ａ）原始图像逦（ｂ）二维模糊逦（ｃ）三维模糊逡逑图２．１邋ＣＢＣＴ图像的光滑去噪逡逑２．２．２邋ＣＢＣＴ中的植入物的剔除逡逑ＣＢＣＴ图像会根据物体的密度值完整地显示头部的所有组织，通常情况下，逡逑人体头部密度最高的是牙冠的釉质层，密度最低的是空气，其它结构的体素值逡逑则介于这两者之间。在临床采样中，体内含有植入物的患者在患者群体中占有逡逑较高的比例，常见的植入物有种植钉、支抗钉、修复假体等。这些植入物在逡逑ＣＢＣＴ图像中通常体现为异常高亮物体，导致灰度直方图整体偏移，使正常的牙逡逑１５逡逑
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R78;TP391.41

【相似文献】

相关期刊论文 前10条

1 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期

2 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期

3 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期

4 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期

5 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期

6 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期

7 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期

8 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期

9 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期

10 杨成佳;;唇纹识别图像分割系统的研究[J];山西青年;2017年11期

相关会议论文 前10条

1 闫平昆;;基于模型的图像分割技术及其医学应用[A];第十五届全国图象图形学学术会议论文集[C];2010年

2 杨生友;;图像分割在医学图像中应用现状综述[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年

3 朱士蓉;谢昭;高隽;;一种图模型下的柔性图像分割方法[A];中国仪器仪表学会第十二届青年学术会议论文集[C];2010年

4 朱松豪;刘佳伟;罗青青;胡荣林;;基于关联模型的图像分割[A];第26届中国控制与决策会议论文集[C];2014年

5 张志会;王华英;熊南燕;廖薇;成惠;刘飞飞;;对基于图像分割与合并的相位展开算法的改进[A];第十届全国光电技术学术交流会论文集[C];2012年

6 杨加文;谢凤英;;基于深度学习的皮肤镜图像分割[A];第十五届中国体视学与图像分析学术会议论文集[C];2017年

7 郭世可;董槐林;龙飞;张海波;;一种结合密度聚类和区域生长的图像分割方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 刘智勇;李进;黄道君;;基于遗传算法的视频交通量检测图像分割方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年

9 张萍;单筱攸;巴成贺;;主动脉图像分割的研究与实现[A];第十二届中国体视学与图像分析学术会议论文集[C];2008年

10 赵建业;余道衡;;一种基于模糊细胞神经网络的多值图像分割新方法[A];中国体视学学会图像分析专业、中国体视学学会仿真与虚拟现实专业、中国航空学会信号与信息处理专业第一届联合学术会议论文集[C];2000年

相关重要报纸文章 前1条

1 赵利利;图像分割出新方法[N];中国科学报;2019年

相关博士学位论文 前10条

1 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年

2 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年

3 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年

4 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年

5 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年

6 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年

7 王森;非受限场景裂纹图像分割方法研究[D];昆明理工大学;2017年

8 王涛;特征度量与信息传递的交互式图论分割方法研究[D];南京理工大学;2017年

9 戴令正;自然图像分割的若干算法研究[D];南京理工大学;2017年

10 李钢;偏微分方程与变分技术在图像分割中的应用研究[D];太原理工大学;2018年

相关硕士学位论文 前10条

1 林珊珊;基于G~0分布的SAR图像分割算法的研究[D];天津理工大学;2019年

2 丁奇安;非限定环境下的车牌识别技术研究[D];安徽工程大学;2019年

3 孙夏;医学体数据处理算法研究及其在数字口腔中的应用[D];浙江大学;2019年

4 廖旋;基于深度卷积神经网络的图像目标分割研究[D];南昌航空大学;2019年

5 余强浩;应用于人工视觉假体的图像分割神经网络设计与硬件实现[D];西安理工大学;2019年

6 余佳佳;结合分数阶微分和活动轮廓模型的图像分割方法研究[D];南昌航空大学;2019年

7 李彪;基于生成式对抗网络的细胞图像分割方法的研究[D];哈尔滨理工大学;2019年

8 刘先丽;基于FCN和多图谱信息的脑图像分割研究[D];安徽大学;2019年

9 马岩;血细胞形态学检验与识别技术研究[D];北方工业大学;2019年

10 徐莉霞;基于Eclipse放疗计划系统的自动勾画技术的研究和分析[D];浙江工业大学;2019年

本文编号：2640289