發(fā)布時(shí)間：2020-04-25 13:14

【摘要】：隨著三維醫(yī)學(xué)成像技術(shù)的普及和發(fā)展,醫(yī)學(xué)體數(shù)據(jù)已被廣泛應(yīng)用于數(shù)字口腔領(lǐng)域,其中錐形束斷層成像(Cone Beam Computed Tomography,簡(jiǎn)稱CBCT)技術(shù)提供了患者頭部精確的內(nèi)部三維信息,是數(shù)字口腔中最常用的體數(shù)據(jù)來(lái)源之一。將患者的CBCT數(shù)據(jù)直觀高效地可視化,并從中精確地抽取出患者的個(gè)性化模型已成為數(shù)字口腔領(lǐng)域的研究熱點(diǎn)�；颊哐例X、顱骨和面部模型之間相對(duì)關(guān)系的計(jì)算與分析為數(shù)字口腔治療方案的精準(zhǔn)規(guī)劃提供了重要的參考。圍繞CBCT數(shù)據(jù)在數(shù)字口腔領(lǐng)域的應(yīng)用,本文的工作主要體現(xiàn)在體數(shù)據(jù)與網(wǎng)格模型的可視化,顱骨和面部模型的抽取,以及單顆牙齒模型的抽取三方面。首先,本文基于繪制流水線的模板測(cè)試流程提出了CBCT體數(shù)據(jù)與牙冠網(wǎng)格模型數(shù)據(jù)的混合繪制方法,通過對(duì)兩類數(shù)據(jù)深度信息的融合計(jì)算,提升了繪制結(jié)果的準(zhǔn)確性,使兩種數(shù)據(jù)的空間關(guān)系感知更加精準(zhǔn)。其次,本文基于混合閾值方法和自適應(yīng)聚類算法提出了顱骨和面部模型的自動(dòng)化抽取方法,利用圖像的全局特征高效地實(shí)現(xiàn)了顱骨和面部區(qū)域的精確分割,并自動(dòng)對(duì)可能出現(xiàn)的誤判進(jìn)行校驗(yàn)。然后,本文提出了將二維圖像分割算法在三維空間迭代的CBCT數(shù)據(jù)分割框架,結(jié)合牙齒結(jié)構(gòu)特征提出了基于混合水平集模型和基于區(qū)域能量函數(shù)模型的二維圖像分割方法,提升了CBCT數(shù)據(jù)中牙齒模型抽取的精度和效率。最后,本文在所研究的體數(shù)據(jù)相關(guān)處理算法基礎(chǔ)上,結(jié)合模塊化設(shè)計(jì)理念,開發(fā)了數(shù)字口腔體數(shù)據(jù)原型系統(tǒng),實(shí)現(xiàn)了CBCT體數(shù)據(jù)的可視化及牙齒、顱骨和面部模型的抽取,為個(gè)性化、精準(zhǔn)化的口腔臨床診斷和治療提供了支持。
【圖文】：

一步精準(zhǔn)化和數(shù)字化。如今，ＣＢＣＴ數(shù)據(jù)己被廣泛應(yīng)用于種植、修復(fù)、正畸和頷逡逑面外科學(xué)等口腔醫(yī)學(xué)各學(xué)科的臨床實(shí)踐中。逡逑ＣＢＣＴ數(shù)據(jù)的主要應(yīng)用環(huán)節(jié)如圖１．１所示，首先經(jīng)過對(duì)患者頭部的采樣，獲逡逑取以二維圖像序列形式存儲(chǔ)的ＣＢＣＴ數(shù)據(jù)，醫(yī)生可以按切面方式觀察ＣＢＣＴ數(shù)逡逑據(jù)，也可以通過各類可視化方法獲得ＣＢＣＴ數(shù)據(jù)的三維繪制效果。對(duì)ＣＢＣＴ數(shù)據(jù)逡逑的進(jìn)一步精確分析通常需要實(shí)現(xiàn)對(duì)目標(biāo)組織和結(jié)構(gòu)的分割，并重建出三角網(wǎng)格模逡逑型。逡逑＿＿＿＿＿逡逑⑷ＣＢＣＴ采樣１邋（ｂ）ＣＢＣＴ體數(shù)據(jù)邋（ｃ）ＣＢＣＴ可視化邋（ｄ）ＣＢＣＴ分割邐（ｅ）網(wǎng)格重建逡逑圖１．１邋ＣＢＣＴ在數(shù)字口腔中的主要應(yīng)用環(huán)節(jié)逡逑ＣＢＣＴ數(shù)據(jù)在數(shù)字口腔中的應(yīng)用可以被分為定性應(yīng)用和定量應(yīng)用兩類。對(duì)逡逑ＣＢＣＴ數(shù)據(jù)的定性應(yīng)用主要是指體數(shù)據(jù)可視化，它可以方便快捷地讓醫(yī)生在三維逡逑空間內(nèi)觀察患者頭部的內(nèi)部結(jié)構(gòu)，，并可與牙冠網(wǎng)格模型等輔助數(shù)據(jù)配合，輔助醫(yī)逡逑生對(duì)口頜疾病的快速初步診斷。對(duì)ＣＢＣＴ數(shù)據(jù)的定量應(yīng)用主要是指圖像分割和模逡逑１邋圖片來(lái)源邋ｈｔｔｐｓ：／／ｅｎ．ｗｉｋｉｐｅｄｉａ．ｏｒｇ／ｗｉｋｉ／Ｆｉｌｅ：Ｃｏｎｅ邋Ｂｅａｍ邋ＣＴ邋ｐｒｉｎｃｉｐｌｅ．ｐｎｇ，可用于發(fā)表。逡逑１逡逑

ｙ，Ｚ）邋＝邋ｌ４２＾ｅ邋１0１邐公式（２．２）逡逑本文取值為１．５，分別使用二維卷積和三維卷積，效果如圖２．１所示�？慑义弦娔：蟮膱D像噪聲有所減弱，在后續(xù)的ＣＢＣＴ圖像分割中，本文均基于模糊逡逑后的圖像進(jìn)行計(jì)算。逡逑＿＿＿逡逑（ａ）原始圖像邐（ｂ）二維模糊邐（ｃ）三維模糊逡逑圖２．１邋ＣＢＣＴ圖像的光滑去噪逡逑２．２．２邋ＣＢＣＴ中的植入物的剔除逡逑ＣＢＣＴ圖像會(huì)根據(jù)物體的密度值完整地顯示頭部的所有組織，通常情況下，逡逑人體頭部密度最高的是牙冠的釉質(zhì)層，密度最低的是空氣，其它結(jié)構(gòu)的體素值逡逑則介于這兩者之間。在臨床采樣中，體內(nèi)含有植入物的患者在患者群體中占有逡逑較高的比例，常見的植入物有種植釘、支抗釘、修復(fù)假體等。這些植入物在逡逑ＣＢＣＴ圖像中通常體現(xiàn)為異常高亮物體，導(dǎo)致灰度直方圖整體偏移，使正常的牙逡逑１５逡逑
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R78;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 姚霆;張煒;劉金根;;基于深度學(xué)習(xí)的圖像分割技術(shù)[J];人工智能;2019年02期

2 黃玲;石玉秋;覃永新;;基于小波融合的蘋果圖像分割的研究[J];科技視界;2018年29期

3 侯紅英;高甜;李桃;;圖像分割方法綜述[J];電腦知識(shí)與技術(shù);2019年05期

4 丁翠;;基于模糊信息處理的圖像分割方法研究[J];信息系統(tǒng)工程;2017年11期

5 王平;魏征;崔衛(wèi)紅;林志勇;;一種基于統(tǒng)計(jì)學(xué)習(xí)理論的最小生成樹圖像分割準(zhǔn)則[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年07期

6 李然;李記鵬;宋超;;基于顯著性檢測(cè)的協(xié)同圖像分割研究[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2017年24期

7 鄧惠俊;;一種基于數(shù)據(jù)場(chǎng)的圖像分割方法與研究[J];長(zhǎng)春工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2016年02期

8 李繼云;冀卿偉;;基于自適應(yīng)局部閾值的交互式圖像分割[J];計(jì)算機(jī)應(yīng)用與軟件;2014年11期

9 劉印;;對(duì)圖像分割方法的認(rèn)識(shí)及新進(jìn)展研究[J];數(shù)碼世界;2018年08期

10 楊成佳;;唇紋識(shí)別圖像分割系統(tǒng)的研究[J];山西青年;2017年11期

相關(guān)會(huì)議論文 前10條

1 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

3 朱士蓉;謝昭;高雋;;一種圖模型下的柔性圖像分割方法[A];中國(guó)儀器儀表學(xué)會(huì)第十二屆青年學(xué)術(shù)會(huì)議論文集[C];2010年

4 朱松豪;劉佳偉;羅青青;胡榮林;;基于關(guān)聯(lián)模型的圖像分割[A];第26屆中國(guó)控制與決策會(huì)議論文集[C];2014年

5 張志會(huì);王華英;熊南燕;廖薇;成惠;劉飛飛;;對(duì)基于圖像分割與合并的相位展開算法的改進(jìn)[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

6 楊加文;謝鳳英;;基于深度學(xué)習(xí)的皮膚鏡圖像分割[A];第十五屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2017年

7 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長(zhǎng)的圖像分割方法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

8 劉智勇;李進(jìn);黃道君;;基于遺傳算法的視頻交通量檢測(cè)圖像分割方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

9 張萍;單筱攸;巴成賀;;主動(dòng)脈圖像分割的研究與實(shí)現(xiàn)[A];第十二屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2008年

10 趙建業(yè);余道衡;;一種基于模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)的多值圖像分割新方法[A];中國(guó)體視學(xué)學(xué)會(huì)圖像分析專業(yè)、中國(guó)體視學(xué)學(xué)會(huì)仿真與虛擬現(xiàn)實(shí)專業(yè)、中國(guó)航空學(xué)會(huì)信號(hào)與信息處理專業(yè)第一屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2000年

相關(guān)重要報(bào)紙文章 前1條

1 趙利利;圖像分割出新方法[N];中國(guó)科學(xué)報(bào);2019年

相關(guān)博士學(xué)位論文 前10條

1 倪波;高強(qiáng)度聚焦超聲圖像分割方法研究[D];武漢大學(xué);2016年

2 古晶;基于稀疏特征學(xué)習(xí)的SAR圖像分割與半監(jiān)督分類方法研究[D];西安電子科技大學(xué);2016年

3 段一平;基于層次視覺計(jì)算和統(tǒng)計(jì)模型的SAR圖像分割與理解[D];西安電子科技大學(xué);2017年

4 胡佩君;腹部CT圖像分割的可計(jì)算建模方法研究[D];浙江大學(xué);2018年

5 姜楓;基于語(yǔ)義識(shí)別的砂巖薄片圖像分割方法研究[D];南京大學(xué);2018年

6 趙曉麗;面向圖像分割的智能算法研究[D];上海大學(xué);2018年

7 王森;非受限場(chǎng)景裂紋圖像分割方法研究[D];昆明理工大學(xué);2017年

8 王濤;特征度量與信息傳遞的交互式圖論分割方法研究[D];南京理工大學(xué);2017年

9 戴令正;自然圖像分割的若干算法研究[D];南京理工大學(xué);2017年

10 李鋼;偏微分方程與變分技術(shù)在圖像分割中的應(yīng)用研究[D];太原理工大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 林珊珊;基于G~0分布的SAR圖像分割算法的研究[D];天津理工大學(xué);2019年

2 丁奇安;非限定環(huán)境下的車牌識(shí)別技術(shù)研究[D];安徽工程大學(xué);2019年

3 孫夏;醫(yī)學(xué)體數(shù)據(jù)處理算法研究及其在數(shù)字口腔中的應(yīng)用[D];浙江大學(xué);2019年

4 廖旋;基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)分割研究[D];南昌航空大學(xué);2019年

5 余強(qiáng)浩;應(yīng)用于人工視覺假體的圖像分割神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與硬件實(shí)現(xiàn)[D];西安理工大學(xué);2019年

6 余佳佳;結(jié)合分?jǐn)?shù)階微分和活動(dòng)輪廓模型的圖像分割方法研究[D];南昌航空大學(xué);2019年

7 李彪;基于生成式對(duì)抗網(wǎng)絡(luò)的細(xì)胞圖像分割方法的研究[D];哈爾濱理工大學(xué);2019年

8 劉先麗;基于FCN和多圖譜信息的腦圖像分割研究[D];安徽大學(xué);2019年

9 馬巖;血細(xì)胞形態(tài)學(xué)檢驗(yàn)與識(shí)別技術(shù)研究[D];北方工業(yè)大學(xué);2019年

10 徐莉霞;基于Eclipse放療計(jì)劃系統(tǒng)的自動(dòng)勾畫技術(shù)的研究和分析[D];浙江工業(yè)大學(xué);2019年

本文編號(hào)：2640289