一种基于牙槽骨分割的上前牙即刻种植评估方法

本发明属于医疗图像处理领域，尤其涉及了一种基于牙槽骨分割的上前牙即刻种植评估方法。

背景技术：

1、牙齿的健康在口腔功能和外观中发挥着关键作用。在现代口腔医疗实践中，即刻种植作为一项前沿的口腔修复技术，它不仅能够恢复缺失牙齿的功能和美观，还能减少患者在拔牙后的等待时间，从而提供更加便捷的口腔康复方案，被广泛应用在上前牙区种植。然而，是否能够进行即刻种植手术，直接依赖于牙槽骨的健康状况。因此，实现对牙槽骨的精确分割与自动评估，对于提高即刻种植手术的术前决策效率与准确性至关重要。

2、发明名称为基于cbct图像牙齿和牙槽骨分割方法及系统，公开号为cn115661141a，公开日期为2023.01.31的中国发明专利申请，公开了基于cbct图像牙齿和牙槽骨分割方法及系统，该方法先使用深度学习模型对cbct图像提取roi和牙齿质心，而后将roi图像和牙齿的质心信息输入至基于深度学习的牙齿和牙槽骨模型，以得到牙齿和牙槽骨的分割结果。该方法需要先提取牙齿的质心信息作为分割网络的输入信息，虽然实现了牙齿和牙槽骨分割，但是没有使用针对性的深度学习方法来提高牙齿和牙槽骨轮廓的分割精度，没有充分考虑牙齿特征对于牙槽骨轮廓的约束信息，未能解决对应牙位的牙槽骨轮廓分割异常的问题，导致分割结果中牙槽骨与牙齿分相交边缘不够准确，影响了后续即刻种植判断的准确性等情况。

3、发明名称为一种基于人工智能的前牙即刻种植测量分析方法，公开号为cn113112477a，公开日期为2021.07.13的中国发明专利申请；公开了一种基于人工智能的前牙即刻种植测量分析方法，该方法利用cbct数据和口腔表面stl数据输入至神经网络，直接由神经网络输出前牙指定点的组织指标测量参数。该方法虽然可以直接测评前牙的组织指标测量参数，但是由于使用神经网络直接由图像数据生成测评参数，所以存在测评精度误差。并且由于测量取点固定，具有偶然性，不能够代表牙槽骨的整体情况。而且输出的参数需要医生再结合经验判断是否能够进行即刻种植，影响了即刻种植评估的效率和准确度。

技术实现思路

1、为了克服已有即刻种植术前测评存在的依赖医生主观经验、测评不全面、精度不足且耗时的不足，本发明提供了一种基于牙槽骨分割的上前牙即刻种植评估方法，在改进现有技术的基础上，进一步实现针对cbct数据的上前牙位牙槽骨分割并进行即刻种植自动评估，不需要依赖医生主观经验，测评较为全面，精度较高且耗时较短。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于牙槽骨分割的上前牙即刻种植评估方法，包括以下步骤：

4、步骤s1、将原始头部cbct影像输入至口腔分割模型，得到口腔的分割结果，并根据分割结果对原始cbct影像进行裁剪，得到口腔感兴趣区域iroi；

5、步骤s2、将口腔感兴趣区域iroi输入至牙齿分割模块，获得牙齿分割结果it和牙齿特征ft；

6、步骤s3、将口腔感兴趣区域iroi与牙齿特征ft输入至牙槽骨分割模块，获得牙槽骨分割结果ie；

7、步骤s4、将牙齿分割结果it与牙槽骨分割结果ie输入即刻种植评估模块，得到即刻种植评估结果。

8、进一步，所述步骤s1中，所述口腔分割模型包括一个特征编码网络和一个特征解码网络，特征编码网络包含五个卷积块和下采样操作，特征解码网络包含四个卷积块、上采样操作和跳跃连接。

9、优选的，所述步骤s2包括以下子步骤：

10、步骤1.1、将原始头部cbct影像输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f1，其维度大小为

11、步骤1.2、将特征图f1进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f2，其维度大小为

12、步骤1.3、将特征图f2进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f3，其维度大小为

13、步骤1.4、将特征图f3进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f4，其维度大小为

14、步骤1.5、将特征图f4进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f5，其维度大小为

15、步骤1.6、将特征图f5进行上采样，之后与特征图f4进行通道级拼接，并输入至卷积核大小为3×3×3的卷积块中，得到特征图fup1，其维度大小与f4一致；

16、步骤1.7、将特征图fup1进行上采样，之后与特征图f3进行通道级拼接，并输入至卷积核大小为3×3×3的卷积块中，得到特征图fup2，其维度大小与f3一致；

17、步骤1.8、将特征图fup2进行上采样，之后与特征图f2进行通道级拼接，并输入至卷积核大小为3×3×3的卷积块中，得到特征图fup3，其维度大小与f2一致；

18、步骤1.9、将特征图fup3进行上采样，之后与特征图f1进行通道级拼接，并输入至卷积核大小为3×3×3的卷积块中，得到特征图fup4，其维度大小与f1一致；

19、步骤1.10、将特征图fup4输入至卷积核大小为1×1×1的卷积块，得到分割结果roral；

20、步骤1.11、根据分割结果roral对相应的原始影像进行裁剪，得到头部cbct影像中口腔感兴趣区域iroi。

21、再进一步，所述步骤s2中，所述牙齿分割模块包括七个卷积块、四个下采样操作和两个上采样操作，每个卷积块由两个卷积层串联组成，所述步骤s2包括以下子步骤：

22、步骤2.1、将口腔感兴趣区域iroi输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f1，其维度大小为ct1×dt1×ht1×wt1；

23、步骤2.2、将特征图f1进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f2，其维度大小为ct2×dt2×ht2×wt2；

24、步骤2.3、将特征图f2进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f3，其维度大小为ct3×dt3×ht3×wt3；

25、步骤2.4、将特征图f3进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f4，其维度大小为ct4×dt4×ht4×wt4；

26、步骤2.5、将特征图f4进行上采样，并输入至卷积核大小为1×1×1的卷积块中，得到牙齿特征图ftooth，其维度大小与f1一致。

27、步骤2.6、将特征图f4进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图f5，其维度大小为ct4×dt4×ht4×wt4；

28、步骤2.7、将特征图f5进行上采样，并输入至卷积核大小为1×1×1的卷积块中，得到牙齿分割结果it。

29、更进一步，所述步骤s3中，所述牙槽骨分割模块包含一个多尺度特征编码模块和一个特征融合解码模块；所述步骤s3包括以下子步骤：

30、步骤3.1、将口腔感兴趣区域iroi输入至多尺度特征编码模块中，得到多尺度特征图fen；

31、步骤3.2、将多尺度特征图fen和牙齿特征图ftooth输入至特征融合解码模块中，得到牙槽骨分割结果ie。

32、优选的，所述步骤3.1中，所述多尺度特征编码模块编码模块包含五个卷积块和下采样方法，每个卷积块由两个卷积层串联组成，每个卷积层由一个卷积、一个归一化层和一个relu激活函数组成，所述步骤3.1的过程如下

33、步骤3.1.1、将口腔感兴趣区域iroi输入至卷积核大小为3×3×3的卷积块中，得到输出特征图fen1，其维度大小为c1×d1×h1×w1；

34、步骤3.1.2、将特征图fen1进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图fen2，其维度大小为c2×d2×h2×w2；

35、步骤3.1.3、将特征图fen2进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图fen3，其维度大小为c3×d3×h3×w3；

36、步骤3.1.4、将特征图fen3进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图fen4，其维度大小为c4×d4×h4×w4；

37、步骤3.1.5、将特征图fen4进行最大池化，并输入至卷积核大小为3×3×3的卷积块中，得到输出特征图fen5，其维度大小为c5×d5×h5×w5，每个卷积块得到的特征图组成不同尺度的特征图fen。

38、再优选的，所述步骤3.2中，所述特征融合解码模块包括四个卷积块、跳跃连接、上采样方法和牙齿特征注意力模块，所述步骤3.2的过程如下：

39、步骤3.2.1、将特征图fen5、特征图fen4和牙齿特征ftooth输入至牙齿特征注意力模块，得到牙齿引导的牙槽骨特征fte4，其维度大小为c4×d4×h4×w4；

40、步骤3.2.2、将特征图fte4、特征图fen3和牙齿特征ftooth输入至牙齿特征注意力模块，得到牙齿引导的牙槽骨特征fte3，其维度大小为c3×d3×h3×w3；

41、步骤3.2.3、将特征图fte3、特征图fen2和牙齿特征ftooth输入至牙齿特征注意力模块，得到牙齿引导的牙槽骨特征fte2，其维度大小为c2×d2×h2×w2；

42、步骤3.2.4、将特征图fte2、特征图fen1和牙齿特征ftooth输入至牙齿特征注意力模块，得到牙齿引导的牙槽骨特征fte1，其维度大小为c1×d1×h1×w1；

43、步骤3.2.5、将特征图fte1输入至卷积核大小为1×1×1的卷积块，得到牙槽骨分割结果ie。

44、更优选的，所述步骤3.2.1中，将牙齿特征ftooth输入至卷积核为1×1×1的全连接层，使其大小与特征图fen5一致，将其与特征图fen5按通道进行拼接，并进行上采样，使之与特征图fen4大小一致，将其与特征图fen4按通道进行拼接，将其输入至卷积核大小为3×3×3的卷积块中，经过归一化和relu激活函数，得到牙齿引导的牙槽骨特征fte4，其维度大小为c4×d4×h4×w4；

45、所述步骤3.2.2中，将牙齿特征ftooth输入至卷积核为1×1×1的全连接层，使其大小与特征图fte4一致，将其与特征图fte4按通道进行拼接，并进行上采样，使之与特征图fen3大小一致，将其与特征图fen3按通道进行拼接，将其输入至卷积核大小为3×3×3的卷积块中，经过归一化和relu激活函数，得到牙齿引导的牙槽骨特征fte3，其维度大小为c3×d3×h3×w3；

46、所述步骤3.2.3中，将牙齿特征ftooth输入至卷积核为1×1×1的全连接层，使其大小与特征图fte3一致，将其与特征图fte3按通道进行拼接，并进行上采样，使之与特征图fen2大小一致，将其与特征图fen2按通道进行拼接，将其输入至卷积核大小为3×3×3的卷积块中，经过归一化和relu激活函数，得到牙齿引导的牙槽骨特征fte2，其维度大小为c2×d2×h2×w2；

47、所述步骤3.2.4中，将牙齿特征ftooth输入至卷积核为1×1×1的全连接层，使其大小与特征图fte2一致，将其与特征图fte2按通道进行拼接，并进行上采样，使之与特征图fen1大小一致，将其与特征图fen4按通道进行拼接，将其输入至卷积核大小为3×3×3的卷积块中，经过归一化和relu激活函数，得到牙齿引导的牙槽骨特征fte1，其维度大小为c1×d1×h1×w1。

48、进一步的，所述步骤s4包括以下子步骤：

49、步骤4.1、将牙齿分割结果it和牙槽骨分割结果ie中的非零点分别记为牙齿点集dt与牙槽骨点集de；

50、步骤4.2、将牙槽骨点集de根据长轴向量计算公式，得到牙槽骨长轴向量ve，公式如下：

51、

52、步骤4.3、将牙齿点集dt中z轴最高点pt作为牙孔最高点，结合牙槽骨长轴向量ve创建一个平行于y轴的截面be，由截面be将牙槽骨点集de分为近唇侧牙槽骨点集def与近舌侧牙槽骨点集deb；

53、步骤4.4、根据牙槽骨点集de提取牙槽骨外表面点集dew，将牙槽骨外表面点集dew分别与近唇侧牙槽骨点集def和近舌侧牙槽骨点集deb取并集，分别得到近唇侧牙槽骨外表面点集defw和近舌侧牙槽骨外表面点集debw；

54、步骤4.5、根据牙齿点集dt与牙槽骨点集de坐标相邻关系，提取得到牙孔表面点集dh；

55、步骤4.6、将近唇侧牙槽骨外表面点集defw与牙孔表面点集dh中每个点根据欧几里得距离计算公式，得到近唇侧牙槽骨壁的最薄厚度df，公式如下：

56、

57、步骤4.7、取近舌侧牙槽骨点集deb中z轴最低点pb作为近唇侧牙槽骨最低点pb，与牙孔最高点pt连线，取连线1/3处的点pq，取垂直于牙槽骨截面be的法线方向向量vc，由点pq出发沿向量vc创建一条射线，判断射线经过的元素是否包含在近舌侧牙槽骨点集deb，得到腭侧根方1/3点pe；

58、步骤4.8、将腭侧根方1/3点pe为起始，沿着牙槽骨长轴向量vt创建一条射线，判断射线经过的元素是否包含在近舌侧牙槽骨外表面点集debw，得到射线经过的外表面点peb1，根据牙孔最高点pt与外表面点peb1的坐标，得到近舌侧牙槽骨长轴方向骨壁厚度de1；

59、步骤4.9、将腭侧根方1/3点pe为起始，沿着垂直于牙槽骨截面be的法线方向向量vc创建一条射线，判断射线经过的元素是否包含在近舌侧牙槽骨外表面点集debw，得到射线经过的外表面点peb2，根据牙孔最高点pt与外表面点peb3的坐标，得到近舌侧牙槽骨垂直截面方向骨壁厚度de2；

60、步骤4.10、根据近唇侧牙槽骨壁的最薄厚度df是否大于近唇侧标准值，以及近舌侧牙槽骨长轴方向骨壁厚度de1和近舌侧牙槽骨垂直截面方向骨壁厚度de2是否大于近舌侧标准值，得到即刻种植评估结果。

61、本发明的有益效果主要表现在：实现针对cbct数据的上前牙位牙槽骨分割并进行即刻种植自动评估，不需要依赖医生主观经验，测评较为全面，精度较高且耗时较短。