论文阅读：Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible te

最新推荐文章于 2024-07-01 16:09:58 发布
最新推荐文章于 2024-07-01 16:09:58 发布
阅读量996 收藏
点赞数
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.youkuaiyun.com/bashana102/article/details/59112223
版权

【论文信息】

Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible teeth
computer methods and programs in biomedicine 2017
深圳中科院，上海交大

【背景】

以前的文章几乎都是针对的上颌骨/下颌骨CT牙齿分割，也就是说是在open mouth的状态下分割。本文要来对要和状态的牙齿CT分割。
previous work分为两大类，3D Segmentation 以及 2D slice-by-slice Segmentation.
3D:
【2】用区域生长；【3，4】用3DLS提取牙齿表面；【5，6】graph cut交互分割。【7】对单牙根的牙齿迭代建模（要读一下）

2D:
基本上是用了相邻slice间contour相似的特性，用LS分割，一般需要手动初始化起始slice。【8，9】用B样条snake以及遗传算法来提取轮廓，没能解决牙齿中的拓扑变化，而【10-13】的LS可以；【10】LS with Shape和Intensity，效果好。【11】用相同的模型来分割牙根。【12】修改了这个模型来分割前牙。【13】也是分割牙根。（看下11和13）

但当上下牙接触时，aforementioned 方法由于在部分slice中上下牙轮廓接触，不好检测边界，而分割失败。
【14，15】从上下颌牙齿接触的CT中把上下颌分开，但他们没有把牙齿从颌骨上分割下来

最低0.47元/天 解锁文章
论文阅读：AUTOMATIC SEGMENTATION FOR 3D DENTAL RECONSTRUCTION
bashana102的博客
03-07 762
【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 1573
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。
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
04-07 935
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;
论文阅读：Fast and Accurate Semiautomatic Segmentation of Individual Teeth from Dental CT Images
bashana102的博客
04-01 1064
【论文信息】Fast and Accurate Semiautomatic Segmentation of Individual Teeth from Dental CT Images 4区SCI IF 0.887 【背景】
论文阅读：Tooth and Alveolar Bone Segmentation from Dental Computed Tomography Images
bashana102的博客
07-27 754
【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：Touching Tooth Segmentation from CT Image Sequences Using Coupled Level Set Method
bashana102的博客
05-25 580
【论文信息】 Touching Tooth Segmentation from CT Image Sequences Using Coupled Level Set Method Gao 2008 【背景】
TSegFormer: 3D Tooth Segmentation in Intraoral Scans with Geometry Guided Transformer
qq_45745941的博客
05-21 544
TSegFormer: 高精度3D牙齿分割的多任务Transformer网络背景与挑战口内扫描仪（IOS）在数字牙科中广泛使用，提供牙冠和牙龈的详细三维信息。准确的3D牙齿分割对各种牙科应用至关重要。然而，现有方法在处理复杂边界时容易出错，且在不同患者间表现不佳。方法本文提出了一种名为TSegFormer的新方法，通过多任务3D Transformer架构捕捉IOS点云中不同牙齿和牙龈之间的局部和全局依赖关系。
论文阅读：Three-dimensional reconstruction of teeth and jaws based on segmentation of CT images using wat
bashana102的博客
03-04 739
论文信息Three-dimensional reconstruction of teeth and jaws based on segmentation of CT images using watershed transformation Dentomaxillofacial Radiology 2015 IF 1.9 主要描述了他们做的一个CT显示处理软件。背景方法讨论
【文献阅读】精读Tooth Segmentation of Dental Study Models Using Range Images
qq_38939822的博客
10-12 1201
基于检测辐条分割牙齿 1 对齐 手动识别四个参考点，确定咬合平面。第一磨牙的分布颊尖(标记为1和4)和第一前磨牙的颊尖(标记为2和3)。参考点不需要精确定位，因为程序会在手动选择的点附近搜索最高点。 使咬合平面平行于x-y平面，且两个分布颊尖具有相同的y坐标 2 得到平面视距图像 将三维数据的顶点映射到一个规则间隔的二维数组。 每个像素对应的空间间距为毫米。最高的15毫米的三维数据被量化为256个灰度级，每个灰度级的高度分辨率为0.059毫米。 3 检测牙脊 梯度方向分析(GOA)：梯度方向上的不连续
论文阅读：3D exemplar-based random walks for tooth segmentation from cone-beam computed tomography images
bashana102的博客
05-12 888
【论文信息】 3D exemplar-based random walks for tooth segmentation from cone-beam computed tomography images Medical Physics 北大 【背景】 用积分投影方法分离相邻牙齿只能得到coarse segmentation results
KIMI带我读论文-CVPR2024-《Teeth-SEG: An Efficient Instance Segmentation Framework for Orthodontic...》
changesome的博客
07-01 1890
它利用正畸器械对牙齿施加特定方向的力，使牙齿逐渐移动，最终实现牙齿排列整齐，达到最佳的咬合功能，并改善面部区域的外观。具体来说，为了组合这两个模块，我们设计了一种独特的基于排列的上采样器，以确保在建立清晰的分割边界的同时保持高效率，同时使用多头自/交叉门控层来强调特定的语义，同时保持token嵌入之间的差异性。我们研究了2D口内图像的实例分割，这降低了数据收集和注释的要求，并更好地支持了大规模的流行病学筛查和自我检查。请注意，这里的翻译是基于论文内容的概述，具体的文献编号和引用细节需要根据原文进行核实。
Automatic Segmentation of Internal Tooth Structure from CBCT Images Using Hierarchical Deep Learning
qq_45745941的博客
05-11 341
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。
论文阅读：Crown Segmentation From Computed Tomography Images With Metal Artifacts
bashana102的博客
03-06 981
【论文信息】Crown Segmentation From Computed Tomography Images With Metal Artifacts IEEE SIGNAL PROCESSING LETTERS 2016 IF 1.66 三区 同样出自Zeyang Xia只手，深圳先进科学技术研究院的【背景】当有金属植入物存在时，牙齿的轮廓不容易识别出来。【方法】老套路，手动初始化slic
【文献阅读】20210913-20210917文献阅读
qq_38939822的博客
09-17 1106
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
论文阅读：Automatic Detection and Classi cation of Teeth in CT Data
bashana102的博客
02-23 1377
PrefaceMICCAI 2012 会议论文 文章实现了中全自动的牙齿检测和分类，对象为CBCT/MSCT，实验数据集是43套临床头部CT图像。 主要是两个步骤： 1. 分割上颌骨； 2. 分成16个子区域，把他们分类成有牙(existing)/无牙(missing)区域。1 Introduction（introduction写得可以，有些句子到时候写论文可以参考。）一般要是在CBCT
论文阅读：Tooth model reconstruction based upon data fusion for orthodontic treatment simulation
bashana102的博客
03-06 753
【论文信息】Tooth model reconstruction based upon data fusion for orthodontic treatment simulation Computers in Biology and Medicine 2014 IF 1.5 二区【背景】回头看【方法】 首先将石膏模型数字化，将上面每个牙齿分割下来。使用如下公式计算顶点的斜率。 然后对斜率设
实训商业源码-头像挂件-毕业设计.zip
05-10
实训商业源码-头像挂件-毕业设计.zip
环境工程中高斯烟团模型的纯Python实现及其应用
05-10
内容概要：本文详细介绍了如何使用Python实现高斯烟团模型，这是一种用于预测大气中污染物扩散的模型。主要内容涵盖大气稳定度计算、坐标转换、扩散系数计算及三维浓度叠加值的实现。首先，文章解释了高斯烟团模型的基本概念，即假设污染源释放的污染物在空气中形成一个高斯烟团，该烟团随时间扩散、混合和沉降。接着，文章逐步讲解了Python代码的具体实现步骤，包括导入必要库、定义大气稳定度分类、实现坐标转换函数、计算扩散系数以及编写浓度叠加值计算函数。最后，通过该模型可以预测大气中污染物的扩散情况，为环境工程和气象学领域提供有价值的参考。 适合人群：从事环境工程、气象学研究的专业人士，以及对大气污染物扩散模拟感兴趣的科研人员和技术开发者。 使用场景及目标：适用于需要评估大气污染物扩散情况的研究项目，帮助研究人员更好地理解和预测污染物的行为，从而制定有效的环境保护措施。 其他说明：文中提供的Python代码实现了高斯烟团模型的关键部分，能够作为教学工具或实际项目的参考。
基于EMD-KPCA-LSTM的北半球光伏功率多维时间序列预测MATLAB代码实现
最新发布
05-10
内容概要：本文档提供了基于经验模态分解（EMD）、核主成分分析（KPCA）和长短期记忆网络（LSTM）的多维时间序列预测MATLAB代码实现。具体应用案例为北半球光伏功率预测，涉及的数据集包含太阳辐射度、气温、气压和大气湿度四个输入特征，以及光伏功率作为输出预测。文档详细介绍了从数据加载与预处理到EMD和KPCA处理，再到LSTM模型训练与预测的具体步骤，并进行了EMD-LSTM、EMD-KPCA-LSTM和纯LSTM模型的对比分析。此外，还强调了代码的注释清晰度和调试便利性，确保用户能够顺利运行和理解整个流程。 适用人群：适用于具有一定MATLAB编程基础和技术背景的研究人员、工程师或学生，特别是那些对时间序列预测、机器学习和光伏功率预测感兴趣的群体。 使用场景及目标：① 使用EMD、KPCA和LSTM组合模型进行多维时间序列预测；② 对比不同模型的效果，选择最优模型；③ 掌握MATLAB环境下复杂模型的构建和调优方法。 其他说明：代码已验证可行，支持本地EXCEL数据读取，附带详细的“说明”文件帮助用户快速上手。建议用户在实践中结合实际需求调整参数和模型配置，以获得最佳预测效果。
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
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