论文阅读：Crown Segmentation From Computed Tomography Images With Metal Artifacts

最新推荐文章于 2024-08-15 15:04:43 发布
原创 最新推荐文章于 2024-08-15 15:04:43 发布 · 1k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文介绍了一种改进的牙齿轮廓识别方法，特别适用于存在金属植入物的情况。通过手动初始化切片和使用拉登变换分离相邻牙齿，结合统计形状先验的水平集方法限制轮廓形状，有效避免了分割过程中受到金属矫正装置的影响。实验表明，在15个含有金属牙套的数据集中，该方法提高了分割准确性。

【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

【背景】

当有金属植入物存在时，牙齿的轮廓不容易识别出来。牙冠的前表面会有凸出来的东西，而以往的方法都是默认没有这些存在的，所以该论文对于新问题改进了老方法来解决。

【方法】

老套路，手动初始化slice然后LS自动传播。然后在每一个slice开始的时候，用拉登变换分离相邻牙齿。
这里写图片描述

用统计形状先验的LS来限制最后收敛轮廓的形状，避免分割到金属矫正装置。
这里写图片描述
上面是state-of-art方法的结果，下面是本文的结果，成功避开了金属牙套。
这里写图片描述
实验部分，用了15个开口状态的有牙套的数据。有牙套的情况下，准确度显然是要比以往方法高的。除了手动初始化，速度是4-6分钟。

【讨论&启发】

本文的related works写得挺全的，有几篇可以看看。【5，6，7，8，9】
用一条线来分离两个牙齿其实挺好的，有左右两条线的情况下相当于给LS规定了一个牙齿区域，从而避免了多牙根状态下分割失误。但这样分离也是一种假设，postulate。

  • 我们可以试着提出别的办法分开两个牙齿，非线性的方法。
  • 多研究切片，根据实际情况来。比如在一开始3D情况下直接分开来。
  • 或者提升速度，他现在是4-6分钟，也许可以更快。

Reference

【5】M. Hosntalab, R. A. Zoroofi, A. A. Tehrani-Fard, and G. Shirani, “Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set,” Int. J. Comput. Assisted Radiol. Surg., vol. 3, no. 3–4, pp. 257–265, 2008.
【6】H. Gao and O. Chae, “Individual tooth segmentation from CT images using level set method with shape and intensity prior,” Pattern Recognit., vol. 43, no. 7, pp. 2406–2417, 2010.
【7】H. Yau, T. Yang, and Y. Chen, “Tooth model reconstruction based upon data fusion for orthodontic treatment simulation,” Comput. Biol. Med., vol. 48, pp. 8–16, May 2014.
【8】D. X. Ji, S. H. Ong, and K. W. C. Foong, “A level-set based approach for anterior teeth segmentation in cone beam computed tomography images,”Comput. Biol. Med., vol. 50, pp. 116–128, Jul. 2014.
【9】Y. Gan, Z. Xia, J. Xiong, Q. Zhao, Y. Hu, and J. Zhang, “Towards accurate tooth segmentation from computed tomography images using a hybrid level set model,” Med. Phys., vol. 42, no. 1, pp. 14–27, Jan. 2015.

论文阅读-GroupViT：Semantic Segmentation Emerges from Text Supervision（语义分割CVPR2022）
一位不是很硕的鉴伪方向硕士
10-31 2413
GroupViT 的核心思想是利用了深度学习之前无监督分割的 grouping 思想。当时的做法大概是在确定某个中心点之后，不断向外发散，将接近的点都分到一个 group 中，最终发散完毕，得到分割结果。在 GroupViT 中的 grouping 是将 ViT 中的图像块 token进行分配，分配到不同的语义类别 token 上。
自动驾驶论文: DFNet: Semantic Segmentation on Panoramic Images with Dynamic Loss Weights and RFB
mingo_敏
11-01 1295
DFNet: Semantic Segmentation on Panoramic Images with Dynamic Loss Weights and Residual Fusion Block PDF: https://arxiv.org/pdf/1806.07226.pdf PyTorch: https://github.com/shanglianlm0525/PyTorch-Netwo...
分割 反比 权重图 梯度 灰度_基于灰度梯度图像分割的单木树冠提取研究
weixin_39524842的博客
12-22 264
Abstract:Tree crown is an important part of trees. It is of significance to extract tree crown information based on remotely sensed images for forest resource inventory and monitoring. However, it’s d...
论文阅读：Tooth model reconstruction based upon data fusion for orthodontic treatment simulation
bashana102的博客
03-06 787
【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
论文阅读：Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible te
bashana102的博客
03-01 1060
Preface Individual tooth segmentation from CT images scanned with contacts of maxillary and mandible teeth computer methods and programs in biomedicine 2017 Introduction 以前的文章几乎都是针对的上颌骨/下颌骨CT牙齿
【文献阅读】精读Tooth Segmentation of Dental Study Models Using Range Images
qq_38939822的博客
10-12 1348
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：Tooth and Alveolar Bone Segmentation from Dental Computed Tomography Images
bashana102的博客
07-27 796
【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
05-25 608
【论文信息】 Touching Tooth Segmentation from CT Image Sequences Using Coupled Level Set Method Gao 2008 【背景】
计算机视觉论文-2021-03-10
中科院AI算法工程师的博客
03-10 5883
本专栏是计算机视觉方向论文收集积累，时间：2021年3月9日，来源：paper digest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1, TITLE:Selective Replay Enhances Learning in Online Continual Analogical Reasoning AUTHORS: Tyler L. Hayes ; Christopher Kan...
ECCV 2018 完整论文集 -- List & 下载链接
TomRen
09-02 1万+
下文列表为ECCV2018官网得到了今年接收论文列表，共779篇： 持续更新下载链接 Oral: Convolutional Networks with Adaptive Computation Graphs Progressive Neural Architecture Search Diverse Image-to-Image Translation via Dise...
ECCV 2018 论文下载及分析（774篇全）
热门推荐
愿十四亿神州尽舜尧
09-16 2万+
ECCV2018 收录论文整理，共774篇。 百度云链接：https://pan.baidu.com/s/1Mg0Kw9bepUK6_vqqVSOjNQ ，密码：mh97。 以下是下载后的文件： 以下是文件名对应的论文名称：   序号 文件名 论文题目 1 Aaron_Gokaslan_Improving_Shape_Deformation...
论文阅读5 LISA: Reasoning Segmentation via Large Language Model
qq_48898746的博客
08-15 2208
本文的论文标题翻译为《现有感知系统在执行视觉识别任务时，无法主动推理和理解基于隐含指令的用户意图。本文提出新的任务定义，。这个任务要求模型能够根据复杂的、隐含的文本查询生成二进制分割掩码。本文提出LISA模型，它继承了多模态大型语言模型（LLMs）的语言生成能力，同时也具备生成分割掩码的能力，使其能够能够处理涉及复杂推理和世界知识的情况。
【论文阅读笔记】Medical image segmentation on mri images with missing modalities: A review
寸先生的AI道路
12-07 2266
本文的论文数据截止至2022年，2023年又多了很多结合transformer、流模型、扩散模型的新方法，其实也可以归入本文 提到的几大类方法中，这几大类方法中，合成模型受限于合成数据和真实病理数据的差异，在特定条件下可能不会提高性能；它探讨了在医学成像领域，特别是在肿瘤分割、组织分类和图像生成等任务中，如何处理MRI序列中缺失的模态，并克服这种缺失带来的负面影响。：结合了3D U-Net和多模态变分自编码器（MVAE）的网络，旨在通过建立一个共同的潜在空间来重构缺失的MRI模态，并进行图像分割。
【深度学习】语义分割-论文阅读：（ CVPR 2021）SETR：Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspe
zhe470719的博客
04-23 6731
这里写目录标题详情 详情 名称：Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers 单位：复旦, 牛津大学, 萨里大学, 腾讯优图, Facebook 论文：论文 代码：代码
STM32+MAX7219数码管模块显示程序 SPI接口
12-02
提供了基于STM32F4xx系列的MAX7219数码管模块显示程序，通过SPI串行总线进行通信，使用库函数进行编程。经过实际测试，该程序能够正常驱动数码管进行显示。 特点 基于STM32F4xx系列MCU 使用SPI串行总线通信 采用库函数编程 实测能正常驱动MAX7219数码管模块显示
基于大疆M100无人机平台的自主导航与智能决策系统开发项目_该项目专注于在复杂动态环境中实现无人机的实时障碍物感知与规避以及高效全局与局部路径规划算法的集成与优化核心内容包括利.zip
12-02
基于大疆M100无人机平台的自主导航与智能决策系统开发项目_该项目专注于在复杂动态环境中实现无人机的实时障碍物感知与规避以及高效全局与局部路径规划算法的集成与优化核心内容包括利.zip
Turbo 码编码及解码仿真程序(Matlab)
12-02
Turbo 码编码及解码仿真程序(Matlab)
【改进灰狼算法】基于记忆、进化算子和局部搜索的改进灰狼优化算法及线性种群规模缩减算法（Matlab代码实现）
最新发布
12-02
内容概要：本文提出了一种基于记忆机制、进化算子和局部搜索策略的改进灰狼优化算法，并结合线性种群规模缩减策略以提升算法收敛速度与全局搜索能力。该算法通过引入记忆模块保存优质个体信息，利用进化算子增强种群多样性，同时采用局部搜索机制提高寻优精度，有效克服了传统灰狼算法易陷入局部最优、收敛速度慢等问题。文中详细阐述了算法的设计思路、实现步骤及关键参数设置，并提供了完整的Matlab代码实现，便于读者复现与应用。实验部分验证了改进算法在多个标准测试函数上的优越性能，展示了其在优化问题中的潜力。; 适合人群：具备一定智能优化算法基础，熟悉Matlab编程，从事科研或工【改进灰狼算法】基于记忆、进化算子和局部搜索的改进灰狼优化算法及线性种群规模缩减算法（Matlab代码实现）程优化相关工作的研究生、科研人员及技术人员； 使用场景及目标：①解决复杂优化问题如函数优化、参数调优、工程设计优化等；②学习灰狼算法的改进思路与实现方法，掌握智能算法的性能提升策略； 阅读建议：建议结合Matlab代码逐行理解算法实现过程，重点关注记忆机制、进化操作与局部搜索的融合方式，并通过实验对比分析改进策略的有效性。
基于ROS的机器人运动规划与路径搜索算法实现工作空间_包含A星Dijkstra等经典与优化算法在二维三维栅格地图中的高效路径规划与避障实现结合RVIZ可视化插件进行实时路径动态障碍.zip
12-02
基于ROS的机器人运动规划与路径搜索算法实现工作空间_包含A星Dijkstra等经典与优化算法在二维三维栅格地图中的高效路径规划与避障实现结合RVIZ可视化插件进行实时路径动态障碍.zip
Online Easy Example Mining for Weakly-supervised Gland Segmentation from Histology Images论文复现
11-16
要复现《Online Easy Example Mining for Weakly - supervised Gland Segmentation from Histology Images》论文的研究内容，可从以下几个方面着手： ### 环境搭建 首先需搭建合适的运行环境，通常要安装深度学习框架，如 PyTorch 或 TensorFlow。以 PyTorch 为例，可使用以下命令安装： ```python pip install torch torchvision ``` 同时，还需安装其他必要的库，像 NumPy、OpenCV 等： ```python pip install numpy opencv-python ``` ### 数据集准备 该论文主要针对组织学图像进行腺体分割，要获取对应的数据集。一般来说，数据集应包含组织学图像以及相应的标注信息。若数据集有公开版本，可直接下载；若没有，则需自行收集和标注。在准备数据集时，要对数据进行预处理，如调整图像大小、归一化等： ```python import cv2 import numpy as np def preprocess_image(image): # 调整图像大小 image = cv2.resize(image, (256, 256)) # 归一化 image = image / 255.0 return image ``` ### 模型构建 依据论文中的描述构建模型。论文可能提出了特定的网络架构，需使用深度学习框架实现该架构。以下是一个简单的 PyTorch 模型示例： ```python import torch import torch.nn as nn class GlandSegmentationModel(nn.Module): def __init__(self): super(GlandSegmentationModel, self).__init__() # 定义模型的层 self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1) self.relu1 = nn.ReLU() # 可根据论文添加更多层 def forward(self, x): x = self.conv1(x) x = self.relu1(x) return x ``` ### 训练模型 按照论文中的训练方法对模型进行训练。这包括选择合适的损失函数、优化器，以及设置训练参数，如学习率、训练轮数等： ```python import torch.optim as optim model = GlandSegmentationModel() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 模拟训练数据 train_images = torch.randn(10, 3, 256, 256) train_labels = torch.randint(0, 2, (10, 256, 256)) for epoch in range(10): optimizer.zero_grad() outputs = model(train_images) loss = criterion(outputs, train_labels) loss.backward() optimizer.step() print(f'Epoch {epoch+1}, Loss: {loss.item()}') ``` ### 模型评估 使用测试数据集对训练好的模型进行评估，计算相关的评估指标，如 Dice 系数、交并比（IoU）等： ```python from sklearn.metrics import f1_score test_images = torch.randn(5, 3, 256, 256) test_labels = torch.randint(0, 2, (5, 256, 256)) model.eval() with torch.no_grad(): test_outputs = model(test_images) test_outputs = (test_outputs > 0.5).float() f1 = f1_score(test_labels.flatten(), test_outputs.flatten()) print(f'F1 Score: {f1}') ```
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