论文阅读：Knowledge Based Segmentation for Fast 3D Dental Reconstruction from CBCT

最新推荐文章于 2024-12-19 13:17:59 发布
最新推荐文章于 2024-12-19 13:17:59 发布
阅读量468 收藏 1
点赞数
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。
本文链接：https://blog.youkuaiyun.com/bashana102/article/details/60772739
本文分析了一种基于知识库的快速三维牙齿重建方法，该方法从锥束计算机断层扫描(CBCT)图像中提取牙齿区域并进行重建。文章介绍了CBCT背景及其在牙齿分割上的挑战，并通过抛物线拟合和Canny算子实现ROI提取及边界界定。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【论文信息】

Knowledge Based Segmentation for Fast 3D Dental Reconstruction from CBCT
2015 20th International Conference on Control Systems and Science
不知名的国际会议
布加勒斯特理工大学，这群人投了好多会议论文，太水了，论文制造机，论文名字取得都很牛逼，但是方法讲得不仔细，而且结果很让人怀疑，也没做什么实验

【背景】

跟之前那篇一个套路。先介绍各种图像格式，CBCT的背景。然后是CBCT牙齿分割的难点。接下来是relatedworks，这个倒是写得还行，应该看了不少论文。接下来就是介绍他们的domain knowledge了，列一个表，跟之前那篇一模一样。

【方法】

  1. 首先拟合两个抛物线把牙齿区域ROI提取出来。
  2. canny算子，计算梯度值，设定阈值留下想要的边界
  3. 3.

【讨论&启发】

Efficient Online Segmentation for Sparse 3D Laser Scans-- 在线的稀疏点云分割
点云PCL
12-19 1380
最近发现好多优快云的博客在转载我的文章，来吸引关注，这里只好将我的博客园的原创文章再次的搬到优快云的专栏中，同时希望同学们尊重；劳动成果，并注明转载出处！！！ 在基于激光的自动驾驶或者移动机器人的应用中，在移动场景中提取单个对象的能力是十分重要的。因为这样的系统需要在动态的感知环境中感知到周围发生变化或者移动的对象，在感知系统中，将图像或者点云数据预处理成单个物体是进行进一步分析的第一个步骤。...
FusionNet：基于稀疏雷达点云和RGB图像的深度图补全
3D视觉工坊
02-15 1476
作者：Tom Hardy Date：2020-02-09 来源：FusionNet：基于稀疏雷达点云和RGB图像的深度图补全
3D dental reconstruction from CBCT data.pdf
04-28
CBCT数据三维重建
论文翻译：Efficient Online Segmentation for Sparse 3D LaserScans——稀疏3D激光扫描的有效在线分割
weixin_49772685的博客
05-23 680
在场景中提取单个对象的能力对于大量自主导航系统（例如移动的机器人或自主汽车）来说是关键。在动态环境中导航的这种系统需要知道可能改变或移动的对象。在大多数感知线索中，将当前图像或激光扫描预分割成单个对象是执行进一步分析之前的第一个处理步骤。在本文中，我们提出了一种有效的方法，首先从扫描中删除地面，然后分段的三维数据在一个范围内的图像表示成不同的对象。我们工作的一个重点是几百赫兹的快速执行。我们的实现有小的计算需求，使它可以在大多数移动的系统上在线运行。
Fast Lidar Clustering by Density and Connectivity解读及文章复现工作
LimitOut的博客
08-05 591
Fast Lidar Clustering by Density and Connectivity 这篇文章是发布在cs.cv上面的一篇文章，个人理解为利用语义信息来进行聚类。 接下来详细解读一下这篇文章。 首先这篇文章提出了一种实时的雷达点云实例分割的网络。主要亮点在于提出了skip conection这个结构来增加网络的鲁棒性。 主要步骤： 此工作是利用将三维点云转换成深度图像后进行相关操作。 1.去除地面。 2.横纵向距离值D计算。 3.合并3个2值图，进行连通性判断。 4.skip-connect
论文阅读：Three-dimensional reconstruction of teeth and jaws based on segmentation of CT images using wat
bashana102的博客
03-04 758
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
（十九：2020.11.05）MICCAI 2020 追踪之论文纲要（译）＜中＞
Jojo论文基地
11-06 4165
讲在前面 此文章包含第三和第四篇博客。 论文目录 PART III 《Computer Aided Intervention, Ultrasound and Image Registration 计算机辅助干预，超声和图像配准》 计算机辅助干预 概要 1.Reconstructing Sinus Anatomy from Endoscopic Video – Towards a Radiation-Free Approach for Quantitative Longitudinal Ass
（二十九：2021.01.10）MICCAI 2019 追踪之论文纲要（下）
Jojo论文基地
01-11 2621
讲在前面 这部分是PART V和PART VI。 论文目录 PART V Computer-Assisted Interventions（计算机辅助干预） 概要 1.Robust Cochlear Modiolar Axis Detection in CTCT中稳健的耳蜗轴轴检测 2.Learning to Avoid Poor Images: Towards Task-aware C-arm Cone-beam CT Trajectories学习避免不良图像：迈向任务感知型C型臂锥束
【医学影像】学前基础（团队、资源等）
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
12-19 9131
在做任何研究之前，都要对领域内大牛团队，相关学习基础进行一定的了解，于是下面是总结了大牛+数据集+代码快速浏览+期刊会议了解。
Efficient Online Segmentation for Sparse 3D LaserScans.pdf
12-23
Efficient Online Segmentation for Sparse 3D LaserScans.pdf
能力测试II(源自于优快云论坛)
zgqtxwd的专栏
04-27 374
<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"
高效的激光雷达数据处理软件 你都知道哪些？
weixin_33922672的博客
12-14 969
激光SLAM是目前机器人定位导航的主流技术手段，激光雷达的作用自然是不言而喻的，目前除了机器人行业，激光雷达还被广泛应用于 无人驾驶、AGV小车等领域， 为帮助从业者更智能高效的处理激光雷达数据，市面上孕育了多种激光雷达数据处理软件，以下主要为接触激光雷达不久的用户推荐几款常用软件。1.Global Mapper LiDAR Module用“瑞士×××”形容Global Mapper LiDAR ...
3D点云分割论文总结
weixin_43211438的博客
04-17 5719
Fast Range Image-Based Segmentation of Sparse 3D Laser Scans for Online Operation - 挑战 由于lidar点云的稀疏性，尤其在垂直方向上，即便相邻点云是来自于同一物体，它们之间也会存在着一个欧氏距离。并且随着Object与Lidar距离的增大，这个距离会越来越大，给目标识别带来的挑战也越大。 - 常见点云分割方法 主...
LeGO LOAM学习
weixin_44492024的博客
10-06 3702
LOAM LOAM是一套非常有价值的LIDAR ODOMOTRY算法（它是一个历程计算法，没有回环检测和全局优化的部分）。 LEGO LOAM LeGO LOAM 它含有四个主要线程 image projection： 相对于LOAM增加的模块，对每一帧的激光数据的预处理。包括了地面的提取（没有统一平面作为地面的假设），点云的实时分割。 feature optimization ： 特征点的提取...
KITTI数据集测试 - 2 groundtruth 真实地图
热门推荐
旧人赋荒年
10-25 1万+
在poses目录下，包含00.txt-10.txt 11个序列，每一个文件包换Nx12个表格，N代表帧数。每一行利用3x4转移矩阵代表左边相机系统位姿，转移矩阵将当前帧左边相机系统中的一个点映射到第0帧的坐标系统中。转移矩阵中平移的部分对应当前位置相对于第0帧。groudtruthsequence 00的地面地图如下图所示： 代码下面代码为MATLAB中显示groundtruth，修改filena
PCL入门<五>使用VOXEL稀疏点云
念去去的博客
12-31 1万+
在使用PCL的处理点云时，很多时候我们不需要有太过高的分辨率，因为点云过多会造成计算变慢，并且更加消耗计算资源，所以我们需要把点云变稀，voxel就是一个很好的方法。
3D U-Net：从稀疏注释中学习密集的体积分割
3D视觉工坊
02-02 1259
作者：Tom Hardy Date：2020-01-10 来源：3D U-Net：从稀疏注释中学习密集的体积分割 论文链接：https://arxiv.org/abs/1606.06650代码链接：https://github.com/zhengyang-wang/3D-Unet--Tensorflow主要思想本文介绍了一种从稀疏标注的体积图像中学习的体积分割网络。抽象。本文介绍了一种从稀疏标注的...
现有的常见的关于关于口腔的三维重建的机器学习模型
最新发布
04-28
<think>嗯，用户现在问的是口腔三维重建中常用的机器学习模型有哪些。之前我们讨论过数字化口腔技术的应用，包括三维扫描、CAD/CAM、3D打印这些技术，现在用户想更具体地了解机器学习模型在这一领域的应用。 首先，我需要回忆一下用户之前的提问和我的回答。之前提到了口内扫描仪、点云配准技术、AI辅助诊断等，所以现在可能需要结合这些技术，看看机器学习模型是如何支持这些应用的。用户提供的引用中提到了3D人脸重建的评估方法、三维点云获取技术、主动式光学三维测量的应用，还有VTK相关的代码。这些引用可能对回答有帮助，特别是关于点云处理和三维重建的部分。 接下来，我需要确定口腔三维重建通常涉及哪些步骤。比如，从口内扫描获取数据，生成点云或网格，进行三维重建，可能还需要分割、配准等处理。机器学习模型可能在这些步骤中发挥作用，比如点云处理、图像分割、生成模型等。 常见的机器学习模型可能包括卷积神经网络（CNN）用于处理图像数据，图卷积网络（GCN）处理点云或网格数据，生成对抗网络（GAN）用于生成高质量的三维模型，还有Transformer模型用于处理序列数据或长距离依赖。另外，自编码器（Autoencoder）可能用于降维和特征提取，U-Net用于分割任务。 需要结合具体的口腔应用场景，比如牙冠设计、种植体定位、正畸规划等，看看哪些模型适合这些任务。例如，U-Net在医学图像分割中很常见，可能用于牙齿和牙龈的分割；GAN可能用于生成逼真的三维牙齿模型；图神经网络适合处理非结构化的点云数据。 还要考虑用户提供的引用中的内容。引用[1]提到3D人脸重建的评估方法，可能类似口腔重建的评估，可以提及评估指标或benchmark。引用[2]关于点云获取技术，可能涉及如何将点云数据输入到模型中。引用[3]提到口腔测量中的应用，可以联系到实际应用场景。引用[4]的VTK代码可能涉及三维可视化，但可能和模型本身关系不大，不过可以提到后处理或可视化中的集成。 然后，我需要组织这些信息，分点列出常见的模型，每个模型的原理、应用场景，并尽量结合引用中的内容，比如点云处理、评估方法等。还要注意使用正确的LaTeX格式，比如模型名称中的数学符号或公式需要用$...$包裹，例如$U-Net$，$GAN$等。 同时，用户要求生成相关问题，需要根据回答内容提出相关的问题，比如模型比较、数据来源、评估指标等。这些问题应该帮助用户进一步了解该主题。 最后，检查是否符合之前的格式要求，比如引用标识的位置，使用中文回答，结构清晰，分点说明，代码块（如果有的话）的正确格式等。确保所有技术术语准确，并且引用的内容自然地融入到回答中，例如在讨论评估方法时引用[^1]，在点云处理时引用[^2]。</think>### 口腔三维重建的常见机器学习模型 口腔三维重建的机器学习模型主要通过处理口内扫描数据（如点云、网格或二维图像）生成高精度三维模型，支持修复体设计、种植规划和正畸治疗等场景。以下是几种典型模型及其应用： --- #### 1. **卷积神经网络（CNN）** - **原理**：基于图像特征提取，常用于从二维口腔影像（如X光、口内扫描切片）重建三维结构。 - **应用**： - 从CBCT图像分割牙齿、颌骨区域，生成三维解剖模型[^3]。 - 结合$U-Net$架构实现像素级分割，提升牙齿边缘重建精度[^1]。 - **示例**： ```python # 基于U-Net的牙齿分割模型 model = UNet(input_channels=1, output_channels=3) # 输入为灰度图像，输出为牙齿/牙龈/背景分类 ``` --- #### 2. **图卷积网络（GCN）** - **原理**：直接处理非结构化数据（如点云、网格），捕捉局部几何特征。 - **应用**： - 对口腔扫描点云进行配准和补全，修复缺失区域（如牙缝遮挡）[^2]。 - 结合动态图卷积（DGCNN）优化牙齿排列预测[^1]。 - **公式示例**：点云特征聚合可表示为： $$ h_i^{(l+1)} = \max_{j \in \mathcal{N}(i)} \sigma(W^{(l)} \cdot [h_i^{(l)}, h_j^{(l)} - h_i^{(l)}]) $$ 其中，$h_i^{(l)}$为第$l$层节点$i$的特征，$\mathcal{N}(i)$为邻域节点。 --- #### 3. **生成对抗网络（GAN）** - **原理**：通过生成器与判别器对抗训练，生成高保真三维模型。 - **应用**： - 从单张口腔照片生成完整牙齿三维模型（如$Pix2Vox$变体）[^1]。 - 生成个性化隐形矫治器的变形序列（如$StyleGAN$结合物理约束）[^3]。 --- #### 4. **Transformer模型** - **原理**：利用自注意力机制建模长程依赖，适合处理序列化三维数据。 - **应用**： - 将点云或体素数据编码为序列，预测牙齿移动路径（正畸规划）[^1]。 - 多模态融合（如结合CBCT与口扫数据）提升重建一致性。 --- #### 5. **自编码器（Autoencoder）** - **原理**：通过编码-解码结构学习数据低维表示，用于数据压缩与重建。 - **应用**： - 快速重建缺损牙齿的完整三维形态（如$VoxelAE$）[^3]。 - 与物理仿真结合，优化修复体的力学性能预测[^2]。 --- ### 关键技术与挑战 1. **数据来源与标注**： - 依赖高精度口内扫描仪（如$iTero$）或CBCT设备获取数据，标注成本较高[^3]。 2. **评估指标**： - 使用REALY等评测基准，从全局形状误差（如Chamfer距离）和局部特征（曲率一致性）多维度量化重建质量。 3. **实时性要求**： - 需平衡模型复杂度与推理速度，满足椅旁即时修复需求（如CEREC系统）[^3]。 ---
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