-
题名面向低剂量CT的牙齿分割网络
- 1
-
-
作者
秦俊
卢婷岚
纪柏
李雨晴
-
机构
长春理工大学计算机科学技术学院
吉林大学白求恩第一医院
-
出处
《中国图象图形学报》
CSCD
北大核心
2024年第3期686-696,共11页
-
基金
吉林省自然科学基金项目(20210204101YY)。
-
文摘
目的 锥形束计算机断层扫描(cone beam computer tomography, CBCT)已成为口腔诊疗领域中最常用的一项医学影像技术。由于CBCT图像本身对比度低且牙齿形状复杂,在进行牙齿分割时容易导致分割边界模糊、牙齿根部错误分割的问题。现有方法往往无法达到预期效果,并且基于深度学习的分割网络在分割精度等性能提升到一定程度后存在生梯度爆炸、过拟合以及无法关注图像全局信息等限制。然而,牙齿分割在医生制定诊断和治疗计划方面至关重要。为了应对这一问题,提出了一种名为MF-CA Net的牙齿分割模型,以提高牙齿分割的准确性和鲁棒性。方法 MF-CA Net模型引入了多尺度特征提取模块(multi-scale feature extraction module, MFEM)和CA(coordinate attention)注意力机制,这些模块使网络能够准确地捕捉感兴趣的牙齿区域,并提取丰富而密集的多尺度特征信息,从而有效地指导分割任务。特别是在牙根分割方面,这些模块能够显著提高分割的精度。为了进一步提升分割算法的性能,还引入了联合损失函数,该损失函数综合考虑了像素级、局部级和全局级3个方向的牙齿边缘分割,以提高算法的准确性和稳健性。结果 实验在数据集上对MF-CA Net模型与6种主流方法进行了比较。实验结果表明,相较于其他分割方法,MF-CA Net模型在各项评价指标上都取得了显著的提升。尽管在精度(accuracy)指标上稍低于DeeplabV3+,但在Dice评价指标上达到了0.949 5的高分数,相比PyConvU-Net提高了4%,相对于DeeplabV3+提高了约4%,对比U-Net提高了约16%。此外,平均交并比(mean intersection-over-union,mIoU)指标提升了3%~11%,F2值提升了5%。结论 本文提出的MF-CA Net网络模型可以实现对牙齿的精确分割。
-
关键词
深度学习
锥形束计算机断层扫描(CBCT)
牙齿分割
注意力机制
多尺度信息
损失函数
分割精度
-
Keywords
deep learning
cone beam computed tomography(CBCT)
tooth segmentation
attention mechanism
multiscale information
loss function
segmentation accuracy
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
