利用深度學習自動分割每顆牙齒

在牙科影像學中,分離每顆牙齒是一個繁複的任務,但使用卷積神經網路(CNN)模型就可以簡化這個流程,自動預測出每顆牙齒的位置。

使用CNN模型分離CBCT(錐形束電腦斷層掃描)影像中的每顆牙齒的主要原理是通過預測每顆牙齒的中心,並根據預測結果結合分水嶺分割演算法,分離出每顆獨立的牙齒。這樣做的過程可以自動化,從而大大減少人工工作量和時間成本。

我們已經收集多組具有標註的CBCT影像,並使用這些數據集訓練完成CNN模型。利用我們訓練的CNN模型,即可自動識別每顆牙齒的位置。在以下簡短的影片中,展示多組不同影像,在使用我們訓練模型可預測得到的結果。

自動氣管、肺臟及胸腔骨骼提取

透過Amira的清單工作室,用戶可以自訂需要的分析流程,結合這些流程定義出針對特定影像的分析模組。

我們針對胸腔電腦斷層影像提供一系列的分析模組,用戶只需要簡單的從清單中選取功能,即可完成氣管提取、肺臟提取及骨骼提取,完成後即可輸出成三維列印的STL檔案,或錄製所需的動劃影片。

您可以參考以下視頻操作。

眼框骨骼分割圈選與重建

位於眼底的骨骼因太薄,在影像重建時常常會產生破面,而非完整連續的眼底眼框模型,如下圖示。

在Amira中可透過自訂厚度,來強化指定厚度的構造,因此就能分割圈選出完整的眼框模型。

左圖:原始電腦斷層圖像;右圖:針對薄層強化影像
重建後的模型可確保眼底是完整沒有破面。

感謝XWind模組全新重建引擎,超薄結構一樣可以建構出四面體,並輸出至有限元素軟體進行模擬。

氣管與支氣管分析應用

在Amira的影像分割圈選編輯器中,利用群域增長的方式,即可得到立即得到如下的氣管結構。使用Skeleton模組的中心線演算功能,計算出支氣管中心線後,可再依據分支狀況,進一步運算得到其為第n級支氣管如下圖示。

除了上述的運算,感謝Amira的圓柱相關性演算功能,細小的微支氣管,也可以根據設定的管徑,運算得到肺節支氣管(Segmental Bronchi)。

有了較全面的支氣管網絡數位模型,可進一步計算氣管與各支氣管的距離,讓醫療團隊在做術前評估時可有更具體的觀念。

從氣管至各支氣管的距離分佈

細絲結構曲面網格重建

微細血管、絲狀構造或是薄殼結構在重建為曲面網格時,常因為重建的結構太細或太薄,運算後常遺失細微的結構。

左圖:圈選檔案中有完整的微細血管;右圖:過度平滑移除了大部份的血管。

Amira/Avizo中提供完整的操作功能選項,用戶可以根據不同的情況選擇最適合的平滑方式,進而得到理想的結果。例如,我們可以先重建所有血管後再針對曲面網格進行平滑,進而保留大部份的資料數據。

左圖:原始圈選檔案;右圖:先重建所有血管後再針對曲面網格進行平滑,進而保留大部份的資料數據。

也可以使用中心線演算模組,計算出血管中心線位置及粗細,再依管徑數值輸出模型!

左圖:原始圈選檔案;右圖:計算血管中心線,運算管徑,再依管徑輸出模型

透過Amira/Avizo完整的影像處理模組,任何細微結構都可獲得保留,於三維列印時完整呈現。

多影像校準對位與影像分割圈選

在臨床實際的應用,許多案例常需要借重不同的儀器設備進行拍攝,以取得最佳的訊息;或是在不同時間拍攝,來了解相關病徵的進展,這些情況下,都會同時有多組影像資料需要進行比對。

不同影像設備,會有不同的影像解析與影像大小

在Amira/Avizo中,我們提供完整的影像校準對位,包含標記點對位校準、曲面網格
對位 點校準、影像共同資訊校準對位,無論任何一種資料數據,只要能匯入,都能找到最佳的功能模組,將兩組不同座標影像運算至相同座標位置以便比對。

對位校準後的影像,透過重新切面運算產生相同尺寸影像後,在影像圈選工作室(Image Segmentation)即可自由切換,例如腫瘤在MRI中較容易辨識,我們就可以在MRI影像中圈選腫瘤;骨骼在CT中較容易辨識,我們就可以在CT影像中圈選骨頭,如此就能快速精確完成整個案例模型的製作與評估。

肺臟微動靜脈血管圈選分割

肺臟內的血管關係錯綜複雜,過去要分辨動靜脈血管常需要花費相當多的時間與精力。現在,您只要在Amira中透過幾個簡單的步驟,就可以快速、準確完成整個肺臟血管的分割。

步驟1:利用「全自動肺臟分割與肺微細血管模型重建 」分割肺臟微細血管
步驟2:利精準快速圈選 ,從右心室和左心房,簡單定義肺動脈與肺靜脈。
步驟3:演算法自動運算大致的肺動、靜脈位置
步驟4:演算法進一步延伸至所有微細血管