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。