文摘

最新进展在医学图像分析中,特别是深度学习的使用,帮助识别、检测、分类和量化模式在射线照片。这些进步的中心是能够探索数据从分层特性表示。深入学习是无法评价成为最寻求技术,从而导致增强的性能在医疗应用程序和系统的分析。深度学习技术都取得了极大的性能结果牙科图像分割。分割的牙片是一个关键的一步,帮助牙医诊断龋齿。然而这些深层网络的性能受制于各种具有挑战性的牙齿腐烂的病变特征。成为牙科图像分割困难由于各种不同的拓扑结构,错综复杂的医疗结构,和贫穷所造成的图像质量低对比度、噪音、不规则,边缘和模糊边界,导致失败的分割。牙是基于阈值分割方法和连接成分分析。使用高斯模糊图像预处理滤波器消除噪声和损坏的像素。图像增强使用腐蚀和膨胀形态学操作。 Finally, segmentation is done through thresholding, and connected components are identified to extract the Region of Interest (ROI) of the teeth. The method was evaluated on an augmented dataset of 11,114 dental images. It was trained with 10 090 training set images and tested on 1024 testing set images. The proposed method gave results of分别对精度和召回值。

1。介绍

龋齿是世界范围内最广泛的慢性疾病影响的牙齿。最近,有大型腔病变率的下降,但仍然可以发现早期病变在大多数人1]。大多数传统的龋齿检测方法依赖于视觉检查牙齿。这些方法是有效的为大,清晰可见龋的病变以及部分可见但可以被手持镜子(2]。引入口腔放射学检测被隐藏或无法访问病变,否则不能通过传统的方法。龋齿病变的早期检测是一个重要的决定因素的治疗措施,因此引入新工具的受益者(3]。医疗保健行业中增长最快的行业牙科服务,包括预防、治疗和诊断口腔疾病(4]。大多数牙医使用咬翼片射线照片帮助龋齿的位置。他们依赖的信息从这些射线照片连同他们的病人的病史。龋齿的定位是一个具有挑战性的任务,有时甚至有经验的牙医龋的病变时只是提供小姐咬翼片射线照片(5]。传统上,发现龋齿依靠视觉和触觉方法(6]。视觉和触觉的灵敏度的方法是有限的,特别是在近端后牙齿表面。射线照相方法往往有高灵敏度但需要电离辐射(7]。

调查已经进行了各种分割和特征提取方法(8在预处理中使用。一种新的可能性指数模糊c均值聚类算法提出了(9用于分割医学图像。

分析牙科射线照片需要处理的图像,以获得有用的信息。最宝贵的图像处理过程或步骤称为图像分割。牙科的表示图像的分割是通过不同地区的兴趣更大的图像来定位对象。图像分割是图像分割成几个部分被用来识别对象和它们的边缘。图像分割可以根据相似性和不连续属性分类。Discontinuity-based方法被称为boundary-based方法,而相似性方法被称为提出方法(10]。

图像分割是将图像划分为组的过程相似的特征和功能。在数学上,图像的分割是一组有限的地区 , 。研究工作在11,12)根据各种特征分类细分方法,即地区,熵,形状,阈值和像素的相关性等。这些特征从热,x射线图像来帮助分析感兴趣的特定的点或区域。牙科图像分割也列为提出,基于集群的,基于阈值、boundary-based, watershed-based方法。

最新进展在医学图像分析中,特别是深度学习的使用,实现了连接成分分析来帮助识别、检测、分类和量化模式在射线照片。这些进步的中心是能够探索数据从分层特性表示。连接成分分析是许多图像处理管道的关键(13]。它是由将图像分为前景和背景像素对象。然后进行进一步的处理,相互连接并提取前景像素,而背景像素连接在一起,形成边缘在图像边界。连接成分分析图像经过预处理后,使用和阈值。

本文确定了几个主要的局限性阻碍更好的表演关于牙科图像分割技术。第一个限制是有限的牙科图像可用于培训深入学习系统。另一个问题是,大多数牙科使用具有低对比度图像,虚假或边界模糊边缘和噪声。此外,牙科图像大多multisized、多分辨率、多尺度性质。最后,大多数现有的分割技术需要昂贵的计算能力资源限制其实用性。

这个方法是用来排序的问题或提到的局限性。由于限制在牙科图像,可用120图像增强给11114图像数据集。增强数据集通过高斯模糊图像然后预处理去除噪声。此后,腐蚀和膨胀形态学操作用于强调图像像素的图像。最后,分割是通过阈值的像素组件连接和识别提取ROI的牙齿。该方法训练于090年10 1024测试图像训练集和测试集的图像。一个做了实验分析和性能比较先进的方法。该方法优于所有的方法在精度评价指标。图1显示了该方法的流程图。

2。相关的工作

大部分的深度学习网络方法都取得了极大的成功在医学图像的分割。医学图像的分割是计算机视觉的重要任务之一。不同研究者提出并开发各种技术基于深度学习网络牙科图像。其中一些综述,即阈值,深卷积神经网络,连接成分分析。

提出的方法确定死亡无法认出的人在14使用全景牙科图像。牙科图像诊断疾病的调查使用软计算技术提出了(15]。深最近文献中提供了(16分割)覆盖在语义和实例。U-Net架构的使用的调查中提供了(17)是广泛应用于生物医学图像分割处理的自动化识别和检测目标区域。

软计算技术提出了(18)是用于提高性能的水印算法和应用程序相同的。软计算技术也在采用分段图像和协同提供足够的能力来操纵可塑的信息真实情况。(提供的方法19粗糙度)用于壮举宽厚,模棱两可,不精确的头脑,部分真实性为了实现遵从性和经济的结果。

也有使用大津阈值和连通分量分析提出在20.)根尖周的牙科图像分割的自动化的法医鉴定的援助。使用连接成分分析提取感兴趣的区域(ROI)的分段的牙齿。估计齿轴的一些现有方法需要计算分段牙卷tornograph (CT)图像;然后,估计完成的分段牙体积。可怜的分割导致可怜的轴估计(21];因此,估计磨牙轴从两个投影图像而不是分割提出了体积。

连接成分分析也可以在完成一组图像的灰度值。最大限度地稳定极值区域(女士)算法来处理分析。最大强度区域似乎变得和合并在不同强度阈值,同时通过寻找极值区域的稳定是实现几乎不变的阈值选择的范围,因此,区域强度变化艾滋病囊肿边界提取牙片(22]。cnn一直用于研究一致的强度模式风险的器官(浆)从培训CT图像,甚至部分测试CT图像。

培训cnn CT图像有助于提取阳性强度补丁属于桨感兴趣的和消极的补丁,属于周围结构强度。补丁是通过CNN层和图像功能;即边缘、角落和端点被捕获并组合成更复杂的高阶特性,有效地描述桨。训练网络应用于分类体素在测试图像ROI来获取相应的桨作为图像分割的结果(23]。

市场细分是一项具有挑战性的任务分析牙科图像。最宝贵的之一,但在很大程度上解决问题的水平集方法(LSM)是其初始轮廓的一代。一个新的水平集分割方法(24)提出了初始轮廓生成通过形态学图像信息和智能水平集分割运动过滤和反向传播神经网络。

早期发现牙齿腔,从而挽救生命都是非常宝贵的。艾哈迈德et al。25]目前龋齿适用的检测方法K——集群和CT图像阈值分割方法。这是为了建立一个3 d视图的腐烂的病变的诊断不可分割的一部分龋齿。CT图像已广泛应用于牙科成像诊断,因此,可以使用3 d CT图像重建的数据二维全景牙科射线照片提供一个颚骨的纵向视图,避免额外的暴露在x射线。一个自动的方法,介绍了(26),用于重建二维全景牙科图像基于3 d CT图像,利用贝塞尔曲线和优化技术,获得非常光滑的全景图像具有良好的对比。

牙齿分割是一个重要的任务有效龋齿检测大多数龋的损伤通常发生在牙齿边界,和牙科图像往往受制于低对比度,噪音,和不均匀照明。介绍了一种有效的方法(27)段个人牙齿根尖周的射线照片。通过自适应方法执行图像增强幂律变换,当地使用霍尔德指数奇点,牙齿识别通过大津阈值,连接成分分析,,最后,通过蛇牙描述边界跟踪和形态学操作。

分割过程的准确性决定了成功或失败最终的分析过程。为了诊断问题的智齿,阿米尔和Aqel28)提出一个自动准备全景图像分割方法,然后,分割算法实现了后处理阶段,由图如图所示2。预处理步骤包括对比度增强,大津阈值、形态学操作和连接组件标签。分割算法被用来提取ROI,使用直方图均衡化在全景图像的后处理。

牙齿分割在高度自动化的识别是很重要的。后期使用牙科图像识别的过程自动化已从研究受到更多的关注。数学形态学是提供(29日)牙齿咬翼片分割,以援助后期个体的识别。他们还提出灰度对比度变换为图像增强和去除噪声通过过滤器。接下来,阈值用于孤立牙齿从背景中,然后使用连接组件组阈值图像标签的背景和前景像素的ROI。最后,连接组件的细化和分析基于他们的几何性质,然后,被淘汰不合格的对象。

一个自动的方法(30.]介绍了全景图像来检测牙弓。他们使用局部熵阈值binarize CT图像因为牙齿比周边地区的高强度图像。然后使用连接组件标签部分消除金属工件和形态学膨胀关闭之间的差距牙齿下颌骨地区是一个连接。最后,稀释的结果给出了一个粗略的牙弓形状,这结果是利用曲线拟合方法得到一个数学上牙弓。

该技术使用连接成分分析帮助牙齿在牙科图像分割。连接分析或标签分组的过程对象元素分配一个数字图像的相邻元素相同的标签。这有助于进一步图像分析任务:区域可以清点,可以单独操纵及其属性可以测量。对象标识不仅是重要的在处理大型图像单一和计数个别地区还当计算对象的数量在小社区。这是很宝贵的特别是当设计拓扑保持稀疏变换的删除操作。在二维图像,4路和8路连接组件的特殊情况33社区可以清点。拟议的8路连接成分分析技术用于牙科图像的分割和讨论部分3。

3所示。该方法

该方法提出了预处理和分割的牙科图像,如图所示图1,并由以下步骤处理。

3.1。数据准备:增加

数量不足的牙科图像的研究,是不可能获得由神经网络智能决策。深入学习网络需要大量的训练数据和测试目的,以达到良好的评价性能。图像增强是高度规定,涉及到人为地创造训练图像通过不同的方式处理或图片上的多个处理方式的结合。一百二十图像受到数据增强技术,即图像变化通过宽度变化范围和高度变化范围和旋转参数给11114增强后图像。数据增强过程,讨论了在31日,可以通过以下步骤描述:

(1)翻转。水平和垂直翻转为每个图像训练集水平翻转。通常用于自然图像,和垂直翻转是用来捕捉方差在医学图像垂直反射。

(2)扩展。我们每个人的规模x或y方向;具体来说,我们应用一个仿射变换, 。

(3)旋转。下面的仿射变换得到: 在哪里10至175°和应用。

3.2。图像增强

数据准备是首先通过数据增大;然后,图像增强处理通过提高对比度,亮度调整,和扩展,以补偿图像照明引起的不均匀性。这是通过滤波和形态学操作。过滤是通过使用高斯模糊过滤器去除噪声和显示的图3。

后图像滤波、形态学操作,包括腐蚀和膨胀被用来减少前景特性而强调背景特性,如图4。

3.3。阈值

图像增强过程中的形态学操作从背景中分离的牙齿。这是紧随其后的是图像的阈值;这是用于获得个别牙齿的x射线的大纲和显示的图5。

3.4。连接成分分析

介绍了8路聚类方法结合组件相同的属性和社区。这是图像预处理后,图像增强,形态学操作和阈值。使用此方法,图像的像素被分成连接黑暗和光明的二元掩模区域。深色区域联合和连接在一起形成的背景,而亮的像素组合起来以形成前景二进制面具。这个组件连接分析被用来提取ROI图所示6。

这些黑暗或光明的区域的检测受到高斯拉普拉斯算子(日志)的方法,这是一种卷积核的形式 在哪里是内核的宽度。掩蔽过程提高分割精度。图7使用连接成分分析后显示分割结果对牙科图像提取ROI。

4所示。实验和结果

一个增广数据集的方法评估11114牙科图像。数据集分成两个,090图像训练集和测试集的1024张照片。090火车上该方法训练图像和测试1024个测试图像。细分方法的成功率在本文分离单个牙齿从不同的下巴区域图像。成功率是衡量如何清楚地显示牙边缘边界和个人牙齿图像在整个数据集。

牙齿分离分离是正确地认为如果没有造成的牙齿。牙齿,已经部分由于在x光照片的边缘,被认为是正确的分开,如果没有造成进一步的偏爱。牙齿没有正确地分割要么是由于图像对比度差,在增强技术无法挽救一个牙齿和nonteeth结构之间的区别。应该注意的是,该分割方法相比,优化后表现出更好的结果比现有的实现。表1提供了一个比较的其他连接成分分析的实现方法。从提出的分割方法获得的结果表明,明显改善现有的模型。图7显示了一些图像分割结果的例子。

图8显示了提出的培训和验证精度图阈值连接分析增广数据集分割方法。

5。结论和未来的工作

深度学习方法已被用于医学成像和现在的龋齿的分割和检测牙科成像。利益分割、地区分割的大图来定位对象相似的特征和功能。图像的分割也分区分成几段的大图来定位对象和它们的边缘。牙科图像分割可以基于相似性分类,即提出方法,和不连续,即boundary-based方法。回顾阐述了不同作者的作品更多的各种分割方法及其使用。

软计算方法如模糊逻辑、人工神经网络和遗传算法强调,用于图像分割。贡献在32)提供最先进的精化与图像分割相关的几乎所有方面。它们封装等新兴主题,各个方面的方法,评价参数,和不同类型的图像有关的问题,数据库、细分应用程序和其他资源,可以有利于研究人员开发新的细分的方法。

该论文在这里讨论了拟议的阈值(太极拳)分割方法使用连接组件。这种细分方法预处理方法,包括增加、和图像增强方法和阈值进行了讨论和实施,以确保准确的分割。阈值被用来获得牙齿的大纲,然后,8路连接成分分析的聚类方法。这种聚类方法被用来组像素作为黑暗或光明的像素面具让分离的牙齿从整幅图像的背景。

牙科图像数据集很难找到公开;因此,需要增加数据。评估性能的深入学习方法需要更长时间由于大量数据,因此再培训和测试时间。介绍了几个评价协议性能评估以减少所花费的时间训练和测试网络。因此,重要的是使用了协议性能评估模型,网络,通过各种测量方法满足的期望或目标的能力。

从早期的研究工作主要有观察龋齿的分割和检测有助于做出合理的结论。其中的一些观察,我们认为非常重要的包括(我)这是观察到现有工作大多采用在牙科图像预处理步骤准备图像为下一个步骤(2)也观察到的图像处理方法用于分割的龋齿有连锁反应使用的深度学习系统的性能(3)也观察到深学习方法的性能依赖于数据集的大小和图像的变化(iv)数据增加起着很大的作用在促进深度学习的性能尤其是最近大型数据集的方法(v)也观察到牙科图像的分割工作使用全景片和大津阈值对大多数连接成分分析

因此,可以得出结论,该方法提供了一种新的方法来解决牙齿分割问题。该方法提供了一个健壮的方式提供足够的数据通过数据增加深度学习的数据集。它也能帮助个人牙齿分离和边缘边界检测更容易监督和非监督学习模型来正确处理牙齿数据集。成功率的方法给予指导未来工作的模型提供了一个潜在的方法使用非监督模型从而导致更好的结果。

图像分析已经被提议的龋齿检测模型本文确定存在龋齿牙科射线照片。最终结果依赖于图像的时候它的质量达到诊断方法。体重正则化方法在分割阶段可以改善最终结果,和未来的工作将看看如何实现这种优化。数据集使用噪音相对自由;因此,最小的预处理需要实现噪声去除。数据集没有图像进行处理,有需要添加更多的图片通过各种处理方法,将援助深度学习的模型。有一系列鼓励未来的研究视角,可以看到改善牙齿龋齿的分割和检测。其中有(我)数据可用性和可靠性:深入学习网络需要大量的数据能够实现有意义的和有效的性能结果。由于牙科图像的本质,有混合的数据集需要援助网络的良好的性能。有需要的公共可用数据集牙科图像使深度学习成为可能。(2)数据标准化:许多方法讨论了本研究通过手动处理图像预处理方法如种植地区感兴趣的一个图像。这些方法有助于图像的一些关键细节的损失。一些网络最终将整幅图像划分为条件,这最终减慢学习过程出现的一个又一个亚区。其他方法,如将采样导致删除重要的图像细节,这是由于计算能力的限制。深度学习的方法增加了整个图像的学习而不是手动操纵通过预处理图像,以便得到更一般的和准确的结果。(3)体重正则化方法:深入学习方法的介绍和网络也可以改善体重正规化来改善自己的表现。权重的调整涉及到优化模型hyperparameters如学习率和辍学率。基本上,体重正则化方法引入网络参数优化。(iv)混合方法:深入学习方法可以进一步提高了几个模型或技术相结合形成混合的最终会提高综合评价的性能。组合可以在任何阶段的模型,例如,结合两个或两个以上的预处理技术,提出一个单一步骤来提高图像质量。加入各种属性组合也可以由不同的模型形成一个混合模型,将加强培训、提取、检测和分类的对象。

除了这些优化,未来的工作将着眼于扩大提出了系统诊断的能力不同的图像,因为它只是用于咬翼片射线照片从相同的数据集。范围将扩大到测试各种不同的射线从不同的数据类型和胸部还咬翼片。

数据可用性

使用的数据来支持这个研究的发现可以从相应的作者。

附加分

深入学习网络需要大量的数据能够实现有意义的和有效的性能结果。由于牙科图像的本质,有混合的数据集需要援助网络的良好的性能。有需要的公共可用数据集牙科图像使深度学习成为可能。

的利益冲突

作者宣称没有利益冲突。