论文阅读:AUTOMATIC SEGMENTATION FOR 3D DENTAL RECONSTRUCTION
2017-03-07 16:02
495 查看
【论文信息】
AUTOMATIC SEGMENTATION FOR 3D DENTAL RECONSTRUCTION2015 ICCCNT EI会议
利用牙齿的domain knowledge来减少计算负担。从解剖学角度来分割。
采用canny算子,说是比ACM要好
【背景】
牙齿分割的难点在于:噪声
连通性,牙齿之间经常连在一起
位置,跟上面其实差不多,边界不清晰
拓扑变化,会分裂成几个分支
低分辨率
related works 部分写得很全,是牙齿领域里面写得最好的introduction。许多方法还要再看一下。甚至还引用了牙齿解剖学的文章。罗列了牙齿的很多特性。
牙齿位于牙弓线上面,呈弧线状
牙齿具有长圆柱形形状,垂直位置
断面是圆形的,切牙牙冠的断面是椭圆形、卵形的
单个牙齿可被划分为牙冠和牙根区域
牙冠被空气包围;牙根被牙周和颌骨包围
牙冠表面是珐琅(搪瓷),CT值最高;牙根表面是牙骨质。
内部,包含了牙本质(骨结构)和牙髓(软组织)
牙冠被分为颈部(靠近牙根)、中部、还有咬合部(切割部)
切割部或咬合部稍下方一点的部位,拥有最大的断面面积,经常与相邻牙齿接触在一起。
牙齿都只有一个牙根,除了磨牙以外(有2-3个)。上前磨牙和下颌磨牙有两个牙根,上二磨牙有两个牙根,上磨牙有三个牙根。
牙根最后以一个点状尖顶结束
LS的问题是,参数需要在用之前调好,而且依赖于CT的质量和嘴巴的状态。
【方法】
边缘检测,然后形态学,得到边缘。然后计算圆度,找到凹的点,作为相邻牙齿分割面。圆度计算:首先对每个cueve都拟合一个圆。计算一个得分S:
每个点到圆心的距离的平方和求倒数再乘以该curve覆盖该圆的角度。
凹凸度计算:
【讨论&启发】
有一点可以借鉴,对每个slice检测边缘之后,测量一下他们的圆度,圆度最高且没有凹陷的slice作为初始面。实现LS的自动初始化。相关文章推荐
- 论文阅读笔记:A 3D Coarse-to-Fine Framework for Automatic Pancreas Segmentation
- 论文阅读:A Bottom-Up Approach for Automatic Pancreas Segmentation in Abdominal CT Scans
- 论文阅读:Knowledge Based Segmentation for Fast 3D Dental Reconstruction from CBCT
- 论文阅读:3D exemplar-based random walks for tooth segmentation from cone-beam computed tomography images
- 论文阅读笔记-Automatic Portrait Segmentation for Image Stylization
- 论文阅读:Multi-view Convolutional Neural Networks for 3D Shape Recognition
- 论文阅读笔记:R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation
- 论文阅读:RCNN[Rich feature hierarchies for accurate object detection and semantic segmentation]
- 论文阅读:Deep Filter Banks for Texture Recognition and Segmentation
- Deep Poincare Map for Robost Medical Image Segmentation 论文阅读
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- 阅读论文:Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation
- 论文阅读《Rethinking Atrous Convolution for Semantic Image Segmentation》
- 【论文阅读】Fused Text Segmentation Network for Multi-oriented Scene Text Detection
- Over Coat AnImplicit Canvas for 3D Painting论文阅读
- 论文阅读笔记:U-Net: Convolutional Networks for Biomedical Image Segmentation
- SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation 论文阅读
- 《3D Convolutional Neural Networks for Human Action Recognition》论文阅读笔记
- 论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- 论文阅读:Volumetric and Multi-View CNNs for Object Classification on 3D Data