相关实验视频
Updated: Jul 1, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.9K
CTA-UNet:CNN变压器架构UNet用于牙科CBCT图像细分
Zeyu Chen1, Senyang Chen2, Fengjun Hu3
1School of Computer Science and Artificial Intelligence, Changzhou University, Changzhou 213164, People's Republic of China.
Physics in medicine and biology
|August 14, 2023
概括
这项研究引入了一种新的CNN-Transformer UNet,用于对牙圆束计算机断层扫描 (CBCT) 图像进行细分. 该模型准确地划分牙根和膜骨,克服了现有方法的局限性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 目前的深度学习模型因复杂的根形态和模糊的边界而难以对牙圆束计算机断层扫描 (CBCT) 图像进行细分.
- 手动注释牙科CBCT图像是昂贵和耗时的,限制了准确的细分模型的开发.
研究的目的:
- 开发一种高效,准确的深度学习模型,用于对牙科CBCT图像进行细分.
- 解决现有模型在处理复杂的根特征和有限的标记数据方面的局限性.
主要方法:
- 提出了CNN-变压器架构UNet网络,将卷积神经网络 (CNN) 结合起来,用于本地特征提取和变压器用于远程依赖.
- 集成多个空间注意力模块来增强空间信息处理.
- 引入了一种新的蒙面图像建模方法,用于CNN和变压器模块的同时预训练,减轻小标记数据集问题.
主要成果:
- 拟议的模型实现了卓越的性能,子相似系数 (DSC) 为87.12%和交叉在联盟 (IoU) 为78.90%.
- 实现了0.525毫米的豪斯多夫距离第95百分点 (HD95) 和0.199毫米的平均表面距离 (ASSD),表明了高精度.
- 在牙科CBCT图像中对牙根和气泡骨进行细分的有效性得到证明.
结论:
- 开发的CNN-Transformer UNet为自动牙科CBCT图像分割提供了更高效和有效的方法.
- 该方法显示了在正学和牙科植入学中实际应用的巨大潜力.
- 新的预培训策略有效地解决了有限的注释数据带来的挑战.
