建国 张
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
逸川 姜
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
飞 高
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
晟 赵
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
亮 宋
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
上海应用技术大学 机械工程学院（上海 201418）,
School of Mechanical Engineering, Shanghai Institute of Technology, Shanghai 201418, P. R. China
复旦大学附属上海市第五人民医院 口腔科（上海 200240）,
Department of Stomatology, Shanghai Fifth People's Hospital, Fudan University, Shanghai 200240, P. R. China
Corresponding author.
宋亮，Email：
moc.361@02nauhcyj
式中：
为各波峰所对应的增益，
为各个峰对应的平均值，
为各个峰对应的标准偏差。
由于患者在拍摄时上下颌为咬合状态，对冠状MIP进行阈值过滤后，可以得到牙齿的掩膜图像。然后，掩膜图像经过水平方向投影后得到牙齿的分布情况。通过上述方法拟合高斯曲线来确定波峰和波谷，即牙齿咬合处、牙齿与上下牙槽骨的交汇处的切片值。最后，利用上述咬合处和交汇处的切片生成轴向MIP。
1.2. 获取牙弓曲线
基于下颌和无牙冠的轴向MIP计算相应牙弓曲线的过程，如
所示。首先，将皮质骨强度作为阈值过滤轴向MIP得到下颌的掩膜图像。在掩膜图像中提取最大面积轮廓（见
），并使用膨胀腐蚀法进行处理，去除轮廓空洞和毛刺（见
）。然后，本文在使用细化算法对轮廓进行处理
[
21
-
23
]
的基础上，加入了8领域的分叉端点模板比对骨架线，记录骨架中的分叉和端点结构，方便进行分支统计和去叉处理（见
）。最后，为了减少计算量，本文在骨架线上以相等的间隔选择13个插入点
[
24
]
（见
），生成非均匀三次B样条曲线来拟合牙弓。另一方面，针对不同类型的牙齿和齿根在空间中的倾斜程度不同，本文提出了通过对比下颌和去牙冠的轴向MIP所生成的骨架线，计算牙弓线进行等距离变换的参数，得到多条牙弓线（见
）。通过此方法找到关键的弯曲MPR，可以更加详细地显示口腔内部情况，也不会增加过多的计算量。
1.3. 图像增强和融合算法
在弯曲MPR图像生成过程中，需要对牙弓曲线进行等距变换来保证曲线的一致性，以便进行图像融合。针对全景图像中不同组织区域强度的分布不均问题和金属种植体在成像时对其他组织的强度压缩问题，本文通过提取多个弯曲MPR中不同强度分布的感兴趣区域，并扩增其强度的分布，得到增强图像
，从而减少金属种植体的影响并抑制非感兴趣组织和区域。最后，图像的对比度还可以通过前、后景方面来调整，在融合过程中将原始的全景图像作为后景，通过高斯模糊处理后与增强图像融合，加强感兴趣区域与其他区域在空间上的对比效果，以增加最终全景图像
的对比度。计算公式如下所示:
其中，
α
表示种植体的强度调整系数，
β
表示感兴趣区域的强度调整系数，
A
、
B
和
C
分别表示从冠状MIP直方图中得到的牙齿、软组织和种植体的强度值。
N
为弯曲MPR的图像个数。
为弯曲MPR图像集中第
n
幅图像的第
i
行
j
列值。
γ
是用于控制前景的权重系数，
γ
= 0.85。
G
表示高斯滤波函数。
2. 实验数据、结果与分析
2.1. 实验数据与实验环境
为验证所提出方法的有效性，本文收集了来自复旦大学附属上海市第五人民医院的50例临床口腔CBCT数据，CBCT数据由Newtom VGi和Planmeca ProMax 3D Max口腔扫描仪获取。其中单层CBCT切片的大小为776*776，像素大小为0.2 mm*0.2 mm，切片之间的距离为0.2 mm。所有的数据均为匿名收集。
本文实验所使用的计算机配置为Intel Xeon E-2136 CPU@3.30 GHz处理器。使用计算机的语言为Python 3.7。在CBCT数据读取后开始记录重建时间，每例数据重建成全景图像的平均计算时间为2.9 s。
2.2. 全景图像的客观质量评价
本文在对比实验中，选择了目前常见的口腔CBCT数据后处理软件eXam Vision与本文所提出的重建方法进行质量评价。重建时使用相同的牙弓曲线以保证图像内容的一致性。对于口腔全景图像中的像素特征而言，全景图像像素首先需要较好的亮度表现才可以清晰地显示各个组织区域的情况，其次全景图像上普遍包含多种组织结构，所以图像中的像素分布越离散越能更好地展示各个组织结构，同时图像的细节与纹理的变化一定程度上可以反映图像的清晰度。本文在评估全景图像像素特征时，图像的亮度、像素离散程度和细节与纹理的变化分别由如下公式计算：
其中，
H
和
W
分别表示图像
P
的高和宽，
表示图像的均值，
和
分别表示像素
在水平
x
和垂直
y
方向的一阶差分。
在全景图像内部场景特征方面，本文使用BRISQUE图像质量评价方法
[
25
]
来评估图像的多尺度特征并进行分数预测。通过多方面的评价方法来综合评估两种方法所重建的全景图像质量。最后，将两种方法的评价数值进行归一化后计算平均值，得到相应的分数，并统计各分数的平均值作为总分。全景图像的客观评估结果如
所示，图中显示了两种方法所得到的亮度分数、离散程度分数、清晰度分数、BRISQUE评估分数和总分。结果显示本文方法在清晰度上有少量损失之外，在另外三个评价标准上均优于软件方法。
2.3. 不同植入体的图像重建效果
为了对比软件与本文方法的重建效果，本文使用了包含金属种植物的CBCT数据，在相同牙弓曲线上重建得到两种方法的全景图像如
所示。这些CBCT数据包含了牙冠修复、种植体、填充治疗以及多种病例混合等常见的口腔种植治疗类型，并且金属种植物的位置基本包括了所有的常见治疗区域。在全景图像中，牙齿区域和接受治疗区域都具有较为均匀的亮度表现。为了更好地展示金属种植物周围的情况，
分别展示了软件和本文两种方法所重建的全景图像中种植物周围的局部结构放大图，其中显示的内容为
中红色框内区域。
～c展示了不同位置信息的种植体治疗全景图像，可以发现本方法重建图像在保留上下颌种植体的方向和深度信息的基础上，对于种植体附近的牙齿和骨组织均保持了足够的亮度和对比度（见
～d），可以清楚地区分治疗区域与周围组织，并且可以在图像中看到不同的层。另一方面，
～d也展示了从尖牙到磨牙位置的牙冠修复图像。在牙冠修复的高亮度下，本文方法所重建的全景图像仍保持治疗区域、牙齿区域和周围组织之间的对比度均衡，不需要用户调整窗口宽度和窗口水平以观察口腔组织信息。因此，本文方法有效地减少了口腔金属种植物对图像的影响，使得牙齿区域和治疗区域都有更好的亮度和对比度表现。
3. 结论
本文提出了一种基于口腔CBCT的全景图像自动重建方法。该方法首先计算CBCT中各个组织结构的强度值，并生成不同切片范围的轴向MIP。然后根据MIP图像和强度值，通过细化算法和等距变换拟合多条牙弓曲线。最后，基于牙弓曲线生成的弯曲MPR图像集进行图像增强和融合，得到最终的全景图像。经过实验验证，该方法可以有效改善含有金属种植体数据重建的全景图像，提高全景图像的质量。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：张建国和姜逸川负责方法设计、算法设计及论文撰写，高飞和赵晟负责资料收集和数据整理，宋亮负责实验评估及论文审校。
伦理声明：本研究通过了复旦大学附属上海市第五人民医院医学伦理委员会的审批［批件号：（2019）伦审第（065）号］。
Funding Statement
上海市自然科学基金(19ZR1455100)
References
1.
Farman A G, Scarfe W C Historical perspectives on CBCT.
Maxillofacial Cone Beam Computed Tomography. Cham: Springer.
2018:3–11.
[
Google Scholar
]
2.
Frederiksen N L Diagnostic imaging in dental implantology.
Oral Surg Oral Med Oral Pathol Oral Radiol Endod.
1995;
80
(5):540–554. doi: 10.1016/S1079-2104(05)80153-2.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
3.
Fokas G, Vaughn V M, Scarfe W C, et al Accuracy of linear measurements on CBCT images related to presurgical implant treatment planning: a systematic review.
Clin Oral Implants Res.
2018;
29
:393–415.
[
PubMed
]
[
Google Scholar
]
4.
Bornstein M M, Horner K, Jacobs R Use of cone beam computed tomography in implant dentistry: current concepts, indications and limitations for clinical practice and research.
Periodontol 2000.
2017;
73
(1):51–72. doi: 10.1111/prd.12161.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
5.
Harris D, Buser D, Dula K, et al EAO Guidelines for the use of diagnostic imaging in implant dentistry: A consensus workshop organized by the European Association for Osseointegration in Trinity College Dublin.
Clin Oral Implants Res.
2002;
13
(5):566–570. doi: 10.1034/j.1600-0501.2002.130518.x.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
6.
Guerrero M E, Jacobs R, Loubele M, et al State-of-the-art on cone beam CT imaging for preoperative planning of implant placement.
Clin Oral Investig.
2006;
10
(1):1–7. doi: 10.1007/s00784-005-0031-2.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
7.
Kan J Y K, Roe P, Rungcharassaeng K, et al Classification of sagittal root position in relation to the anterior maxillary osseous housing for immediate implant placement: a cone beam computed tomography study.
Int J Oral Maxillofac Implants.
2011;
26
(4):873–876.
[
PubMed
]
[
Google Scholar
]
8.
Harris D, Horner K, Gröndahl K, et al EAO guidelines for the use of diagnostic imaging in implant dentistry 2011.
A consensus workshop organized by the European Association for Osseointegration at the Medical University of Warsaw. Clin Oral Implants Res.
2012;
23
(11):1243–1253.
[
PubMed
]
[
Google Scholar
]
9.
Bornstein M M, Al-Nawas B, Kuchler U, et al Consensus statements and recommended clinical procedures regarding contemporary surgical and radiographic techniques in implant dentistry.
Int J Oral Maxillofac Implants.
2014;
29
(Suppl):78–82.
[
PubMed
]
[
Google Scholar
]
10.
Çiftçi M E, Aktan A M, İşman Ö, et al Relationship between CBCT and panoramic images of the morphology and angulation of the posterior mandibular jaw bone.
Surg Radiol Anat.
2016;
38
(3):313–320. doi: 10.1007/s00276-015-1553-1.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
11.
Sa-Ing V, Wangkaoom K, Thongvigitmanee S S Automatic dental arch detection and panoramic image synthesis from CT images// Proceedings of the 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC)
Osaka: IEEE.
2013:6099–6102.
[
PubMed
]
[
Google Scholar
]
12.
Luo T, Shi C, Zhao X, et al Automatic synthesis of panoramic radiographs from dental cone beam computed tomography data.
PloS One.
2016;
11
(6):e0156976. doi: 10.1371/journal.pone.0156976.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
13.
Yun Z, Yang S, Huang E, et al Automatic reconstruction method for high-contrast panoramic image from dental cone-beam CT data.
Comput Methods Programs Biomed.
2019;
175
:205–214. doi: 10.1016/j.cmpb.2019.04.024.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
14.
Bae M, Park J W, Kim N Semi-automatic and robust determination of dental arch form in dental cone-beam CT with B-spline approximation.
Comput Methods Programs Biomed.
2019;
172
:95–101. doi: 10.1016/j.cmpb.2019.02.013.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
15.
Kanitsar A, Fleischmann D, Wegenkittl R, et al CPR-curved planar reformation// Proceedings of the 13th IEEE Visualization.
Washington: IEEE.
2002:37–44.
[
Google Scholar
]
16.
Wikner J, Hanken H, Eulenburg C, et al Linear accuracy and reliability of volume data sets acquired by two CBCT-devices and an MSCT using virtual models: a comparative
in-vitro
study.
Acta Odontol Scand.
2016;
74
(1):51–59. doi: 10.3109/00016357.2015.1040064.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
17.
Amorim P H, Moraes T F, Silva J V, et al Reconstruction of panoramic dental images through bézier function optimization.
Front Bioeng Biotechnol.
2020;
8
:794. doi: 10.3389/fbioe.2020.00794.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
18.
Suzuki S, Ichikawa K, Tamaki S Image quality and clinical usefulness of ray-summation image reconstructed from CT data, compared with digital radio-graphy.
Nihon Hoshasen Gijutsu Gakkai Zasshi.
2017;
73
(5):372–381. doi: 10.6009/jjrt.2017_JSRT_73.5.372.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
19.
Westenberg M A, Roerdink J B T M X-ray volume rendering by hierarchical wavelet splatting// Proceedings of the 15th International Conference on Pattern Recognition (ICPR-2000)
Barcelona: IEEE.
2000:159–162.
[
Google Scholar
]
20.
Guo H A simple algorithm for fitting a gaussian function [DSP tips and tricks]
IEEE Signal Process Mag.
2011;
28
(5):134–137. doi: 10.1109/MSP.2011.941846.
[
CrossRef
]
[
Google Scholar
]
21.
Hall R W Fast parallel thinning algorithms: parallel speed and connectivity preservation.
Commun ACM.
1989;
32
(1):124–131. doi: 10.1145/63238.63248.
[
CrossRef
]
[
Google Scholar
]
22.
Wang P S P, Zhang Y Y A fast serial and parallel thinning algorithm.
Cybernetics and Systems’ 86. Dordrecht: Springer.
1986:909–915.
[
Google Scholar
]
23.
Zhang T Y, Suen C Y A fast parallel algorithm for thinning digital patterns.
Commun ACM.
1984;
27
(3):236–239. doi: 10.1145/357994.358023.
[
CrossRef
]
[
Google Scholar
]
24.
Amorim P H, de Moraes T F, da Silva J V, et al Automatic reconstruction of dental CT images using optimization// Proceedings of the 3rd International Conference on Biodental Engineering (BIODENTAL 2014)
Porto: Taylor & Francis Books Ltd.
2014:57–62.
[
Google Scholar
]
25.
Mittal A, Moorthy A K, Bovik A C No-reference image quality assessment in the spatial domain.
IEEE Trans Image Process.
2012;
21
(12):4695–4708. doi: 10.1109/TIP.2012.2214050.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
26.
Lee M S, Park C H, Kang M G Edge enhancement algorithm for low-dose X-ray fluoroscopic imaging.
Comput Methods Programs Biomed.
2017;
152
:45–52. doi: 10.1016/j.cmpb.2017.09.010.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
27.
Zhao C, Wang Z, Li H, et al A new approach for medical image enhancement based on luminance-level modulation and gradient modulation.
Biomed Signal Process Control.
2019;
48
:189–196. doi: 10.1016/j.bspc.2018.10.008.
[
CrossRef
]
[
Google Scholar
]
28.
Xiong L, Li H, Xu L An enhancement method for color retinal images based on image formation model.
Comput Methods Programs Biomed.
2017;
143
:137–150. doi: 10.1016/j.cmpb.2017.02.026.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
29.
Rahmi-Fajrin H, Puspita S, Riyadi S, et al Dental radiography image enhancement for treatment evaluation through digital image processing.
J Clin Exp Dent.
2018;
10
(7):e629.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
Articles from
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering
are provided here courtesy of
West China Hospital of Sichuan University
