CBCT图像分割入门指南：从数据预处理到模型训练全流程解析

1次阅读

共计 1983 个字符，预计需要花费 5 分钟才能阅读完成。

CBCT（锥形束计算机断层扫描）与常规 CT 相比有三个显著特征：

低对比度分辨率 ：因探测器灵敏度限制，软组织对比度差，牙齿与骨组织灰度重叠严重
金属伪影干扰 ：牙科植入物产生的射线硬化伪影会形成星状放射条纹
各向异性体素 ：Z 轴分辨率常为 XY 平面的 2 - 3 倍（典型值 0.2mm×0.2mm×0.5mm）

阈值分割：适用于高对比度区域（如金属种植体），但无法处理粘连结构
区域生长法：对种子点位置敏感，易受伪影影响产生渗漏
水平集方法：计算复杂度高（单张 512×512 图像需约 30s）

模型	参数量	适用场景	CBCT 适配性
U-Net	7.8M	小样本中等分辨率	★★★★☆
nnUNet	19.2M	自动参数优化	★★★☆☆
DeepLabV3+	15.4M	多器官分割	★★☆☆☆

推荐选择 ：基础版 U -Net（3 层下采样）在 1080Ti 显卡上可达到 8fps 推理速度，适合初期验证

import pydicom
import numpy as np

def load_dicom_hu(series_path):
    """读取 DICOM 序列并转换为 HU 值"""
    slices = [pydicom.dcmread(f) for f in series_path]
    slices.sort(key=lambda x: float(x.ImagePositionPatient[2]))

    # 获取扫描参数
    intercept = float(slices[0].RescaleIntercept)
    slope = float(slices[0].RescaleSlope)

    # 构建体数据
    volume = np.stack([s.pixel_array for s in slices])
    return slope * volume + intercept  # HU 转换

# 牙齿 ROI 提取（基于阈值先验）def extract_tooth_roi(hu_volume, threshold=1200):
    mask = hu_volume > threshold
    # 连通域分析去除小噪声
    from scipy.ndimage import label
    labeled, n_comp = label(mask)
    return labeled > 0  # 保留最大连通域

class CBCTDataset(torch.utils.data.Dataset):
    def __init__(self, image_paths, mask_paths, transform=None):
        self.transform = transform
        # 假设已预处理为.npy 格式
        self.images = [np.load(p) for p in image_paths]  
        self.masks = [np.load(p) for p in mask_paths]

    def __getitem__(self, idx):
        img = self.images[idx].astype(np.float32)
        mask = self.masks[idx].astype(np.float32)

        if self.transform:
            aug = self.transform(image=img, mask=mask)
            img, mask = aug['image'], aug['mask']

        return torch.FloatTensor(img).unsqueeze(0), torch.FloatTensor(mask)

albumentations.Compose([A.RandomRotate90(p=0.5),
    A.ElasticTransform(alpha=120, sigma=6, 
                      alpha_affine=3, p=0.3),
    A.RandomBrightnessContrast(p=0.2),
    # 模拟金属伪影
    A.GridDistortion(num_steps=5, 
                    distort_limit=0.3, p=0.1)  
])