每日推荐 | 计算力学中的深度学习、无网格方法和多尺度建模

文一： TSASNet:基于两阶段注意力分割网络的牙科全景X射线图像牙齿分割摘要：对于医生制定诊断和治疗计划来说，牙齿分割在牙科中起着至关重要的基础作用。在本文中，我们提出了一种基于牙齿全景X射线图像的两阶段注意力分割网络（TSAS-Net），以解决在牙齿边界和牙根分割任务中由于对比度低和强度分布不均匀而导致的问题。在第一阶段，我们首先采用嵌入全局和局部注意力模块的注意力模型来粗略定位牙齿区域。在没有任何交互式算子的情况下，如此构建的注意力模型可以自动聚合像素上下文信息并识别粗略的牙齿边界。为了更好地获得最终的边界信息，我们使用全卷积网络作为第二阶段，从第一阶段获得的注意力图中进一步分割真实的牙齿区域。TSASNet的有效性在包含1500张牙科全景X射线图像的基准数据集上得到了验证，我们提出的方法实现了96.94%的准确率、92.72%的骰 子和93.77%的召回率，显著优于当前最先进的方法。 图：本文提出的TSASNet管道包括两个阶段。第一阶段采用逐像素的上下文注意力网络来获得注意力图，第二阶段对注意力图进行分割以获得最终的分割结果。 图：注意力模块和分割网络的细节：（a）全局（橙色框）和局部（绿色框）注意力模块，变量C、H和W分别代表通道、图像高度和权重。（b） 分割网络的参数详细信息。 图：与最先进的图像分割方法的定性比较结果。原始图像和相应的地面实况显示在前两行中。行3至7示出了分别从U-Net、BiseNet、DenseASP、SegNet和所提出的方法导出的分割结果。红圈表示地面实况、SegNet和所提出的方法之间的细微区别。 图：注意力图可视化结果的比较：我们比较解码器1中的全局注意力模块，并比较解码器3和解码器5中的局部模块。我们的全局模块可以在解码器1中定位粗略的牙齿区域，解码器3和解码器5中的红圈表明了与局部注意力模块保持边界的优越性。文二： MSLPNet：用于牙科全景X射线图像分割的多尺度位置感知网络摘要：牙齿分割作为医学图像分割的关键技术之一，可以广泛应用于各种医学应用，如正畸治疗、尸体识别、牙齿训练系统、牙病诊断等。尽管对牙齿分割的研究很多，很少有牙齿分割研究关注于用模糊的牙根边界来增强牙齿分割，这是牙科中确定牙根吸收和牙支架的一项困难但重要的任务。现有的牙齿分割方法通常利用对比度增强来锐化牙齿的边界，而最终的分割结果在很大程度上取决于该方法的后续处理步骤。为了解决模糊边界的问题，本文提出了一种新的多尺度位置感知网络来从全景X射线图像中分割牙齿。该方法的核心来源于三个方面：（1）多尺度结构相似性损失从斑块级尺度进行边界清晰的准确预测；（2） 位置感知模块从全局尺度的角度对图像中的每个牙齿像素进行定位；（3） 聚合模块减少了多尺度特征分支之间的语义差距。我们提出的方法在包含1500张牙科全景X射线图像的数据集上进行了测试，我们的方法的Dice得分为93.01%，优于最先进的方法。此外，我们提出的方法具有更好的边界质量，用于边界质量评估的Pratt（1978）的优值达到76.56%。 图：一个牙套的例子。a原始图像，b预测掩模的边界（红线）和地面实况（黄线）叠加在原始全景X射线图像上 图：所提出方法的管道。从左到右分别是特征提取器、MSLP组和分辨率恢复路径。 图：聚合模块的详细信息。 图：不同方法的定性比较。每一行代表一种方法，其中每种方法预测四种牙齿情况下的口罩。测量预测掩码和地面实况之间的骰 子分数（%）和PFOM（%），并将其显示在每个样本的左上角。文三： 基于显式解剖关联模型的CBCT图像牙齿分割语义图注意摘要：牙齿CBCT图像中准确的牙齿识别和描绘在临床口腔诊断和治疗中至关重要。牙齿以特定的顺序位于牙槽骨中，相邻和双侧对称的牙齿具有相似的外观。然而，现有的牙齿分割方法忽略了这种特殊的解剖拓扑结构，这阻碍了分割的准确性。在这里，我们提出了一种基于语义图的方法来显式地对不同解剖目标（即牙齿）之间的空间关联进行建模，以便以粗略到精细的方式对其进行精确描绘。首先，为了有效地控制分割中的双侧对称混淆，我们使用轻量级网络将牙齿大致分离为四个象限。然后，设计一种语义图嵌入机制，以明确地对每个象限中牙齿的解剖拓扑结构进行建模，在此基础上，学习体素判别特征嵌入，以准确描绘牙齿边界。在临床牙科CBCT数据集上进行的大量实验表明，与其他最先进的方法相比，所提出的方法具有优越的性能。 图：CBCT图像自动分割牙齿的典型和具有挑战性的案例。红色箭头和绿色箭头分别显示了在相邻牙齿和对称牙齿上具有相似形状的CBCT图像。在这些情况下，传统的方法导致了牙齿边界的模糊描绘和对称牙齿的错误分类；相比之下，由于牙齿关联的显式建模，我们的方法获得了准确的识别和分割结果。 图：所提出方法的示意图。采用第一阶段的象限分割网络将所有牙齿划分为四个象限。第二阶段中的SGANet用于识别和描绘每个牙齿。第三阶段中的最终结果融合基于记录的索引（来自第一阶段）合并所有四个象限的结果，以在原始图像空间中重建分割。 图：本文提出的SGANet的架构。整个网络由三个主要部分组成。编码器-解码器模块用于提取牙齿特征并逐步恢复空间分辨率。基于图的注意力模块被设计为显式地对不同牙齿之间的空间关联进行建模，避免了由于形状相似而导致的相邻牙齿的错误分类。研究了全局上下文注意力模块，以增强体素分类的多尺度图像细节。 图：ISO齿编号系统中的齿类。牙齿均匀分布在四个象限中，每个象限包括八颗牙齿，不同的颜色表示不同的类别（最好用颜色观察）。邻接矩阵由牙齿编号系统构成，T1至T8表示牙齿类别，而B和S分别表示背景和素材类别。 图：与最先进的方法进行定性比较。第一行和第二行显示了具有挑战性的犬类（错位和倾斜生长）分割结果和相应的3D可视化结果。第三行和第四行显示了缺失中切牙时的分割结果。在竞争的方法中，缺失的牙齿类别被添加到其相邻的牙齿中（即，一颗牙齿被标记为2种颜色），并且我们的方法保持了准确的识别和分割结果。文四：基于注意力引导LSTM的复杂场景中跌倒事件的时空检测摘要：秋季活动是公共安全的最大风险之一，尤其是在一些人多的复杂场景中。然而，关于复杂场景下跌倒检测的研究很少，甚至没有公开的数据集。构建了一个拥挤复杂场景下的秋季事件数据集。针对复杂场景中的跌倒事件检测，我们进一步提出了一种注意力引导的LSTM模型。我们的方法提供了秋季事件的空间和时间位置，这是复杂公共场景中丹格警报不可或缺的信息。具体地，采用有效的YOLO v3来检测视频中的行人，然后是跟踪模块。为每个跟踪的边界框提取CNN特征。秋季事件由注意力引导的LSTM检测。实验结果表明，我们的方法取得了良好的性能，优于最先进的方法。 图：多台摄像机秋季数据集。 图：TST跌倒检测数据库第2版。 图：我们数据集中三种秋季事件的示例。 图：所提出方法的体系结构。 图：可视化跌倒检测结果的示例，每个原始表示检测到的所有事件的示例。文五： 基于锥束CT图像的全自动牙牙槽骨分割人工智能系统摘要：从牙锥束CT（CBCT）图像准确描绘单个牙齿和牙槽骨是数字牙科实现精确牙科保健的重要步骤。在本文中，我们提出了一个人工智能系统，用于对真实患者CBCT图像进行高效、精确和全自动的分割。我们的人工智能系统是在迄今为止最大的数据集上进行评估的，即使用来自15个不同中心的4215名患者（4938次CBCT扫描）的数据集。这种全自动人工智能系统实现了与经验丰富的放射学家相当的分割精度（例如，在平均骰 子相似系数方面提高了0.5%），同时显著提高了效率（即，快500倍）。此外，它在具有可变牙齿异常的挑战性病例中始终获得准确的结果，牙齿和牙槽骨分割的平均Dice评分分别为91.5%和93.0%。这些结果证明了它作为一个强大的系统来促进数字牙科临床工作流程的潜力。 图：多中心CBCT数据集中的数据信息和分割结果。 图：我们提出的用于从CBCT图像中分割单个牙齿和牙槽骨的人工智能系统概述。a系统的输入是3D CBCT扫描。b形态学引导网络设计用于分割单个牙齿。c级联网络用于提取牙槽骨。d模型的输出包括单个牙齿和牙槽骨的面具。 图：不同牙齿异常的 CBCT 扫描的分割性能，包括 Dice 和敏感性 图：典型的牙齿和骨骼分割结果来自具有牙齿异常的CBCT图像。具有金属伪影（a，b）、缺失牙齿（c，d）和错位问题（e，f）的图像，并且没有牙齿异常（g，h）。来源：STEM与计算机方法