在全景圖像的自動重建過程中，牙弓曲線擬合效果會影響全景圖像內容的完整性，患者口腔中的金屬植入物通常會導致全景圖像對比度降低，影響醫生的診斷。本文提出了一種自動口腔全景圖像重建方法。通過計算關鍵圖像區域和圖像提取融合算法，可以在少量的圖像上自動檢測和調整牙弓曲線，并調整牙齒、骨組織和金屬植入物在圖像上的強度分布，減少金屬對其他組織的影響，生成高質量的全景圖像。本方法在50例錐形束計算機斷層掃描（CBCT）數據上進行測試，均能取得較好的結果，可以有效提高全景圖像的質量。
引用本文： 張建國, 姜逸川, 高飛, 趙晟, 宋亮. 基于口腔錐形束計算機斷層掃描的全景圖像重建研究. 生物醫學工程學雜志, 2022, 39(5): 870-875, 886. doi: 10.7507/1001-5515.202203030 復制
引言
在現代口腔醫學領域中，錐形束計算機斷層掃描（cone beam computed tomography，CBCT）是一種廣泛運用于輔助診斷、虛擬仿真和治療規劃的成像技術[1-3]，尤其在口腔種植體手術中有許多臨床應用[4-9]。全景圖像重建通過投射一定范圍內的CBCT數據，在一幅圖像上同時顯示上頜、下頜、牙列等組織信息，可以為口腔科醫生提供直觀的口腔和頜面組織影像[10]。
相關研究提出了多種全景圖像的生成方法。Sa-Ing等[11]介紹了一種基于閾值和圖像形態學算法的牙弓檢測算法。通過選擇原始CBCT中某一切片進行采樣來簡化牙弓計算。檢測出牙弓后，將一系列彎曲多平面重建（multi-planar reconstruction，MPR）圖像集生成一幅Ray-summation全景圖像。Luo等[12]介紹了一種基于三維全景曲面合成全景圖像的方法。首先通過軸向最大強度投影（maximum intensity projection，MIP）生成牙弓線，通過上下牙長軸形狀創建長軸曲線，根據兩個曲線提取出一個三維全景曲面來描述整個齒列，然后展開三維曲面得到全景圖像。這個方法生成的全景圖像厚度很薄，可以得到更準確的圖像和易于識別的解剖結構。Yun等[13]介紹了一種牙弓曲線的自動提取方法。首先生成CBCT的冠狀MIP圖像，再使用正態曲線擬合最大峰值，確定軸向MIP切片的范圍從而完成牙弓線和牙弓厚度區域的檢測，然后在牙弓厚度范圍中生成彎曲MPR圖像集切片，最后通過合成增強算法生成全景圖像。目前生成全景圖像的方法一般是找到牙弓區域，生成牙弓曲線和牙弓厚度[14]，通過曲面重建（curved planar reformation，CPR）[15]，生成相應的彎曲MPR圖像[16-17]，最后用Ray-summation和X-ray[18-19]算法生成全景圖像。上述方法都可以自動處理CBCT數據生成全景圖像，但是沒有消除金屬種植體對全景圖像對比度的干擾。
因此，為克服上述不足，本文提出了一種減少種植體干擾的自動全景圖像重建方法，可以快速生成高對比度的口腔全景圖像。首先，基于不同范圍切片軸向MIP圖像來檢測和調整牙弓曲線。然后，使用增強圖像提取算法提取關鍵區域并調整金屬植入物的強度分布。最后，使用增強圖像融合算法改善圖像細節并獲得最終的全景圖像。
1 口腔全景圖像重建方法
如圖1所示，該算法的重建流程分為三部分：第一步是基于冠狀MIP得到不同切片范圍的軸向MIP；第二步是基于下頜和無牙冠的軸向MIP檢測牙弓曲線；第三步是基于牙弓曲線對應的彎曲MPR圖像集，利用增強圖像提取和融合算法得到最終的全景圖像。
圖1
重建算法步驟示意圖
Figure1.
Schematic diagram of the reconstruction algorithm
1.1 不同切片范圍的軸向MIP
在生成軸向MIP時，若使用全部切片數據則會在軸向MIP上疊加過多非必要的骨組織（見圖2a），使牙弓檢測變得復雜。所以本文選擇合適且有效的切片范圍決定牙弓曲線的精度。通過自動檢測牙齒咬合處和牙齒與牙槽骨交匯處的切片值，生成相應的軸向MIP以減少其他非必要組織的影響。咬合處和交匯處所生成的軸向MIP圖像如圖2b～c所示。
圖2
不同范圍切片生成的軸向MIP圖像
a. 軸向MIP；b. 咬合處的軸向MIP；c. 交匯處的軸向MIP
Figure2. The axial MIP images generated from slices of different rangesa. axial MIP; b. axial MIP of the mandible with crown; c. axial MIP of the mandible
本文通過以下三個步驟實現切片位置的自動檢測。首先，使用高斯平滑處理Hu值強度直方圖曲線 p，去除局部的劇烈波動。然后，通過計算曲線的一階導數和二階導數，確定峰值和波峰數n。最后，擬合高斯多峰函數[20]得到最終曲線 
，從而獲得牙齒、皮質骨和軟組織的強度值和分布范圍。其中N個波峰的高斯多峰函數公式和導數條件如下：
 |
 |
式中：
為各波峰所對應的增益，
為各個峰對應的平均值，
為各個峰對應的標準偏差。
由于患者在拍攝時上下頜為咬合狀態，對冠狀MIP進行閾值過濾后，可以得到牙齒的掩膜圖像。然后，掩膜圖像經過水平方向投影后得到牙齒的分布情況。通過上述方法擬合高斯曲線來確定波峰和波谷，即牙齒咬合處、牙齒與上下牙槽骨的交匯處的切片值。最后，利用上述咬合處和交匯處的切片生成軸向MIP。
1.2 獲取牙弓曲線
基于下頜和無牙冠的軸向MIP計算相應牙弓曲線的過程，如圖3所示。首先，將皮質骨強度作為閾值過濾軸向MIP得到下頜的掩膜圖像。在掩膜圖像中提取最大面積輪廓（見圖3a），并使用膨脹腐蝕法進行處理，去除輪廓空洞和毛刺（見圖3b）。然后，本文在使用細化算法對輪廓進行處理[21-23]的基礎上，加入了8領域的分叉端點模板比對骨架線，記錄骨架中的分叉和端點結構，方便進行分支統計和去叉處理（見圖3c）。最后，為了減少計算量，本文在骨架線上以相等的間隔選擇13個插入點[24]（見圖3d），生成非均勻三次B樣條曲線來擬合牙弓。另一方面，針對不同類型的牙齒和齒根在空間中的傾斜程度不同，本文提出了通過對比下頜和去牙冠的軸向MIP所生成的骨架線，計算牙弓線進行等距離變換的參數，得到多條牙弓線（見圖3e）。通過此方法找到關鍵的彎曲MPR，可以更加詳細地顯示口腔內部情況，也不會增加過多的計算量。
圖3
輪廓圖像的處理與牙弓曲線提取和變換過程
a. 輪廓圖像；b. 處理后輪廓；c. 骨架線；d. 三次樣條曲線擬合；e. 等距變換后牙弓曲線
Figure3. The processing of contour images and the extraction and transformation of dental arch curvesa. contour image; b. contour image after expansion and corrosion; c. skeleton line; d. cubic spline fitting; e. the dental arch curve after equidistant transformation
1.3 圖像增強和融合算法
在彎曲MPR圖像生成過程中，需要對牙弓曲線進行等距變換來保證曲線的一致性，以便進行圖像融合。針對全景圖像中不同組織區域強度的分布不均問題和金屬種植體在成像時對其他組織的強度壓縮問題，本文通過提取多個彎曲MPR中不同強度分布的感興趣區域，并擴增其強度的分布，得到增強圖像
，從而減少金屬種植體的影響并抑制非感興趣組織和區域。最后，圖像的對比度還可以通過前、后景方面來調整，在融合過程中將原始的全景圖像作為后景，通過高斯模糊處理后與增強圖像融合，加強感興趣區域與其他區域在空間上的對比效果，以增加最終全景圖像
的對比度。計算公式如下所示:
 |
 |
 |
 |
其中，α表示種植體的強度調整系數，β表示感興趣區域的強度調整系數，A、B和C分別表示從冠狀MIP直方圖中得到的牙齒、軟組織和種植體的強度值。N為彎曲MPR的圖像個數。
為彎曲MPR圖像集中第n幅圖像的第i行j列值。γ是用于控制前景的權重系數，γ = 0.85。G表示高斯濾波函數。
2 實驗數據、結果與分析
2.1 實驗數據與實驗環境
為驗證所提出方法的有效性，本文收集了來自復旦大學附屬上海市第五人民醫院的50例臨床口腔CBCT數據，CBCT數據由Newtom VGi和Planmeca ProMax 3D Max口腔掃描儀獲取。其中單層CBCT切片的大小為776*776，像素大小為0.2 mm*0.2 mm，切片之間的距離為0.2 mm。所有的數據均為匿名收集。
本文實驗所使用的計算機配置為Intel Xeon E-2136 CPU@3.30 GHz處理器。使用計算機的語言為Python 3.7。在CBCT數據讀取后開始記錄重建時間，每例數據重建成全景圖像的平均計算時間為2.9 s。
2.2 全景圖像的客觀質量評價
本文在對比實驗中，選擇了目前常見的口腔CBCT數據后處理軟件eXam Vision與本文所提出的重建方法進行質量評價。重建時使用相同的牙弓曲線以保證圖像內容的一致性。對于口腔全景圖像中的像素特征而言，全景圖像像素首先需要較好的亮度表現才可以清晰地顯示各個組織區域的情況，其次全景圖像上普遍包含多種組織結構，所以圖像中的像素分布越離散越能更好地展示各個組織結構，同時圖像的細節與紋理的變化一定程度上可以反映圖像的清晰度。本文在評估全景圖像像素特征時，圖像的亮度、像素離散程度和細節與紋理的變化分別由如下公式計算：
 |
 |
 |
其中，H和W分別表示圖像P的高和寬，
表示圖像的均值，
和 
分別表示像素 
在水平x和垂直y方向的一階差分。
在全景圖像內部場景特征方面，本文使用BRISQUE圖像質量評價方法[25]來評估圖像的多尺度特征并進行分數預測。通過多方面的評價方法來綜合評估兩種方法所重建的全景圖像質量。最后，將兩種方法的評價數值進行歸一化后計算平均值，得到相應的分數，并統計各分數的平均值作為總分。全景圖像的客觀評估結果如圖4所示，圖中顯示了兩種方法所得到的亮度分數、離散程度分數、清晰度分數、BRISQUE評估分數和總分。結果顯示本文方法在清晰度上有少量損失之外，在另外三個評價標準上均優于軟件方法。
圖4
客觀評價分數結果
Figure4.
Objective evaluation score results
2.3 不同植入體的圖像重建效果
為了對比軟件與本文方法的重建效果，本文使用了包含金屬種植物的CBCT數據，在相同牙弓曲線上重建得到兩種方法的全景圖像如圖5所示。這些CBCT數據包含了牙冠修復、種植體、填充治療以及多種病例混合等常見的口腔種植治療類型，并且金屬種植物的位置基本包括了所有的常見治療區域。在全景圖像中，牙齒區域和接受治療區域都具有較為均勻的亮度表現。為了更好地展示金屬種植物周圍的情況，圖6分別展示了軟件和本文兩種方法所重建的全景圖像中種植物周圍的局部結構放大圖，其中顯示的內容為圖5中紅色框內區域。圖5a～c展示了不同位置信息的種植體治療全景圖像，可以發現本方法重建圖像在保留上下頜種植體的方向和深度信息的基礎上，對于種植體附近的牙齒和骨組織均保持了足夠的亮度和對比度（見圖6a～d），可以清楚地區分治療區域與周圍組織，并且可以在圖像中看到不同的層。另一方面，圖5c～d也展示了從尖牙到磨牙位置的牙冠修復圖像。在牙冠修復的高亮度下，本文方法所重建的全景圖像仍保持治療區域、牙齒區域和周圍組織之間的對比度均衡，不需要用戶調整窗口寬度和窗口水平以觀察口腔組織信息。因此，本文方法有效地減少了口腔金屬種植物對圖像的影響，使得牙齒區域和治療區域都有更好的亮度和對比度表現。
圖5
實驗結果
a. 磨牙區種植體；b. 尖牙區種植體；c. 尖牙區種植體和牙冠修復；d. 磨牙區牙冠修復
Figure5. Experiment resulta. implants in the molar area; b. implants in the cusp area; c. dental implant and crown restoration in the cusp area; d. dental crown restoration in molar area
圖6
局部結構放大圖（圖5中紅色框內區域）
a. 磨牙區種植體；b. 尖牙區種植體；c. 尖牙區種植體和牙冠修復；d. 磨牙區牙冠修復
Figure6. Enlarged view of local structure (The area inside the red box in Fig.5)a. implants in the molar area; b. implants in the cusp area; c. dental implant and crown restoration in the cusp area; d. dental crown restoration in molar area
2.4 結果分析
從口腔CBCT數據中自動生成全景圖像是醫療圖像后處理的一個重要功能。在全景圖像重建過程中，彎曲MPR圖像增加得越多可以加入更多的感興趣信息，但同時也會加入其他非必要的內容而影響全景圖片中感興趣區域的對比度和圖像質量，并且加入更多的數據也會影響全景圖像的生成速度。本文針對此問題，首先通過找到牙弓厚度中對牙根和種植體影響比較關鍵的幾幅圖進行重建，并提出一種MPR圖像的感興趣區域信息提取方法，以及構造新的傳遞函數和系數，最后通過較少的數據合成來驗證該方案的實用性。后續的使用可根據場景和具體需要來增加合成圖像數量和調整參數達到理想效果，這也是最終生成全景圖像的關鍵。另一方面，新的增強和融合方法主要目標是減少金屬種植體對整體圖像的影響。當患者口腔中存在如種植體這類的金屬植入物，會對其他組織在強度上產生較大的壓縮，導致最終的全景圖像整體變暗。這是因為金屬物的X射線吸收程度較高，使得金屬物的強度值較高，并且有較寬的分布范圍。這樣在重建圖像時，其他的組織處于低亮度區域，導致強度直方圖分布不均勻。所以本方案基于強度和直方圖的角度，將口腔中的牙齒和骨骼進行增強，調整其分布情況，以改善映射到最終圖像時的效果。近些年有相關研究通過濾波和相關算法對醫學圖像進行增強和改善[26-29]，后續研究可以在全景圖像合成過程中，針對不同的組織或感興趣區域添加、改變傳遞函數中的系數，或是構造新的傳遞函數，來增強其中的感興趣區域，從而有效提高全景圖像的質量。
3 結論
本文提出了一種基于口腔CBCT的全景圖像自動重建方法。該方法首先計算CBCT中各個組織結構的強度值，并生成不同切片范圍的軸向MIP。然后根據MIP圖像和強度值，通過細化算法和等距變換擬合多條牙弓曲線。最后，基于牙弓曲線生成的彎曲MPR圖像集進行圖像增強和融合，得到最終的全景圖像。經過實驗驗證，該方法可以有效改善含有金屬種植體數據重建的全景圖像，提高全景圖像的質量。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：張建國和姜逸川負責方法設計、算法設計及論文撰寫，高飛和趙晟負責資料收集和數據整理，宋亮負責實驗評估及論文審校。
倫理聲明：本研究通過了復旦大學附屬上海市第五人民醫院醫學倫理委員會的審批［批件號：（2019）倫審第（065）號］。
引言
在現代口腔醫學領域中，錐形束計算機斷層掃描（cone beam computed tomography，CBCT）是一種廣泛運用于輔助診斷、虛擬仿真和治療規劃的成像技術[1-3]，尤其在口腔種植體手術中有許多臨床應用[4-9]。全景圖像重建通過投射一定范圍內的CBCT數據，在一幅圖像上同時顯示上頜、下頜、牙列等組織信息，可以為口腔科醫生提供直觀的口腔和頜面組織影像[10]。
相關研究提出了多種全景圖像的生成方法。Sa-Ing等[11]介紹了一種基于閾值和圖像形態學算法的牙弓檢測算法。通過選擇原始CBCT中某一切片進行采樣來簡化牙弓計算。檢測出牙弓后，將一系列彎曲多平面重建（multi-planar reconstruction，MPR）圖像集生成一幅Ray-summation全景圖像。Luo等[12]介紹了一種基于三維全景曲面合成全景圖像的方法。首先通過軸向最大強度投影（maximum intensity projection，MIP）生成牙弓線，通過上下牙長軸形狀創建長軸曲線，根據兩個曲線提取出一個三維全景曲面來描述整個齒列，然后展開三維曲面得到全景圖像。這個方法生成的全景圖像厚度很薄，可以得到更準確的圖像和易于識別的解剖結構。Yun等[13]介紹了一種牙弓曲線的自動提取方法。首先生成CBCT的冠狀MIP圖像，再使用正態曲線擬合最大峰值，確定軸向MIP切片的范圍從而完成牙弓線和牙弓厚度區域的檢測，然后在牙弓厚度范圍中生成彎曲MPR圖像集切片，最后通過合成增強算法生成全景圖像。目前生成全景圖像的方法一般是找到牙弓區域，生成牙弓曲線和牙弓厚度[14]，通過曲面重建（curved planar reformation，CPR）[15]，生成相應的彎曲MPR圖像[16-17]，最后用Ray-summation和X-ray[18-19]算法生成全景圖像。上述方法都可以自動處理CBCT數據生成全景圖像，但是沒有消除金屬種植體對全景圖像對比度的干擾。
因此，為克服上述不足，本文提出了一種減少種植體干擾的自動全景圖像重建方法，可以快速生成高對比度的口腔全景圖像。首先，基于不同范圍切片軸向MIP圖像來檢測和調整牙弓曲線。然后，使用增強圖像提取算法提取關鍵區域并調整金屬植入物的強度分布。最后，使用增強圖像融合算法改善圖像細節并獲得最終的全景圖像。
1 口腔全景圖像重建方法
如圖1所示，該算法的重建流程分為三部分：第一步是基于冠狀MIP得到不同切片范圍的軸向MIP；第二步是基于下頜和無牙冠的軸向MIP檢測牙弓曲線；第三步是基于牙弓曲線對應的彎曲MPR圖像集，利用增強圖像提取和融合算法得到最終的全景圖像。
圖1
重建算法步驟示意圖
Figure1.
Schematic diagram of the reconstruction algorithm
1.1 不同切片范圍的軸向MIP
在生成軸向MIP時，若使用全部切片數據則會在軸向MIP上疊加過多非必要的骨組織（見圖2a），使牙弓檢測變得復雜。所以本文選擇合適且有效的切片范圍決定牙弓曲線的精度。通過自動檢測牙齒咬合處和牙齒與牙槽骨交匯處的切片值，生成相應的軸向MIP以減少其他非必要組織的影響。咬合處和交匯處所生成的軸向MIP圖像如圖2b～c所示。
圖2
不同范圍切片生成的軸向MIP圖像
a. 軸向MIP；b. 咬合處的軸向MIP；c. 交匯處的軸向MIP
Figure2. The axial MIP images generated from slices of different rangesa. axial MIP; b. axial MIP of the mandible with crown; c. axial MIP of the mandible
本文通過以下三個步驟實現切片位置的自動檢測。首先，使用高斯平滑處理Hu值強度直方圖曲線 p，去除局部的劇烈波動。然后，通過計算曲線的一階導數和二階導數，確定峰值和波峰數n。最后，擬合高斯多峰函數[20]得到最終曲線 ，從而獲得牙齒、皮質骨和軟組織的強度值和分布范圍。其中N個波峰的高斯多峰函數公式和導數條件如下：
|
|
式中： 為各波峰所對應的增益， 為各個峰對應的平均值， 為各個峰對應的標準偏差。
由于患者在拍攝時上下頜為咬合狀態，對冠狀MIP進行閾值過濾后，可以得到牙齒的掩膜圖像。然后，掩膜圖像經過水平方向投影后得到牙齒的分布情況。通過上述方法擬合高斯曲線來確定波峰和波谷，即牙齒咬合處、牙齒與上下牙槽骨的交匯處的切片值。最后，利用上述咬合處和交匯處的切片生成軸向MIP。
1.2 獲取牙弓曲線
基于下頜和無牙冠的軸向MIP計算相應牙弓曲線的過程，如圖3所示。首先，將皮質骨強度作為閾值過濾軸向MIP得到下頜的掩膜圖像。在掩膜圖像中提取最大面積輪廓（見圖3a），并使用膨脹腐蝕法進行處理，去除輪廓空洞和毛刺（見圖3b）。然后，本文在使用細化算法對輪廓進行處理[21-23]的基礎上，加入了8領域的分叉端點模板比對骨架線，記錄骨架中的分叉和端點結構，方便進行分支統計和去叉處理（見圖3c）。最后，為了減少計算量，本文在骨架線上以相等的間隔選擇13個插入點[24]（見圖3d），生成非均勻三次B樣條曲線來擬合牙弓。另一方面，針對不同類型的牙齒和齒根在空間中的傾斜程度不同，本文提出了通過對比下頜和去牙冠的軸向MIP所生成的骨架線，計算牙弓線進行等距離變換的參數，得到多條牙弓線（見圖3e）。通過此方法找到關鍵的彎曲MPR，可以更加詳細地顯示口腔內部情況，也不會增加過多的計算量。
圖3
輪廓圖像的處理與牙弓曲線提取和變換過程
a. 輪廓圖像；b. 處理后輪廓；c. 骨架線；d. 三次樣條曲線擬合；e. 等距變換后牙弓曲線
Figure3. The processing of contour images and the extraction and transformation of dental arch curvesa. contour image; b. contour image after expansion and corrosion; c. skeleton line; d. cubic spline fitting; e. the dental arch curve after equidistant transformation
1.3 圖像增強和融合算法
在彎曲MPR圖像生成過程中，需要對牙弓曲線進行等距變換來保證曲線的一致性，以便進行圖像融合。針對全景圖像中不同組織區域強度的分布不均問題和金屬種植體在成像時對其他組織的強度壓縮問題，本文通過提取多個彎曲MPR中不同強度分布的感興趣區域，并擴增其強度的分布，得到增強圖像，從而減少金屬種植體的影響并抑制非感興趣組織和區域。最后，圖像的對比度還可以通過前、后景方面來調整，在融合過程中將原始的全景圖像作為后景，通過高斯模糊處理后與增強圖像融合，加強感興趣區域與其他區域在空間上的對比效果，以增加最終全景圖像的對比度。計算公式如下所示:
|
|
|
|
其中，α表示種植體的強度調整系數，β表示感興趣區域的強度調整系數，A、B和C分別表示從冠狀MIP直方圖中得到的牙齒、軟組織和種植體的強度值。N為彎曲MPR的圖像個數。為彎曲MPR圖像集中第n幅圖像的第i行j列值。γ是用于控制前景的權重系數，γ = 0.85。G表示高斯濾波函數。
2 實驗數據、結果與分析
2.1 實驗數據與實驗環境
為驗證所提出方法的有效性，本文收集了來自復旦大學附屬上海市第五人民醫院的50例臨床口腔CBCT數據，CBCT數據由Newtom VGi和Planmeca ProMax 3D Max口腔掃描儀獲取。其中單層CBCT切片的大小為776*776，像素大小為0.2 mm*0.2 mm，切片之間的距離為0.2 mm。所有的數據均為匿名收集。
本文實驗所使用的計算機配置為Intel Xeon E-2136 CPU@3.30 GHz處理器。使用計算機的語言為Python 3.7。在CBCT數據讀取后開始記錄重建時間，每例數據重建成全景圖像的平均計算時間為2.9 s。
2.2 全景圖像的客觀質量評價
本文在對比實驗中，選擇了目前常見的口腔CBCT數據后處理軟件eXam Vision與本文所提出的重建方法進行質量評價。重建時使用相同的牙弓曲線以保證圖像內容的一致性。對于口腔全景圖像中的像素特征而言，全景圖像像素首先需要較好的亮度表現才可以清晰地顯示各個組織區域的情況，其次全景圖像上普遍包含多種組織結構，所以圖像中的像素分布越離散越能更好地展示各個組織結構，同時圖像的細節與紋理的變化一定程度上可以反映圖像的清晰度。本文在評估全景圖像像素特征時，圖像的亮度、像素離散程度和細節與紋理的變化分別由如下公式計算：
|
|
|
其中，H和W分別表示圖像P的高和寬， 表示圖像的均值， 和 分別表示像素 在水平x和垂直y方向的一階差分。
在全景圖像內部場景特征方面，本文使用BRISQUE圖像質量評價方法[25]來評估圖像的多尺度特征并進行分數預測。通過多方面的評價方法來綜合評估兩種方法所重建的全景圖像質量。最后，將兩種方法的評價數值進行歸一化后計算平均值，得到相應的分數，并統計各分數的平均值作為總分。全景圖像的客觀評估結果如圖4所示，圖中顯示了兩種方法所得到的亮度分數、離散程度分數、清晰度分數、BRISQUE評估分數和總分。結果顯示本文方法在清晰度上有少量損失之外，在另外三個評價標準上均優于軟件方法。
圖4
客觀評價分數結果
Figure4.
Objective evaluation score results
2.3 不同植入體的圖像重建效果
為了對比軟件與本文方法的重建效果，本文使用了包含金屬種植物的CBCT數據，在相同牙弓曲線上重建得到兩種方法的全景圖像如圖5所示。這些CBCT數據包含了牙冠修復、種植體、填充治療以及多種病例混合等常見的口腔種植治療類型，并且金屬種植物的位置基本包括了所有的常見治療區域。在全景圖像中，牙齒區域和接受治療區域都具有較為均勻的亮度表現。為了更好地展示金屬種植物周圍的情況，圖6分別展示了軟件和本文兩種方法所重建的全景圖像中種植物周圍的局部結構放大圖，其中顯示的內容為圖5中紅色框內區域。圖5a～c展示了不同位置信息的種植體治療全景圖像，可以發現本方法重建圖像在保留上下頜種植體的方向和深度信息的基礎上，對于種植體附近的牙齒和骨組織均保持了足夠的亮度和對比度（見圖6a～d），可以清楚地區分治療區域與周圍組織，并且可以在圖像中看到不同的層。另一方面，圖5c～d也展示了從尖牙到磨牙位置的牙冠修復圖像。在牙冠修復的高亮度下，本文方法所重建的全景圖像仍保持治療區域、牙齒區域和周圍組織之間的對比度均衡，不需要用戶調整窗口寬度和窗口水平以觀察口腔組織信息。因此，本文方法有效地減少了口腔金屬種植物對圖像的影響，使得牙齒區域和治療區域都有更好的亮度和對比度表現。
圖5
實驗結果
a. 磨牙區種植體；b. 尖牙區種植體；c. 尖牙區種植體和牙冠修復；d. 磨牙區牙冠修復
Figure5. Experiment resulta. implants in the molar area; b. implants in the cusp area; c. dental implant and crown restoration in the cusp area; d. dental crown restoration in molar area
圖6
局部結構放大圖（圖5中紅色框內區域）
a. 磨牙區種植體；b. 尖牙區種植體；c. 尖牙區種植體和牙冠修復；d. 磨牙區牙冠修復
Figure6. Enlarged view of local structure (The area inside the red box in Fig.5)a. implants in the molar area; b. implants in the cusp area; c. dental implant and crown restoration in the cusp area; d. dental crown restoration in molar area
2.4 結果分析
從口腔CBCT數據中自動生成全景圖像是醫療圖像后處理的一個重要功能。在全景圖像重建過程中，彎曲MPR圖像增加得越多可以加入更多的感興趣信息，但同時也會加入其他非必要的內容而影響全景圖片中感興趣區域的對比度和圖像質量，并且加入更多的數據也會影響全景圖像的生成速度。本文針對此問題，首先通過找到牙弓厚度中對牙根和種植體影響比較關鍵的幾幅圖進行重建，并提出一種MPR圖像的感興趣區域信息提取方法，以及構造新的傳遞函數和系數，最后通過較少的數據合成來驗證該方案的實用性。后續的使用可根據場景和具體需要來增加合成圖像數量和調整參數達到理想效果，這也是最終生成全景圖像的關鍵。另一方面，新的增強和融合方法主要目標是減少金屬種植體對整體圖像的影響。當患者口腔中存在如種植體這類的金屬植入物，會對其他組織在強度上產生較大的壓縮，導致最終的全景圖像整體變暗。這是因為金屬物的X射線吸收程度較高，使得金屬物的強度值較高，并且有較寬的分布范圍。這樣在重建圖像時，其他的組織處于低亮度區域，導致強度直方圖分布不均勻。所以本方案基于強度和直方圖的角度，將口腔中的牙齒和骨骼進行增強，調整其分布情況，以改善映射到最終圖像時的效果。近些年有相關研究通過濾波和相關算法對醫學圖像進行增強和改善[26-29]，后續研究可以在全景圖像合成過程中，針對不同的組織或感興趣區域添加、改變傳遞函數中的系數，或是構造新的傳遞函數，來增強其中的感興趣區域，從而有效提高全景圖像的質量。
3 結論
本文提出了一種基于口腔CBCT的全景圖像自動重建方法。該方法首先計算CBCT中各個組織結構的強度值，并生成不同切片范圍的軸向MIP。然后根據MIP圖像和強度值，通過細化算法和等距變換擬合多條牙弓曲線。最后，基于牙弓曲線生成的彎曲MPR圖像集進行圖像增強和融合，得到最終的全景圖像。經過實驗驗證，該方法可以有效改善含有金屬種植體數據重建的全景圖像，提高全景圖像的質量。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：張建國和姜逸川負責方法設計、算法設計及論文撰寫，高飛和趙晟負責資料收集和數據整理，宋亮負責實驗評估及論文審校。
倫理聲明：本研究通過了復旦大學附屬上海市第五人民醫院醫學倫理委員會的審批［批件號：（2019）倫審第（065）號］。
