在全景图像的自动重建过程中，牙弓曲线拟合效果会影响全景图像内容的完整性，患者口腔中的金属植入物通常会导致全景图像对比度降低，影响医生的诊断。本文提出了一种自动口腔全景图像重建方法。通过计算关键图像区域和图像提取融合算法，可以在少量的图像上自动检测和调整牙弓曲线，并调整牙齿、骨组织和金属植入物在图像上的强度分布，减少金属对其他组织的影响，生成高质量的全景图像。本方法在50例锥形束计算机断层扫描（CBCT）数据上进行测试，均能取得较好的结果，可以有效提高全景图像的质量。
引用本文： 张建国, 姜逸川, 高飞, 赵晟, 宋亮. 基于口腔锥形束计算机断层扫描的全景图像重建研究. 生物医学工程学杂志, 2022, 39(5): 870-875, 886. doi: 10.7507/1001-5515.202203030 复制
引言
在现代口腔医学领域中，锥形束计算机断层扫描（cone beam computed tomography，CBCT）是一种广泛运用于辅助诊断、虚拟仿真和治疗规划的成像技术[1-3]，尤其在口腔种植体手术中有许多临床应用[4-9]。全景图像重建通过投射一定范围内的CBCT数据，在一幅图像上同时显示上颌、下颌、牙列等组织信息，可以为口腔科医生提供直观的口腔和颌面组织影像[10]。
相关研究提出了多种全景图像的生成方法。Sa-Ing等[11]介绍了一种基于阈值和图像形态学算法的牙弓检测算法。通过选择原始CBCT中某一切片进行采样来简化牙弓计算。检测出牙弓后，将一系列弯曲多平面重建（multi-planar reconstruction，MPR）图像集生成一幅Ray-summation全景图像。Luo等[12]介绍了一种基于三维全景曲面合成全景图像的方法。首先通过轴向最大强度投影（maximum intensity projection，MIP）生成牙弓线，通过上下牙长轴形状创建长轴曲线，根据两个曲线提取出一个三维全景曲面来描述整个齿列，然后展开三维曲面得到全景图像。这个方法生成的全景图像厚度很薄，可以得到更准确的图像和易于识别的解剖结构。Yun等[13]介绍了一种牙弓曲线的自动提取方法。首先生成CBCT的冠状MIP图像，再使用正态曲线拟合最大峰值，确定轴向MIP切片的范围从而完成牙弓线和牙弓厚度区域的检测，然后在牙弓厚度范围中生成弯曲MPR图像集切片，最后通过合成增强算法生成全景图像。目前生成全景图像的方法一般是找到牙弓区域，生成牙弓曲线和牙弓厚度[14]，通过曲面重建（curved planar reformation，CPR）[15]，生成相应的弯曲MPR图像[16-17]，最后用Ray-summation和X-ray[18-19]算法生成全景图像。上述方法都可以自动处理CBCT数据生成全景图像，但是没有消除金属种植体对全景图像对比度的干扰。
因此，为克服上述不足，本文提出了一种减少种植体干扰的自动全景图像重建方法，可以快速生成高对比度的口腔全景图像。首先，基于不同范围切片轴向MIP图像来检测和调整牙弓曲线。然后，使用增强图像提取算法提取关键区域并调整金属植入物的强度分布。最后，使用增强图像融合算法改善图像细节并获得最终的全景图像。
1 口腔全景图像重建方法
如图1所示，该算法的重建流程分为三部分：第一步是基于冠状MIP得到不同切片范围的轴向MIP；第二步是基于下颌和无牙冠的轴向MIP检测牙弓曲线；第三步是基于牙弓曲线对应的弯曲MPR图像集，利用增强图像提取和融合算法得到最终的全景图像。
图1
重建算法步骤示意图
Figure1.
Schematic diagram of the reconstruction algorithm
1.1 不同切片范围的轴向MIP
在生成轴向MIP时，若使用全部切片数据则会在轴向MIP上叠加过多非必要的骨组织（见图2a），使牙弓检测变得复杂。所以本文选择合适且有效的切片范围决定牙弓曲线的精度。通过自动检测牙齿咬合处和牙齿与牙槽骨交汇处的切片值，生成相应的轴向MIP以减少其他非必要组织的影响。咬合处和交汇处所生成的轴向MIP图像如图2b～c所示。
图2
不同范围切片生成的轴向MIP图像
a. 轴向MIP；b. 咬合处的轴向MIP；c. 交汇处的轴向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
本文通过以下三个步骤实现切片位置的自动检测。首先，使用高斯平滑处理Hu值强度直方图曲线 p，去除局部的剧烈波动。然后，通过计算曲线的一阶导数和二阶导数，确定峰值和波峰数n。最后，拟合高斯多峰函数[20]得到最终曲线 
，从而获得牙齿、皮质骨和软组织的强度值和分布范围。其中N个波峰的高斯多峰函数公式和导数条件如下：
 |
 |
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，如图3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（见图3a），并使用膨胀腐蚀法进行处理，去除轮廓空洞和毛刺（见图3b）。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（见图3c）。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]（见图3d），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（见图3e）。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。
图3
轮廓图像的处理与牙弓曲线提取和变换过程
a. 轮廓图像；b. 处理后轮廓；c. 骨架线；d. 三次样条曲线拟合；e. 等距变换后牙弓曲线
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 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图4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。
图4
客观评价分数结果
Figure4.
Objective evaluation score results
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图5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，图6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，其中显示的内容为图5中红色框内区域。图5a～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（见图6a～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，图5c～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。
图5
实验结果
a. 磨牙区种植体；b. 尖牙区种植体；c. 尖牙区种植体和牙冠修复；d. 磨牙区牙冠修复
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
图6
局部结构放大图（图5中红色框内区域）
a. 磨牙区种植体；b. 尖牙区种植体；c. 尖牙区种植体和牙冠修复；d. 磨牙区牙冠修复
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 结果分析
从口腔CBCT数据中自动生成全景图像是医疗图像后处理的一个重要功能。在全景图像重建过程中，弯曲MPR图像增加得越多可以加入更多的感兴趣信息，但同时也会加入其他非必要的内容而影响全景图片中感兴趣区域的对比度和图像质量，并且加入更多的数据也会影响全景图像的生成速度。本文针对此问题，首先通过找到牙弓厚度中对牙根和种植体影响比较关键的几幅图进行重建，并提出一种MPR图像的感兴趣区域信息提取方法，以及构造新的传递函数和系数，最后通过较少的数据合成来验证该方案的实用性。后续的使用可根据场景和具体需要来增加合成图像数量和调整参数达到理想效果，这也是最终生成全景图像的关键。另一方面，新的增强和融合方法主要目标是减少金属种植体对整体图像的影响。当患者口腔中存在如种植体这类的金属植入物，会对其他组织在强度上产生较大的压缩，导致最终的全景图像整体变暗。这是因为金属物的X射线吸收程度较高，使得金属物的强度值较高，并且有较宽的分布范围。这样在重建图像时，其他的组织处于低亮度区域，导致强度直方图分布不均匀。所以本方案基于强度和直方图的角度，将口腔中的牙齿和骨骼进行增强，调整其分布情况，以改善映射到最终图像时的效果。近些年有相关研究通过滤波和相关算法对医学图像进行增强和改善[26-29]，后续研究可以在全景图像合成过程中，针对不同的组织或感兴趣区域添加、改变传递函数中的系数，或是构造新的传递函数，来增强其中的感兴趣区域，从而有效提高全景图像的质量。
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］。
引言
在现代口腔医学领域中，锥形束计算机断层扫描（cone beam computed tomography，CBCT）是一种广泛运用于辅助诊断、虚拟仿真和治疗规划的成像技术[1-3]，尤其在口腔种植体手术中有许多临床应用[4-9]。全景图像重建通过投射一定范围内的CBCT数据，在一幅图像上同时显示上颌、下颌、牙列等组织信息，可以为口腔科医生提供直观的口腔和颌面组织影像[10]。
相关研究提出了多种全景图像的生成方法。Sa-Ing等[11]介绍了一种基于阈值和图像形态学算法的牙弓检测算法。通过选择原始CBCT中某一切片进行采样来简化牙弓计算。检测出牙弓后，将一系列弯曲多平面重建（multi-planar reconstruction，MPR）图像集生成一幅Ray-summation全景图像。Luo等[12]介绍了一种基于三维全景曲面合成全景图像的方法。首先通过轴向最大强度投影（maximum intensity projection，MIP）生成牙弓线，通过上下牙长轴形状创建长轴曲线，根据两个曲线提取出一个三维全景曲面来描述整个齿列，然后展开三维曲面得到全景图像。这个方法生成的全景图像厚度很薄，可以得到更准确的图像和易于识别的解剖结构。Yun等[13]介绍了一种牙弓曲线的自动提取方法。首先生成CBCT的冠状MIP图像，再使用正态曲线拟合最大峰值，确定轴向MIP切片的范围从而完成牙弓线和牙弓厚度区域的检测，然后在牙弓厚度范围中生成弯曲MPR图像集切片，最后通过合成增强算法生成全景图像。目前生成全景图像的方法一般是找到牙弓区域，生成牙弓曲线和牙弓厚度[14]，通过曲面重建（curved planar reformation，CPR）[15]，生成相应的弯曲MPR图像[16-17]，最后用Ray-summation和X-ray[18-19]算法生成全景图像。上述方法都可以自动处理CBCT数据生成全景图像，但是没有消除金属种植体对全景图像对比度的干扰。
因此，为克服上述不足，本文提出了一种减少种植体干扰的自动全景图像重建方法，可以快速生成高对比度的口腔全景图像。首先，基于不同范围切片轴向MIP图像来检测和调整牙弓曲线。然后，使用增强图像提取算法提取关键区域并调整金属植入物的强度分布。最后，使用增强图像融合算法改善图像细节并获得最终的全景图像。
1 口腔全景图像重建方法
如图1所示，该算法的重建流程分为三部分：第一步是基于冠状MIP得到不同切片范围的轴向MIP；第二步是基于下颌和无牙冠的轴向MIP检测牙弓曲线；第三步是基于牙弓曲线对应的弯曲MPR图像集，利用增强图像提取和融合算法得到最终的全景图像。
图1
重建算法步骤示意图
Figure1.
Schematic diagram of the reconstruction algorithm
1.1 不同切片范围的轴向MIP
在生成轴向MIP时，若使用全部切片数据则会在轴向MIP上叠加过多非必要的骨组织（见图2a），使牙弓检测变得复杂。所以本文选择合适且有效的切片范围决定牙弓曲线的精度。通过自动检测牙齿咬合处和牙齿与牙槽骨交汇处的切片值，生成相应的轴向MIP以减少其他非必要组织的影响。咬合处和交汇处所生成的轴向MIP图像如图2b～c所示。
图2
不同范围切片生成的轴向MIP图像
a. 轴向MIP；b. 咬合处的轴向MIP；c. 交汇处的轴向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
本文通过以下三个步骤实现切片位置的自动检测。首先，使用高斯平滑处理Hu值强度直方图曲线 p，去除局部的剧烈波动。然后，通过计算曲线的一阶导数和二阶导数，确定峰值和波峰数n。最后，拟合高斯多峰函数[20]得到最终曲线 ，从而获得牙齿、皮质骨和软组织的强度值和分布范围。其中N个波峰的高斯多峰函数公式和导数条件如下：
|
|
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，如图3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（见图3a），并使用膨胀腐蚀法进行处理，去除轮廓空洞和毛刺（见图3b）。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（见图3c）。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]（见图3d），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（见图3e）。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。
图3
轮廓图像的处理与牙弓曲线提取和变换过程
a. 轮廓图像；b. 处理后轮廓；c. 骨架线；d. 三次样条曲线拟合；e. 等距变换后牙弓曲线
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 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图4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。
图4
客观评价分数结果
Figure4.
Objective evaluation score results
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图5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，图6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，其中显示的内容为图5中红色框内区域。图5a～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（见图6a～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，图5c～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。
图5
实验结果
a. 磨牙区种植体；b. 尖牙区种植体；c. 尖牙区种植体和牙冠修复；d. 磨牙区牙冠修复
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
图6
局部结构放大图（图5中红色框内区域）
a. 磨牙区种植体；b. 尖牙区种植体；c. 尖牙区种植体和牙冠修复；d. 磨牙区牙冠修复
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 结果分析
从口腔CBCT数据中自动生成全景图像是医疗图像后处理的一个重要功能。在全景图像重建过程中，弯曲MPR图像增加得越多可以加入更多的感兴趣信息，但同时也会加入其他非必要的内容而影响全景图片中感兴趣区域的对比度和图像质量，并且加入更多的数据也会影响全景图像的生成速度。本文针对此问题，首先通过找到牙弓厚度中对牙根和种植体影响比较关键的几幅图进行重建，并提出一种MPR图像的感兴趣区域信息提取方法，以及构造新的传递函数和系数，最后通过较少的数据合成来验证该方案的实用性。后续的使用可根据场景和具体需要来增加合成图像数量和调整参数达到理想效果，这也是最终生成全景图像的关键。另一方面，新的增强和融合方法主要目标是减少金属种植体对整体图像的影响。当患者口腔中存在如种植体这类的金属植入物，会对其他组织在强度上产生较大的压缩，导致最终的全景图像整体变暗。这是因为金属物的X射线吸收程度较高，使得金属物的强度值较高，并且有较宽的分布范围。这样在重建图像时，其他的组织处于低亮度区域，导致强度直方图分布不均匀。所以本方案基于强度和直方图的角度，将口腔中的牙齿和骨骼进行增强，调整其分布情况，以改善映射到最终图像时的效果。近些年有相关研究通过滤波和相关算法对医学图像进行增强和改善[26-29]，后续研究可以在全景图像合成过程中，针对不同的组织或感兴趣区域添加、改变传递函数中的系数，或是构造新的传递函数，来增强其中的感兴趣区域，从而有效提高全景图像的质量。
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］。
