傳統CBCT影像分割需人工操作，耗時且主觀誤差大

金屬假牙與複雜組織結構常造成影像失真，降低診斷精度

現有自動化演算法在小結構（如根管）辨識上準確度不足

本技術以U-net深度學習架構有效克服金屬假影干擾，提升影像分割精度與效率

 技術簡介 

隨著人工智慧和深度學習技術的快速發展，卷積神經網路 (CNN) 特別是在醫療影像分析中展現出高度潛力。U-net模型作為CNN的一種，因其對影像特徵的高效擷取與重建能力，被廣泛應用於醫療影像的自動分割。U-net在克服如金屬假影、複雜組織結構等傳統技術難題上具顯著優勢，大幅提升影像處理的精度與效率。本專利是一基於U-net深度學習的人工智慧演算法，用於錐狀光束電腦斷層掃描 (CBCT) 的自動組織分割，並生成精確的三維模型。此技術可有效分割骨頭、牙齒、根管、人工補綴物等，應用於矯正診斷、正顎手術規劃、3D導航植牙、引導式根管治療、及CBCT引導的自體牙齒移植手術等領域。

 應用案例 

• 於矯正診斷中自動生成三維顎骨模型，輔助咬合分析。
• 在正顎及植牙手術中提供高精度3D結構，用於手術導航。
• 用於根管治療與自體牙移植，協助醫師進行精準導引與規劃。

 相關連結 

https://youtu.be/sA08gFDS37g?si=aTJ0Z23vkQwqSIFL

 專利名稱證號 

• TW 114106467
• PCT/CN2025/078519

 技術產學合作或技轉單位 

無

 獲獎紀錄 

無

 技術聯絡人 

高雄醫學大學 洪一豪專案副理

連絡電話：07-3121101 ext. 2360

聯絡信箱：R121084@kmu.edu.tw