在牙科影像學中，分離每顆牙齒是一個繁複的任務，但使用卷積神經網路（CNN）模型就可以簡化這個流程，自動預測出每顆牙齒的位置。
使用CNN模型分離CBCT（錐形束電腦斷層掃描）影像中的每顆牙齒的主要原理是通過預測每顆牙齒的中心，並根據預測結果結合分水嶺分割演算法，分離出每顆獨立的牙齒。這樣做的過程可以自動化，從而大大減少人工工作量和時間成本。
我們已經收集多組具有標註的CBCT影像，並使用這些數據集訓練完成CNN模型。利用我們訓練的CNN模型，即可自動識別每顆牙齒的位置。在以下簡短的影片中，展示多組不同影像，在使用我們訓練模型可預測得到的結果。
我們利用自行研發的疊代式深度學習網路(Buds growing network)，經過初步的訓練，模型可將氣管與支氣管自動分割出來，詳細的操作步驟可參考以下影片，如果需要試用我們的模型，可以申請下載。
透過Amira的清單工作室，用戶可以自訂需要的分析流程，結合這些流程定義出針對特定影像的分析模組。
我們針對胸腔電腦斷層影像提供一系列的分析模組，用戶只需要簡單的從清單中選取功能，即可完成氣管提取、肺臟提取及骨骼提取，完成後即可輸出成三維列印的STL檔案，或錄製所需的動劃影片。
您可以參考以下視頻操作。
位於眼底的骨骼因太薄，在影像重建時常常會產生破面，而非完整連續的眼底眼框模型，如下圖示。
在Amira中可透過自訂厚度，來強化指定厚度的構造，因此就能分割圈選出完整的眼框模型。
感謝XWind模組全新重建引擎，超薄結構一樣可以建構出四面體，並輸出至有限元素軟體進行模擬。
