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。
在Amira的影像分割圈選編輯器中，利用群域增長的方式，即可得到立即得到如下的氣管結構。使用Skeleton模組的中心線演算功能，計算出支氣管中心線後，可再依據分支狀況，進一步運算得到其為第n級支氣管如下圖示。
除了上述的運算，感謝Amira的圓柱相關性演算功能，細小的微支氣管，也可以根據設定的管徑，運算得到肺節支氣管(Segmental Bronchi)。
有了較全面的支氣管網絡數位模型，可進一步計算氣管與各支氣管的距離，讓醫療團隊在做術前評估時可有更具體的觀念。
微細血管、絲狀構造或是薄殼結構在重建為曲面網格時，常因為重建的結構太細或太薄，運算後常遺失細微的結構。
Amira/Avizo中提供完整的操作功能選項，用戶可以根據不同的情況選擇最適合的平滑方式，進而得到理想的結果。例如，我們可以先重建所有血管後再針對曲面網格進行平滑，進而保留大部份的資料數據。
也可以使用中心線演算模組，計算出血管中心線位置及粗細，再依管徑數值輸出模型！
透過Amira/Avizo完整的影像處理模組，任何細微結構都可獲得保留，於三維列印時完整呈現。
在臨床實際的應用，許多案例常需要借重不同的儀器設備進行拍攝，以取得最佳的訊息；或是在不同時間拍攝，來了解相關病徵的進展，這些情況下，都會同時有多組影像資料需要進行比對。
在Amira/Avizo中，我們提供完整的影像校準對位，包含標記點對位校準、曲面網格
對位 點校準、影像共同資訊校準對位，無論任何一種資料數據，只要能匯入，都能找到最佳的功能模組，將兩組不同座標影像運算至相同座標位置以便比對。
對位校準後的影像，透過重新切面運算產生相同尺寸影像後，在影像圈選工作室(Image Segmentation)即可自由切換，例如腫瘤在MRI中較容易辨識，我們就可以在MRI影像中圈選腫瘤；骨骼在CT中較容易辨識，我們就可以在CT影像中圈選骨頭，如此就能快速精確完成整個案例模型的製作與評估。
肺臟內的血管關係錯綜複雜，過去要分辨動靜脈血管常需要花費相當多的時間與精力。現在，您只要在Amira中透過幾個簡單的步驟，就可以快速、準確完成整個肺臟血管的分割。
