[发明专利]基于深度学习的全景片龋病识别的方法和装置

说明书

本发明提供一种基于深度学习的全景片龋病识别方法及装置。该方法包括：将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；确定恒牙分割结果中各颗牙齿对应的牙冠图像块；将牙冠图像块输入基于深度学习的龋病病灶分割模型，以得到龋病病灶分割结果。

技术领域

本发明涉及计算机图像处理技术领域，特别地涉及一种基于深度学习的全景片龋病识别的方法和装置。

背景技术

口腔全景片是进行口腔诊断的主要依据，其可以清晰、完整的显示上颌骨全貌、下颌骨全貌、上下颌牙列情况、牙槽骨情况、上颌窦腔、窦壁、窦底情况以及颞颌关节情况，并对颌骨周围疾病的诊断提供准确有效的帮助。

龋病作为最常见的口腔疾病之一，可以继发牙髓炎和根尖周炎，甚至能引起牙槽骨和颌骨炎症。如不及时治疗，病变继续发展，形成龋洞，终至牙冠完全破坏消失，其发展的最终结果是牙齿丧失，所以龋病的精准快速诊断十分重要，人工诊断具有不一致性和低效性。更何况我国医疗资源较稀缺，资深医学专家数量不足，倘若完全依靠人工作业会让作业人用眼疲劳，进一步降低判断结果的准确可信程度。在这种形势下，研发自动化处理全景片龋病识别的方法和装置的需求变得迫切。

发明内容

有鉴于此，本发明提供一种基于深度学习的全景片龋病识别方法及装置，以克服现有技术中的上述缺点。

本发明实施例的基于深度学习的全景片龋病识别方法，包括：基于深度学习的全景片龋病识别方法，其特征在于，包括：将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；确定所述恒牙分割结果中各颗牙齿对应的牙冠图像块；将所述牙冠图像块输入基于深度学习的龋病病灶分割模型，以得到所述龋病病灶分割结果。

可选地，所述将所述牙冠矩形框输入基于深度学习的龋病病灶分割模型，以得到所述龋病病灶分割结果的步骤之后，还包括：对所述龋病病灶分割结果进行形态学开运算处理，以得到龋病病灶分割平滑结果。

可选地，所述对所述龋病病灶分割结果进行形态学开运算处理，以得到龋病病灶分割平滑结果的步骤之后，还包括：对所述龋病病灶分割平滑结果和所述恒牙分割结果取并集，以得到龋病病灶优化结果。

可选地，所述基于深度学习的恒牙分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对恒牙分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，编码器部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，解码器部分的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。

可选地，所述确定所述恒牙分割结果中各颗牙齿对应的牙冠图像块的步骤包括：遍历地对恒牙分割结果中的各颗牙齿执行如下操作：获取当前牙齿的全齿贴合矩形框，根据所述全齿贴合矩形框确定牙冠所在侧边的半齿贴合矩形框，根据所述半齿贴合矩形框确定质心，以所述质心为中心点生成预设尺寸的质心采样框，根据所述质心采样框在所述全景片上裁切出所述牙冠图像块。

可选地，所述基于深度学习的龋病病灶分割模型是通过如下方式得到的：(1)模型设计阶段：网络结构包含编码器部分和解码器部分，所述编码器部分采用Xception网络结构，所述解码器部分采用FPN多尺度融合结构，并且从所述编码器部分抽取五个不同深度的卷积层作为输入，在解码器部分的上采样层加入scSE结构；(2)模型训练阶段：对龋病病灶分割训练数据进行尺寸归一化、灰度归一化、数据增强化、数据平衡化处理，特征提取部分的参数采用大型公开图像数据集ImageNet上预训练好的参数，全连接层和输出层的参数采用随机初始化，采用梯度下降算法对模型进行迭代训练以取得网络最优解，根据在验证集上的Dice值来确定模型的最优参数。