[发明专利]基于深度学习的全景片恒牙识别的方法和装置

权利要求书

1.一种基于深度学习的全景片恒牙识别方法，其特征在于，包括：

将原始全景片输入基于深度学习的牙槽骨线分割模型，以得到牙槽骨线分割结果；

根据所述牙槽骨线分割结果生成贴合矩形框，然后根据所述贴合矩形框生成扩展矩形框，然后根据所述扩展矩形框从所述原始全景片中剪裁出牙周区域图像块；

将所述牙周区域图像块输入基于深度学习的恒牙分割模型，以得到恒牙分割结果；

对所述恒牙分割结果中的各个恒牙进行牙号标注；

所述基于深度学习的牙槽骨线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；

(2)模型训练阶段：对牙槽骨线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；

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。

2.根据权利要求1所述的方法，其特征在于，所述根据所述贴合矩形框生成扩展矩形框的步骤包括：

所述贴合矩形框的左边界向左移动预设距离，以得到所述扩展矩形框的左边界；

所述贴合矩形框的右边界向右移动所述预设距离，以得到所述扩展矩形框的右边界；

所述贴合矩形框的上边界向上移动0.5倍贴合矩形框高度值，以得到所述扩展矩形框的上边界；

所述贴合矩形框的下边界向下移动0.8倍贴合矩形框高度值，以得到所述扩展矩形框的下边界。

3.根据权利要求1所述的方法，其特征在于，所述随机初始化的方法为：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal。

4.根据权利要求1所述的方法，其特征在于，所述梯度下降算法的方法为：Adam，SGD，RMSprop或者Adadelta。

5.根据权利要求1所述的方法，其特征在于，在所述根据所述恒牙分割结果对各个恒牙进行牙号标注的步骤之前，还包括：对所述恒牙分割结果进行形态学开运算处理。

6.一种基于深度学习的全景片恒牙识别装置，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。