[发明专利]基于深度学习的全景片恒牙识别的方法和装置

说明书

本发明提供一种基于深度学习的全景片恒牙识别方法及装置。该方法包括：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；根据牙槽骨分割结果生成贴合矩形框，然后根据贴合矩形框生成扩展矩形框，然后根据扩展矩形框从原始全景片中剪裁出牙周区域图像块；将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；对恒牙分割结果中的各个恒牙进行牙号标注。

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恒牙识别的方法和装置。

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。

恒牙牙齿的分割以及牙位标号的识别对后续的牙齿健康状况评估和疾病的诊断是必不可少的。图1展示了标准的牙位编号。

在缺牙特别是缺牙时间较长的情况下，人工识别牙位存在一定难度。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恒牙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恒牙识别方法及装置，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恒牙识别方法，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。

可选地，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。

可选地，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上移动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。

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，所述随机初始化的方法为：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal。

可选地，所述梯度下降算法的方法为：Adam，SGD，MSprop或者Adadelta。