[发明专利]一种基于卷积神经网络的牙齿图像龋坏识别方法及系统

权利要求书

1.一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，所述方法包括以下步骤，

步骤1)数据采集，采集医院若干病例样本口腔相关的电子病历记录作为数据集，所述电子病历记录包括诊疗前口内照片；

步骤2)数据标记，将所述数据集中的所述照片判读为已龋坏或未龋坏，同时将所述照片对应的样本标注不同类别的标签，其中所述标签为已龋坏的样本为正样本，所述标签为未龋坏的样本为负样本，进而得到已标注的数据集；

步骤3)数据预处理，对所述已标注的数据集中的所述照片进行预处理，进而得到已预处理的数据集；

步骤4)数据划分，按照设定正负样本抽取比例与设定数据集划分比例，对所述已处理的数据集进行随机抽取与随机划分，进而得到训练集、验证集与测试集；

步骤5)模型定义，构建卷积神经网络分类器，定义损失函数；

步骤6)模型训练，初始化卷积神经网络分类器参数，迭代使用所述训练集训练所述卷积神经网络分类器参数，当损失函数小于设定阈值时，停止训练所述卷积神经网络分类器参数，使用所述验证集优化所述卷积神经网络分类器参数，进而得到已训练优化的卷积神经网络分类器；

步骤7)模型评估，使用所述测试集评估已训练优化的卷积神经网络分类器的性能指标；

步骤8)模型识别，对新的诊疗前口内照片进行所述预处理，并输入所述已训练优化的卷积神经网络分类器中，所述已训练优化的卷积神经网络分类器预测输出对应的标签类别，进而识别所述的疗前口内照片已龋坏或未龋坏。

2.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤2)中，具体实现包括：

a)若所述照片中窝沟形态相对完整，表现为沟壁沟底龋坏的早期窝沟龋或未破坏边缘嵴的邻面龋，则判读为已龋坏；

b)若所述照片中已形成龋洞的或包含较易识别的龋坏部分，则判读为已龋坏；

c)若所述照片非a)或非b)，则判读为未龋坏。

3.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤2)中，使用toothMarking工具将所述数据集中的所述照片判读为已龋坏或未龋坏。

4.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤3)中，所述预处理包括图像去噪和图像大小归一化操作。

5.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤4)中，所述设定正负样本抽取比例为所述正样本与所述负样本的比例为1：1，所述设定正负样本抽取比例为所述训练集、所述验证集与所述测试集的比例为4:1:1。

6.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤5)中，所述卷积神经网络分类器网络包括13层卷积层、5层池化层、1个自注意力机制模块、3层全连接层与1层softmax层，从前至后共分为8个模块，其中模块1与模块2均包括2层卷积层和1层池化层，模块3、模块4与模块5均包括3层卷积层和1层池化层，模块6为自注意力机制模块，模块7包括3层全连接层，模块8包括1层softmax层，卷积层采用卷积核为3×3、步幅为1且填充为1的卷积操作，池化层采用最大池化的池化操作，全连接层和卷积层采用RELU作为激活函数，并通过softmax层输出照片识别的标签类别；所述自注意力机制模块从左到右包括3层1×1的卷积层，1层逐像素的相乘连接操作和softmax层，1层逐像素的相乘连接操作和1层1×1的卷积层。

7.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤5)中，所述损失函数为cross-entropy函数。

8.根据权利要求1所述的一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，在所述步骤6)中，所述设定阈值为1e^-10。