[发明专利]一种基于深度学习的口腔医疗图像识别方法

权利要求书

1.一种基于深度学习的口腔医疗图像识别方法，其特征在于：利用深度学习在已有病人的三维口腔医疗图像数据上对深度神经网络进行训练，得到第一段阶段的深度神经网络模型和第二阶段的深度神经网络模型，再用第一段阶段的深度神经网络模型和第二阶段的深度神经网络模型对未知病人的三维口腔医疗图像数据进行预测，得到病人口腔医疗图像的识别结果。

2.根据权利要求1所述的基于深度学习的口腔医疗图像识别方法，其特征在于：所述用深度学习在已有病人数据上对深度神经网络进行训练的具体步骤为：

步骤100，输入每个病人的三维口腔图像和口腔图像对应的标记至计算平台；

步骤101，对病人的口腔图像数据进行预处理，去掉异常的病人数据，同时将口腔图像数据正规化；

步骤102，根据口腔图像对应的标记中包含病灶的切片范围的标注，将病人的三维口腔图像在范围内的所有切片标记为患病，同时将范围外的所有切片标记为正常，从而得到第一阶段的数据集；将第一阶段的数据集进行随机划分，得到第一阶段的训练集和第一阶段的验证集；

步骤103，初始化深度神经网络模型的超参数；

步骤104，在计算平台上，使用梯度下降方法基于第一阶段的训练集训练深度神经网络模型；因为训练过程中不同轮数的模型会有不同的性能，因此根据步骤102中得到的第一阶段的验证集，选择判断切片是否患病分类准确率最高的模型，得到第一阶段的深度神经网络模型；

步骤105，根据医生标注为患病的病人三维口腔图像，选取其中所有包含病灶的切片，并将每张切片标记为疾病种类，从而得到第二阶段的数据集；将这个数据集进行随机划分，得到第二阶段的训练集和第二阶段的验证集；

步骤106，利用第一阶段的深度神经网络模型初始化深度神经网络模型；

步骤107，在计算平台上，使用梯度下降的方法基于第二阶段的训练集训练步骤106中初始化后神经网络模型模型；因为不同训练轮数得到的模型性能不同，因此根据步骤105中第二阶段的验证集，选择判断切片疾病种类分类准确率最高的模型，得到第二阶段的深度神经网络模型。

3.根据权利要求2所述的基于深度学习的口腔医疗图像识别方法，其特征在于：所述口腔图像对应的标记指的每张口腔图像被医生标注为正常或患病的标记；如果口腔图片被标记为患病，则该标记还包括疾病种类和病灶的切片范围。

4.根据权利要求1所述的基于深度学习的口腔医疗图像识别方法，其特征在于：对未知病人数据进行预测的具体步骤为：

步骤200，将得到的未知病人的三维口腔图像进行正规化处理；

步骤201，先将正规化处理后的该病人的口腔图像的所有二维切片输入到第一阶段的深度神经网络模型中，得到未知病人每张切片对应于患病和正常的概率，取概率最高的类别作为每张切片的预测结果；

步骤202，根据未知病人每张切片的预测结果，计算病人患病的连续切片的最大张数并取一个阈值，当最大张数超过该阈值时，判断该病人为患病，否则判为正常；

步骤203，如果该病人在第一阶段被判定为患病，则选出第一阶段模型判断为患病的所有切片，将这些切片输入到第二阶段的深度神经网络模型中，得到这些患病切片对应于疾病种类的概率，取概率最高的类作为患病切片的分类结果；

步骤204，根据该病人所有患病切片中疾病种类所占的比例，取比例高的类别为该病人的具体分类结果。

5.根据权利要求1所述的基于深度学习的口腔医疗图像识别方法，其特征在于：所述第一阶段的深度神经网络模型训练的具体流程为：首先选择深度神经网络模型结构，然后随机初始化深度神经网络所有要训练的模型参数，再进入深度神经网络模型训练过程；深度神经网络模型训练过程中，（1）根据二分类交叉熵损失函数计算损失，（2）计算要训练参数的梯度，使用梯度下降法更新深度神经网络参数的值，然后根据训练轮数不断重复上述（1）-（2）过程，最终取在第一阶段验证集上判断切片是否患病分类准确率最高的模型作为第一阶段的深度神经网络模型。