[发明专利]一种基于YOLO和U-Net的口腔曲断影像智齿分割方法

说明书

一种基于YOLO和U‑Net的口腔曲断影像智齿分割方法，步骤为：1.对口腔曲断影像进行图像预处理，对预处理后图像中的智齿进行位置标注得到位置标签，并划分训练集和测试集；2.利用图像和位置标签训练YOLO模型，设置空间位置的置信度阈值，得到智齿的空间位置信息；3.基于智齿的空间位置信息进行切片处理，将得到的所有包含智齿的切片进行预处理，预处理后对训练集的切片进行像素级的类别标注；4.训练集的切片图像和位置标签训练U‑Net模型，设置像素类别的置信度阈值进行二值化，得到智齿的像素级分类信息，完成智齿分割；本发明通过两阶段实现口腔曲断影像的智齿分割，有效提升智齿的定位精度、缩小智齿分割的计算开销，提升口腔曲断影像智齿分割的速度和精度。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种基于YOLO和U-Net的口腔曲断影像智齿分割方法。

背景技术

牙齿是人类重要器官之一，且由智齿引起的问题在口腔疾病占据了相当一部分比例，智齿的生长状态也是需要对其进行手术移除与否的重要依据；同时，在法医学中，智齿对年龄的判定有着至关重要的作用。因此相比于其他牙齿，选取智齿作为研究目标具有更广泛的受众与更高的临床应用价值。同时，口腔医学影像在国内最普遍的形式为口腔曲断图像。

2015年，Long Jonathan等人[1]提出全卷积网络，可以对图像进行像素级的分类，从而解决了语义级别的图像分割问题。此工作是深度学习应用于图像分割的开山之作。然而，全卷积网络在对图像进行分割时，上采样层将特征恢复到原图像的大小，此过程会导致像素定位不精确，从而影响分割结果的准确性。

针对上述局限性，Olaf Ronneberger等人[2]提出了U-net网络结构，U-net是基于FCN的一种语义分割网络，适用于做医学图像的分割。U-net网络结构与FCN网络结构相似，也是分为下采样阶段和上采样阶段，网络结构中只有卷积层和池化层，没有全连接层，网络中较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题，从而可以实现图像语义级别的分割。

然而，U-Net直接应用于口腔曲断影像智齿分割中，存在以下两个问题：(1)在特征较为复杂的口腔曲断影像中，由于智齿与其余牙齿的结构相似只是空间位置不同，U-Net可以捕捉牙齿的形态特征，但无法准确捕捉智齿的空间位置特征，因此单纯使用U-Net无法得到准确的智齿分割结果；(2)口腔曲断影像尺寸较大，而智齿的占比较小，单颗智齿仅占全片约0.6％的面积，使用U-Net对口腔曲断影像直接进行智齿分割会导致大部分算力浪费在没有智齿的背景区域。

[1]E.Shelhamer,J.Long,and T.Darrell,“Fully convolutional networks forsemantic segmentation,”IEEE Transactions on Pattern Analysis and MachineIntelligence,2016.

[2]O.Ronneberger,P.Fischer,and T.Brox,“U-net:Convolutional networksfor biomedical image segmentation,”in International Conference on MedicalImage Computing and Com-puter-Assisted Intervention,pp.234–241,Springer,2015.

发明内容

为了解决现有基于U-Net的口腔曲断影像智齿分割应用中存在的问题，本发明的目的在于提供一种基于YOLO(“你只看一次”算法)和U-Net的口腔曲断影像智齿分割方法，用于分割，在连通成分分析方面比现有方法的查准率和查全率都有效提高。

为达到以上目的，本发明采用如下技术方案：