[发明专利]一种基于深度学习的曲面断层片牙位识别方法

权利要求书

1.一种基于深度学习的曲面断层片牙位识别方法，其特征在于，包括：

构建用于曲面断层片牙位识别的卷积神经网络模型；

利用训练集和验证集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

将待识别的曲面断层片牙位图像输入到训练好的卷积神经网络模型，卷积神经网络模型输出待识别的曲面断层片牙位图像中的牙位信息。

2.根据权利要求1所述的方法，其特征在于，所述的方法还包括：

通过labelme标注工具制作曲面断层片牙位的样本集图像，对所述样本集图像进行灰度化处理，将样本集图像中的90％的图像设置为训练集，10％的图像设置为验证集。

3.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括深度残差网络101Resnet101、特征金字塔网络FPN和建议框网络RPN，所述Resnet101作为主干特征提取网络，包括Conv Block模块和Identity Block模块，所述Conv Block模块的输入和输出的维度是不一样的，不能连续串联，用于改变网络的维度，所述Identity Block模块的输入维度和输出维度相同，能够串联。

4.根据权利要求3所述的方法，其特征在于，所述的卷积神经网络模型包括：Mask R-CNN、Fast R-CNN和PANet网络架构。

5.根据权利要求3或者4所述的方法，其特征在于，所述的利用训练集和验证集对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型，包括：

将所述训练集输入到卷积神经网络模型中，经过resnet101网络和特征金字塔网络FPN分别获得有效特征层和建议框，通过建议框对有效特征层进行特征提取获得局部特征层；

利用局部特征层通过全连接层网络对建议框内是否包含物体进行筛选，对筛选出的建议框进行调整获得预测框，利用预测框从有效特征层中提取特征，将提取出的特征输入卷积神经网络获得掩膜标注信息，即牙位的信息；

利用所述验证集对卷积神经网络模型获取的牙位的信息进行验证，根据验证结果对卷积神经网络模型的参数进行调整，重复迭代执行上述处理过程，确定卷积神经网络模型的最优参数，得到训练好的卷积神经网络模型。