[发明专利]一种基于深度学习的曲面断层片牙位识别方法

说明书

本发明提供了一种基于深度学习的曲面断层片牙位识别方法。该方法包括：构建用于曲面断层片牙位识别的卷积神经网络模型，该卷积神经网络模型包含了特征金字塔网络FPN和建议框网络RPN；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。本发明简化了人工智能辅助口腔曲面断层片牙位识别的过程，避免了因增加分割过程而造成的可能性误差；丰富了人工智能辅助口腔曲面断层片牙位识别的技术；提出了目标检测+语义分割即实例分割来实现口腔断层牙位识别的技术。

技术领域

本发明涉及牙位识别技术领域，尤其涉及一种基于深度学习的曲面断层片牙位识别方法。

背景技术

基于人工智能的X光影像辅助诊断是临床医学研究热点，对于突破医生诊断主观性瓶颈问题，发展远程智慧医疗、提升边远困难地区医疗水平具有重大的学术、经济以及社会价值。

口腔X光影像的人工智能辅助诊断尚处于起步阶段，而牙位的识别是基础，更是重中之重。目前并没有较为完备的针对口腔断层进行直接牙位人工智能辅助识别的方案。现有技术中的一种针对口腔断层片影像数据牙位的识别方法包括：需要通过对每一颗牙进行分割，然后通过深度学习来进行牙位的识别。

上述现有技术中的一种针对口腔断层片影像数据牙位的识别方法的缺点为：无论是牙位的识别，还是龋齿、牙周炎和智齿及其他牙病的识别，对样本的预处理方法都需要对牙齿进行分割，然后再进行相应的任务处理，不能直接对断层口腔牙位进行识别的；且增加的牙齿分割过程，增加了误差的来源，可能会导致最终误差的增加，对牙位的识别产生一定的影响。

发明内容

本发明的实施例提供了一种基于深度学习的曲面断层片牙位识别方法，以实现有效地对口腔断层牙位进行识别。

为了实现上述目的，本发明采取了如下技术方案。

一种基于深度学习的曲面断层片牙位识别方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；