[发明专利]基于半监督多级不确定性感知的口腔全景片龋齿分割方法

说明书

本发明公开了一种基于半监督多级不确定性感知的口腔全景片龋齿分割方法。本发明通过学生老师模型进行迭代训练，从解码器的各层中提取不同尺度的特征图进行深监督，并采用高斯噪声扰动和蒙特卡罗方法生成不确定性掩码矩阵，利用不同层解码器的多级输出辅助不确定性掩码的生成。由于各层感受野的差异，本方法将不确定性掩码矩阵从二维空间扩展到三维，即同时利用噪声扰动、指数移动平均(EMA)和多级特征来丰富不确定性掩码的参考性，从而帮助模型区分口腔全景图中图像特征相似的伪影和龋齿，提高模型对各种规模龋齿的识别性能，以提高医疗辅助作用。

技术领域

本发明属于医学图像分割及医疗辅助领域，涉及一种基于半监督多级不确定性感知的口腔全景片龋齿分割方法。

背景技术

龋病是以细菌为主的多种因素影响下所导致的牙体硬组织慢性进行性破坏性疾病，是人类最常见的口腔疾病。世界卫生组织已将龋齿、肿瘤和心血管疾病列为人类防治的三大疾病。根据2017年中国第四次口腔健康流行病学调查报告显示，5岁儿童乳牙患龋率为70.9％；12岁儿童恒牙患龋率为34.5％；35-44岁年龄组恒牙患龋率为89.0％，55-64岁年龄组恒牙患龋率为95.6％，65-74岁年龄组恒牙患龋率为98.0％。由此可见，我国龋病在各年龄段普及并且患病率很高，但在临床治疗中牙齿患龋率和治疗率之间却存在极大差距。

龋齿的临床诊断主要依靠口腔全景片，全景X光图像可以提供全面的口腔状况，并提示大部分牙齿病变的信息，但仍然存在以下问题：首先，由于X光成像的特点，全景片图像总是有很多来自患者的噪声包括患者头部摆动、设备质量和医务人员的操作经验造成的大量伪影，对基于低密度阴影的识别造成很大干扰。其次，不同于一般的医学分割任务，龋病灶的平均面积仅占全景图像的1.5‰，浅龋甚至不到0.5‰。目前，小目标感知是现代神经网络的一个具有挑战性的问题，因此早期的牙齿龋坏很难在深度感受野中被提取到。考虑到龋齿是一种从牙釉质出现并逐渐侵入牙本质和牙髓腔的发展性疾病，其在全景片图像中经常呈渐进性边界形态。因此全景口腔影像的正确判读很大程度上依赖于临床牙医的经验，这也极大地增加了龋齿诊断的不确定性，导致漏诊率和误诊率相对较高。

随着基于深度卷积神经网络在医学图像分割领域的普及，以编码器和解码器为基础架构的方法，例如FPN、U-Net以及改良变种Res-UNet和U-Net++等后续网络，已经广泛用于各种分割任务。全监督的深度学习方法往往需要大量的数据才能有较好的效果，但由于医学数据标注需要专业知识和高昂的人力成本，研究人员很难获取到大量数据。为了解决这一个问题，利用无标签数据的半监督框架也被使用到医学图像分割领域，生成伪标签监督和一致正则化是比较主流的两个半监督子方向，其中一致性正则化关键在于如何设计出一个强大的不确定性掩码矩阵，而这一矩阵对半监督训练过程来说是极其敏感的。

发明内容

本发明提供了一种基于半监督多级不确定性感知的口腔全景片龋齿分割方法。之前的研究表明，不同层解码器激活的统一特征与最后的识别结果的置信度高度相关，且不同层次解码器的输出可以衍生出多级不同尺度特征。本方法通过学生老师模型进行迭代训练，从解码器的各层中提取不同尺度的特征图进行深监督。同时采用高斯噪声扰动和蒙特卡罗方法生成不确定性掩码矩阵，并利用多级输出辅助不确定性掩码的生成。教师网络利用指数移动平均值(EMA)来记录历史扰动信息。由于各层感受野的差异，本方法将不确定性感知区域从二维空间扩展到三维，即同时利用噪声扰动、EMA和多级特征来丰富不确定性掩码矩阵的参考性，可以帮助区分口腔全景图中图像特征相似的伪影和龋齿，显著地提高了口腔全景片龋齿的分割能力。

本发明解决其技术问题所采用的技术方案实现如下：

基于半监督多级不确定性感知的口腔全景片龋齿分割方法，其步骤如下：

步骤1.数据集获取，本方法为龋齿分割任务提出了一个全新的龋齿数据集DC1000，其清晰图像数据来自浙江省人民医院口腔科。