一种基于深度学习的根管检测与评分的方法及系统技术方案

本发明专利技术提供了一种基于深度学习的根管检测与评分的方法及系统，涉及图像处理技术领域，其特征在于，所述方法包括：采集大量根管X光片的图像数据进行图像数据的标注和清理，并对得到的图像数据进行图像处理进行数据扩增制备数据集，分别搭建检测网络模型和评分网络模型，并通过制备的数据集进行网络训练，所获得的检测网络模型和评分网络模型能够自动对根管X光片进行检测和评分并输出对应结果。本发明专利技术减少了人工对根管图像的检测和评分，减少了医疗人员的工作强度，同时避免了因为效果评价标准条目较多以及专家经验水平不均造成的评分可靠性不高。

【技术实现步骤摘要】
一种基于深度学习的根管检测与评分的方法及系统
本专利技术涉及图像处理
，特别涉及一种基于深度学习的根管检测与评分的方法及系统。
技术介绍
根管治疗术是目前口腔治疗牙髓病和根尖周病最有效、最常用的手段，是当今世界牙髓治疗的主流方法，在全球范围得到广泛的应用。根管治疗是口腔科基本的治疗技术，对于该技术的熟练掌握是对牙科医生的基本要求，也是口腔医院及门诊对于医疗治疗控制的重要内容。而目前国内很少有医院和门诊开展根管治疗术后疗效的专项评估，在医疗治疗的提升方面缺乏数据支撑和有效方法。目前国内某知名口腔大型连锁医疗机构开始采用专家团队对根管治疗X线根尖片进行评分的方式进行医疗质控，但专家评分的方式费时费力，效率不高，医疗质控部门的工作量负担也较重，同时对根管治疗X线根尖片的评分标准和质量受到专家经验水平的影响，不同专家评价具有一定的主观性。针对该问题，人工智能的检测和评分模型将引入到根管治疗术后疗效的评价中，进行自动化根管检测和评分，可是现有技术中由于X光片是胶片扫描件，分辨率和反差较低，并且X光片呈现的光片数据会有多颗牙齿数据，很难定位经过治疗的根管及其对应的牙齿，而且，根管的形态复杂，治疗效果评价的标准条目众多等因素，造成难以通过传统算法对根管进行准确，高效的检测和评分。
技术实现思路
本专利技术提供了一种基于深度学习的根管检测与评分的方法及系统，通过收纳对多个患者采集到的大量X光片的图像数据进行图像数据的标注和清理，将所得到的图像数据进行相应的预处理得到扩充后的图像数据，在通过对所述图像数据的抽取制备检测数据集来进行深度网络模型的搭建，并送入数据进行训练，通过特征金字塔的方式获取检测框并采用NMS算法对检测框进行筛选输出，完成对根管的智能检测，所述图像数据还经过专家按照标准进行人工评分，将经过人工评分后的图像数据进行搭建好的残差网络模型的搭建，并将送入图像数据进行训练，最后将卷积层输出的数据进行转换输出评价分数。减少了人工对根管治疗X线根尖片的检测，提高了检测的效率和准确性，同时能够对输入的根管图像数据进行评分，减少了人工对根管图像的评分，避免了因为效果评价标准条目较多以及专家经验水平不均造成的评分可靠性不高。本专利技术提供了一种基于深度学习的根管检测与评分的方法，包括：S1：原始图像的采集：从医疗机构的信息管理平台获取大量牙齿与根管X光片数据作为的原始图像数据；S2：图像的标注和清洗：对获取的原始图像数据进行数据处理，将所述图像数据进行可视化交互式的标注于数据清洗，并对每个图像数据附上由专家团队进行的评分；S3：构建检测数据集：将标注和重编的图像数据按照比例拆分为训练数据集和测试数据集，构建检测数据集进行网络模型的搭建和训练；S4：图像预处理：对构建好的检测数据集中的图像数据进行一系列的图像处理操作扩充数据量；S5：检测网络模型的搭建和训练：搭建检测网络模型，并将经过预处理扩增的图像数据训练检测网络模型；S6：图片的切取：对检测模型中的经过标注的图像数据进行切取，将标注的部分切取出得到标注部分的图像数据；S7：评分网络模型的搭建和训练：根据获得的切取后的图像数据进行评分网络的搭建与训练。进一步的，从医疗机构信息管理平台所获取的牙齿与根管X光片数据为经过专业认定评分的口腔根管治疗术后的X线根尖片来作为原始图像数据。进一步的，所述原始图像数据的标注，通过可视化工具对图像数据中的牙齿和根管分别进行标注，并将标注后输出的图像数据通过算法进行不重复的命名，并按照统一的图像格式进行输出存储。进一步的，进过标注和数据清理后的图像数据按照4:1的比例，采用自动抽取工具进行多次的抽取获得训练数据集和测试数据集。进一步的，所述图像预处理过程包括图像大小重整、色阶调整、对比度调整、图像的归一化处理、椒盐噪声处理、旋转和翻转等方式。进一步的，检测网络模型的搭建采用特征金字塔的方式对检测数据集中的图像数据进行特征提取将原始图像数据编码为特征图，特征提取过程中所述特征图之间采用短接或者通道连接的方式进行特征融合。进一步的，图像的切取中将经过人工标注的检测数据集中图像数据被标注的数据切取出形成切取后的图像数据并存储。进一步的，评分网络模型的搭建采用残差网络进行搭建，所述检测数据集中用来进行所述评分网络模型训练的图像数据进行统计处理，并将统计后各分值段的图像数据的数量赋予不同的权重。此外，基于上述方法，本专利技术还提供了一种基于深度学习的根管检测与评分的系统，该系统包括：检测图像输入模块，原始图像采集模块、数据预处理模块、检测网络模块、评分网络模块以及结果输出模块；所述检测图像输入模块：用来将待检测的根管X光片图像进行扫描和处理形成清晰可见的电子图像，并将图像传输至检测网络模块中；所述原始图像采集模块：用来接收获取牙齿和根管X光片图像数据，再对图像数据中的牙齿与根管处进行标注，通过算法将标注的图像数据重新命名并存储为统一的图片格式，然后将得到的图像数据传输至所述数据预处理模块；所述数据预处理模块：将从所述原始图像采集模块中获取的图像数据按照比例划分为训练数据集和测试数据集，来构建检测数据集，并将图像数据通过大小调整，色阶调整、对比度调整、归一化处理、椒盐噪声处理、旋转和翻转的操作对图像数据进行扩充处理，然后将扩充后的图像数据传输到检测网络模块中训练检测网络模型。所述检测网络模块：对接收的图像数据进行特征图的编解码操作，完成图像数据的特征提取和特征融合，通过分类、定位锚点双抽头生成获取检测框，再通过NMS算法对获取的检测框进行滤出，将分类概率较高的预测框作为检测结果传输至所述结果输出模块中；所述评分网络模块：将经过人工评分的图像数据通过搭建的残差网络模型进行多层卷积处理输出特征图，获得的所述特征图通过所述残差网络模型中的平均池化层和全连接层将特征向量线性变换成1个标量浮点数；所述结果输出模块：接收所述检测网络模块中的图像数据并输出，同时从所述评分检测模块中接收对应图像数据的标量浮点数，并将所述标量浮点数按照百分比例进行转换，得到的转换后的数据作为评分结果进行输出。区别现有技术的情况，本专利技术的有益效果是：本专利技术提出的一种基于深度学习的根管检测与评分的方法及系统，通过对大量数据根管X光片图像数据的采集，采用特征金字塔的方式搭建评分检测网络模型，通过残差网络结构搭建评分网络模型，根据对获取到的原始数据的标注，处理，评分，扩充等操作制备出检测数据集，来训练验证两个网络模型，实现了对根管X光片的智能化检测和评分，减少了医疗人员的工作量，提高了医疗效率。附图说明图1是本专利技术的流程图；图2是本专利技术的检测网络模型构建过程示意图；图3是本专利技术的深度残差网络结构示意图；具体实施方式在下面的描述中对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例本文档来自技高网...

【技术保护点】
1.一种基于深度学习的根管检测与评分的方法，其特征在于，所述方法包括：/nS1：获取大量牙齿与根管的原始图像数据；/nS2：对获取的原始图像数据进行数据处理，将所述图像数据进行可视化交互式的标注于数据清洗，并对所述图像数据进行评分；/nS3：将处理后的图像数据按照比例进行拆分构建检测数据集；/nS4：对构建好的检测数据集中的图像数据进行图像的预处理扩充数据量；/nS5：将经过预处理扩增的图像数据用来搭建并训练检测模型；/nS6：对检测模型中的图像进行切取；/nS7：根据获得的分割图像数据进行评分网络的搭建与训练。/n

【技术特征摘要】
1.一种基于深度学习的根管检测与评分的方法，其特征在于，所述方法包括：
S1：获取大量牙齿与根管的原始图像数据；
S2：对获取的原始图像数据进行数据处理，将所述图像数据进行可视化交互式的标注于数据清洗，并对所述图像数据进行评分；
S3：将处理后的图像数据按照比例进行拆分构建检测数据集；
S4：对构建好的检测数据集中的图像数据进行图像的预处理扩充数据量；
S5：将经过预处理扩增的图像数据用来搭建并训练检测模型；
S6：对检测模型中的图像进行切取；
S7：根据获得的分割图像数据进行评分网络的搭建与训练。


2.根据权利要求1所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S1中所述原始图像的获取得到的图像数据为经过专业认定评分的口腔根管治疗术后X线根尖片。


3.根据权利要求2所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S2中通过可视化工具对获取的原始图像数据进行牙齿和根管的标注，并将标注后的图像数据按照统一的格式进行不重复命名存储。


4.根据权利要求3所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S3中经过标注和数据清理后的图像数据按照4:1的比例，通过自动抽取工具进行多次抽取分为训练数据集和测试数据集。


5.根据权利要求4所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S4中所述图像的预处理包括图像大小重整、色阶调整、对比度调整、图像的归一化处理、椒盐噪声处理、旋转和翻转。


6.根据权利要求5所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S5中检测模型的搭建采用特征金字塔的方式对图像数据进行特征提取，特征图之间采用短接或通道连接的方式进行特征融合。


7.根据权利要求6所述的基于深度学习的根管检测与评分的方法，其特征在于，步骤S6中对人工标注的图像进行切取...

【专利技术属性】
技术研发人员：苏葆辉，谢地，
申请(专利权)人：四川大学，四川欧润特软件科技有限公司，
类型：发明
国别省市：四川;51