龋齿图像分类模型的训练方法、系统和存储介质技术方案

本发明专利技术公开了一种龋齿图像分类模型的训练方法、系统和存储介质，分类模型包括生成器和鉴别器，方法包括以下步骤：获取牙齿图像和与牙齿图像对应的第一标签；采用牙齿图像对鉴别器进行第一训练；将牙齿图像和所述第一标签输入生成器，生成第一图像；采用第一图像对鉴别器进行第二训练；将第一图像和第一标签输入生成器，生成第二图像；根据第二图像计算牙齿图像的重构损失；以及根据第二图像计算牙齿图像的风格损失；根据重构损失和风格损失更新所述分类模型的参数。本发明专利技术训练后的分类模型在进行牙齿图像分类时，能降低图像质量、视觉角度、光照条件和目标重叠等对分类过程的影响，提高分类结果的准确度。本发明专利技术可应用于模型训练技术领域。练技术领域。练技术领域。

【技术实现步骤摘要】
龋齿图像分类模型的训练方法、系统和存储介质


[0001]本专利技术涉及模型训练
，尤其是一种龋齿图像分类模型的训练方法、系统和存储介质。

技术介绍

[0002]龋齿俗称虫牙、蛀牙，是细菌性疾病，其可以继发牙髓炎和根尖周炎，甚至能引起牙槽骨和颌骨炎症。如不及时治疗，病变继续发展，形成龋洞，终至牙冠完全破坏消失。未经治疗的龋洞是不会自行愈合的，其发展的最终结果是牙齿丧失。
[0003]图像分类技术在对龋齿预防和诊断过程中具有重要作用。目前的图像分类技术主要采用传统机器学习分类器为主导地位的方式，并且使用的数据集大部分为X数字图像，虽然有些数据集为彩色图像，但是由于存在图像质量、视觉角度、光照条件和目标重叠等因素的影响，从而导致分类精度相对较低。

技术实现思路

[0004]为解决上述技术问题，本专利技术的目的在于：提供一种龋齿图像分类模型的训练方法、系统和存储介质，其能有效提高分类精度。
[0005]第一方面，本专利技术实施例提供了：
[0006]一种龋齿图像分类模型的训练方法，所述分类模型包括生成器和鉴别器，所述方法包括以下步骤：
[0007]获取牙齿图像和与所述牙齿图像对应的第一标签；
[0008]采用所述牙齿图像对所述鉴别器进行第一训练；
[0009]将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
[0010]采用所述第一图像对所述鉴别器进行第二训练；
[0011]将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
[0012]根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
[0013]根据所述重构损失和所述风格损失更新所述分类模型的参数。
[0014]进一步地，在所述获取牙齿图像和与所述牙齿图像对应的第一标签这一步骤后，还包括以下步骤：
[0015]对所述牙齿图像进行数据増广，并获取数据増广后的牙齿图像的第二标签。
[0016]进一步地，所述生成器包括18层；
[0017]其中，第一层包括64个卷积核、归一化模块和激励函数；
[0018]第二层和第三层包括归一化模块和激励函数，用于下采样；
[0019]第四层至第十五层包括残差单元、归一化模块和激励函数；
[0020]第十六层和第十七层包括转置卷积，用于上采样；
[0021]第十八层包括卷积层和激活函数。
[0022]进一步地，所述生成器的第一层的卷积核大小为7*7、步长为1、填充为3；所述生成器的第十八层的卷积层为尺寸不变的卷积。
[0023]进一步地，所述鉴别器包括8层；
[0024]其中，第一层至第七层均由卷积层和激活函数组成；
[0025]第八层包括卷积层，所述第八层的卷积层包括分类器和真伪鉴别器。
[0026]进一步地，所述鉴别器的第一层至第七层的卷积层的大小均为4*4、步长为2、填充为1；所述鉴别器的第八层的卷积层的大小为3*3、步长为1、填充为1。
[0027]进一步地，在所述分类模型训练过程中，还包括计算牙齿图像的对抗损失和分类损失。
[0028]第二方面，本专利技术实施例提供了：
[0029]一种龋齿图像分类模型的训练系统，所述分类模型包括生成器和鉴别器，所述系统包括：
[0030]获取模块，用于获取牙齿图像和与所述牙齿图像对应的第一标签；
[0031]第一训练模块，用于采用所述牙齿图像对所述鉴别器进行第一训练；
[0032]第一生成模块，用于将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
[0033]第二训练模块，用于采用所述第一图像对所述鉴别器进行第二训练；
[0034]第二生成模块，用于将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
[0035]计算模块，用于根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
[0036]参数更新模块，用于根据所述重构损失和所述风格损失更新所述分类模型的参数。
[0037]第三方面，本专利技术实施例提供了：
[0038]一种龋齿图像分类模型的训练系统，包括：
[0039]至少一个存储器，用于存储程序；
[0040]至少一个处理器，用于加载所述程序以执行所述的龋齿图像分类模型的训练方法。
[0041]第四方面，本专利技术实施例提供了：
[0042]一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行所述的龋齿图像分类模型的训练方法。
[0043]本专利技术实施例的有益效果是：本专利技术实施例通过先获取牙齿图像和与牙齿图像对应的第一标签，接着采用牙齿图像对分类模型内的鉴别器进行第一训练，并将牙齿图像和所述第一标签输入所述生成器，生成第一图像，然后采用第一图像对分类模型内的鉴别器进行第二训练，并将第一图像和第一标签输入所述生成器，生成第二图像，最后计算牙齿图像的重构损失和风格损失，并根据重构损失和风格损失更新所述分类模型的参数，以使通过本专利技术实施例训练后的分类模型在进行牙齿图像分类时，降低图像质量、视觉角度、光照条件和目标重叠等因素对分类过程的影响，提高分类结果的准确度。
附图说明
[0044]图1为本专利技术一种具体实施例的分类模型的模块示意图；
[0045]图2为本专利技术一种具体实施例的龋齿图像分类模型的训练方法的流程图。
具体实施方式
[0046]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0047]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
[0048]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
[0049]参照图1和图2，本专利技术实施例提供了一种龋齿图像分类模型的训练方法，本实施例可应用于服务端或者若干个类型的平台的后台处理器。具体地，分类模型为ISTGan模型，其基于StarGan模型进行改进得到。在本实施例中，分类模型包括生成器和鉴别器，其中，生成器一共设有18层，其中，第1层是将3通道的牙齿图像和5通道的标签的编码特征作为输入，其一共设置了64个卷积核，卷积核的大小为7*7、滑动步长为1、填充为3，并且使用了IN(Instance Normalization，在图像像素在对长宽做归一化操作)为归一化，使用Relu作为激励函数；第2
‑
3层为两个下采样卷积层，步长为2、填本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种龋齿图像分类模型的训练方法，其特征在于，所述分类模型包括生成器和鉴别器，所述方法包括以下步骤：获取牙齿图像和与所述牙齿图像对应的第一标签；采用所述牙齿图像对所述鉴别器进行第一训练；将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；采用所述第一图像对所述鉴别器进行第二训练；将所述第一图像和所述第一标签输入所述生成器，生成第二图像；根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；根据所述重构损失和所述风格损失更新所述分类模型的参数。2.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，在所述获取牙齿图像和与所述牙齿图像对应的第一标签这一步骤后，还包括以下步骤：对所述牙齿图像进行数据増广，并获取数据増广后的牙齿图像的第二标签。3.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，所述生成器包括18层；其中，第一层包括64个卷积核、归一化模块和激励函数；第二层和第三层包括归一化模块和激励函数，用于下采样；第四层至第十五层包括残差单元、归一化模块和激励函数；第十六层和第十七层包括转置卷积，用于上采样；第十八层包括卷积层和激活函数。4.根据权利要求3所述的一种龋齿图像分类模型的训练方法，其特征在于，所述生成器的第一层的卷积核大小为7*7、步长为1、填充为3；所述生成器的第十八层的卷积层为尺寸不变的卷积。5.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，所述鉴别器包括8层；其中，第一层至第七层均由卷积层和激活函数组成；第八层包括卷积层，所述第八层的卷积层包括分类器和真伪鉴别器。6.根...

【专利技术属性】
技术研发人员：黄少宏，赵志广，范卫华，李菊红，易超，林良强，李剑波，武剑，朱佳，刘勇，严志文，邢玉林，
申请(专利权)人：深圳格瑞健康管理有限公司，
类型：发明
国别省市：