基于深度边界监督的牙齿全景片龋齿识别方法技术

基于深度边界监督的牙齿全景片龋齿识别方法，在获取牙齿全景片后，将牙齿全景片通过编码模块进行特征编码，得到深层扰动特征图、跳跃连接特征图以及目标边界分割图；将深层扰动特征图输入分类模块对是否存在浅龋、中龋和深龋进行识别；最后将深层扰动特征图和跳跃连接特征图输入解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图。本发明专利技术使得网络对龋齿的分类识别能力和对龋齿边界的分割能力大大增强，使训练好的模型在遇到龋齿图像较为模糊的情况时仍能利用特殊情况中常见的部分特征得出较为合理的分类以及分割结果。

【技术实现步骤摘要】
基于深度边界监督的牙齿全景片龋齿识别方法
本专利技术涉及医疗图像处理领域，尤其涉及了基于深度边界监督的牙齿全景片龋齿识别方法。
技术介绍
龋齿是危害口腔健康的常见疾病以及多发性疾病之一，也是较为常见的一种口腔多发病，在临床上的常表现为牙齿的硬组织被广泛破坏，可发生于任何年龄阶段，尤多见于儿童。龋齿发病的初期多在牙冠，较为容易治愈，但若治疗不及时，则有可能形成难以自愈的龋洞，最终使得牙齿脱落。据第四次全国口腔健康流行病学调查结果显示，我国5岁儿童乳牙龋患率为70.9％，比10年前上升了5.8％；12岁儿童龋患率高达34.5％，比10前上升了7.8％。目前，龋齿已成为继心血管疾病和癌症之后，第3个被世界卫生组织列为重点防治的疾病。在临床上，龋齿的表现多为牙齿出现脱钙、有机质发生溶解、牙齿的正常解剖结构消失、牙齿断裂或者脱落，对正常人的口腔的健康和美观造成了非常严重的影响，也给患者带来很大的痛苦和烦恼。另一方面，我国口腔医疗资源短缺，主要表现在口腔医师数量严重不足、地域发展不平衡、国产口腔医疗器械、设备开发动能不足。2019年中国口腔产业趋势报告显示，世界卫生组织(WHO)对牙医:人口比例的建议值为1:5000，这一比例针对发达国家上升到1:2000。目前中国牙医人口比例不到1:8000，远低于其他国家水平和WHO建议值。其中对于北上广这些东部发达地区，口腔医疗发展很快，医生的拥有量明显提高，像北京市区的口腔医生和居民比例大约是1:2000，和发达国家差不多，但是到郊区就仅有1:8000，到西部就是1:20000或1:30000。此外，即使在公信力较高的公立口腔医疗机构，由于病人量远超正常负荷，医生工作量大，并且医生水平存在差异，有些症状较为隐蔽的龋齿也容易被漏诊或误诊。因此，如果可以借助人工智能(ArtificialIntelligence，AI)的技术对全景片进行预先的判读，自动分割出龋齿位置以及分析出龋齿的严重程度，则可以提高龋齿诊断的效率、精确性，减少漏诊误诊。专利技术名称为基于深度学习的口腔全景片龋齿深度识别方法，公开号为CN111784639A，公开日期为2020-10-16；专利记载了基于深度学习的口腔全景片龋齿深度识别方法，该方法先利用阈值分割方法提取龋齿区域，再利用训练好的卷积神经网络提取目标区域的高维特征，进行龋齿深度自动识别。专利技术名称为一种快速检测龋齿的检测装置及其方法，公开号为CN108460762A，公开日期为2018-8-28；专利记载了一种快速检测龋齿的检测装置及其方法，该方法的输入为检测装置拍摄的口腔图片，先对图片进行灰度化和直方图均衡化，并进行灰度线性变换后增强对比度。而后又进行二值化和中值滤波得到二维滤波图像，再通过形态学处理、Canny边缘检测得到分割后的图像。最后利用连通域法截取牙齿图片重点区域，通过识别图片中牙齿颜色的不同，进而确定初步龋齿区域，再根据龋齿区域与牙齿图片的大概面积比例计算出更精确的面积。专利技术名称为基于深度学习的全景片龋病识别的方法和装置，公开号为CN109948619A，公开日期为2019-6-28；专利记载了基于深度学习的全景片龋病识别的方法和装置，该方法先将全景片输入基于深度学习的恒牙分割模型，以得到恒牙分割结果，再确定所述恒牙分割结果中各颗牙齿对应的牙冠图像块，最后将所述牙冠图像块输入基于深度学习的龋病病灶分割模型，以得到所述龋病病灶分割结果。现有技术在对龋齿的分割问题上，未能有针对性的深度学习方法来提高龋齿分割精度，以及对于龋齿严重程度的智能识别这部分内容也未有较深研究，并且目前的方法对于龋齿边界较为模糊问题也没有对应的解决方案，导致提取出的龋齿特征不够具有代表性，进而导致龋齿分割结果和识别效果较差。
技术实现思路
为了克服已有技术现有技术在遇到较为复杂的情况时无法利用复杂情况中常见的部分特征进行龋齿语义分割以及分割边界不准确的不足,本专利技术提供了一种基于深度边界监督的牙齿全景片龋齿识别方法。本专利技术解决其技术问题所采用的技术方案是：一种基于深度边界监督的牙齿全景片龋齿识别方法，包括以下步骤：步骤S1、将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3；步骤S2、将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3；步骤S3、将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6。进一步，所述步骤S1中，将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3，过程如下：步骤1.1、将牙齿全景片I输入至卷积核大小为3*3的扰动卷积层卷积，得到跳跃连接特征图S1，其维度为C1×H0×W0，再进行池化后得到特征图F1，其维度为C1×H1×W1；步骤1.2、将特征图F1输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S2，其维度为C2×H1×W1，特征图F2，其维度为C2×H2×W2以及目标边界分割图B1，其维度为1×H1×W1；步骤1.3、将特征图F2输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S3，其维度为C3×H2×W2，特征图F3，其维度为C3×H3×W3以及目标边界分割图B2，其维度为1×H2×W2；步骤1.4、将特征图F3输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S4，其维度为C4×H3×W3，特征图F4，其维度为C4×H4×W4以及目标边界分割图B3，其维度为1×H3×W3；步骤1.5、将特征图F4输入至卷积核大小为3*3的扰动卷积层，得到特征图Fdeep，其维度为C4×H4×W4。再进一步，所述步骤S2中，将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3，过程如下：步骤2.1、将深度特征图Fdeep转换为一维向量，得到转换后的特征向量V1；步骤2.2、将V1输入全连接层一，得到浅龋存在的概率P1；步骤2.3、根据阈值和P1判断浅龋是否存在，结果值为0或1，在V1的末尾添加结果值，得到特征向量V2；步骤2.4、将V2输入全连接层二，得到浅龋存在的概率P2；步骤2.5、根据阈值和P2判断中龋是否存在，结果值为0或1，在V2的末尾添加结果值，得到特征向量V3；步骤2.6、将V3输入全连接层三，得到深龋存在的概率P3。更进一步，所述步骤S3中，将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6，过程如下：步骤3.1、将特征图Fdeep进行上采样后与特征图S4按通道组合，得到组合后的特征图，通道数为2×C4，再输入至基于边界监督的普通卷积块，得到特征图其维度为C3×H2×W2以及目标边界分割图B4，其维度为1×本文档来自技高网...

【技术保护点】
1.一种基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述方法包括以下步骤：/n步骤S1、将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图F

【技术特征摘要】
1.一种基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述方法包括以下步骤：
步骤S1、将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3；
步骤S2、将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3；
步骤S3、将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6。


2.如权利要求1所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述步骤S1中，将牙齿全景片I输入至编码模块进行特征编码，得到深度特征图Fdeep、跳跃连接特征图S1、S2、S3、S4以及目标边界分割图B1、B2、B3，过程如下：
步骤1.1、将牙齿全景片I输入至卷积核大小为3*3的扰动卷积层卷积，得到跳跃连接特征图S1，其维度为C1×H0×W0，再进行池化后得到特征图F1，其维度为C1×H1×W1；
步骤1.2、将特征图F1输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S2，其维度为C2×H1×W1，特征图F2，其维度为C2×H2×W2以及目标边界分割图B1，其维度为1×H1×W1；
步骤1.3、将特征图F2输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S3，其维度为C3×H2×W2，特征图F3，其维度为C3×H3×W3以及目标边界分割图B2，其维度为1×H2×W2；
步骤1.4、将特征图F3输入至基于边界监督的扰动卷积块，得到跳跃连接特征图S4，其维度为C4×H3×W3，特征图F4，其维度为C4×H4×W4以及目标边界分割图B3，其维度为1×H3×W3；
步骤1.5、将特征图F4输入至卷积核大小为3*3的扰动卷积层，得到特征图Fdeep，其维度为C4×H4×W4。


3.如权利要求1或2所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，所述步骤S2中，将深度特征图Fdeep输入分类模块，通过分类器链得到存在浅龋、中龋以及深龋的概率P1，P2，P3，过程如下：
步骤2.1、将深度特征图Fdeep转换为一维向量，得到转换后的特征向量V1；
步骤2.2、将V1输入全连接层一，得到浅龋存在的概率P1；
步骤2.3、根据阈值和P1判断浅龋是否存在，结果值为0或1，在V1的末尾添加结果值，得到特征向量V2；
步骤2.4、将V2输入全连接层二，得到浅龋存在的概率P2；
步骤2.5、根据阈值和P2判断中龋是否存在，结果值为0或1，在V2的末尾添加结果值，得到特征向量V3；
步骤2.6、将V3输入全连接层三，得到深龋存在的概率P3。


4.如权利要求1或2所述的基于深度边界监督的牙齿全景片龋齿识别方法，其特征在于，，所述步骤S3中，将深层特征图Fdeep输入至解码模块进行特征解码，得到龋齿分割结果以及目标边界分割图B4、B5、B6，过程如下：
步骤3.1、将特征图Fdeep进行上采样后与特征图S4按通道组合，得到组合后的特征图，通道数为2×C4，再输入至基于边界监督的普通卷积块，得到特征图其维度为C3×H2×W2以及目标边界分割图B4，其维度为1×H3×W3；
步骤3.2、将特征图与特征图S3按通道组合，得到组合后的特征图，通道数为2×C3，再输入至基于边界监督的普通卷积块，得到特征图其维度为C2×H1×W1以及目标边界分割图B5，其维度为1×H2×W2；
步骤3.3、将特征图与特征图S2按通道组合，得到组合后的特征图，通道数为2×C2，再输入至基于边界监督的普通卷积块，得到...

【专利技术属性】
技术研发人员：吴福理，张凡，陈大千，郝鹏翼，祝俊华，郑园娜，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33