基于深度学习的牙科X射线图像病变区域定位系统技术方案

本发明专利技术公开了基于深度学习的牙科X射线图像病变区域定位系统，包括：数据采集模块，其被配置为：获取待定位牙科X射线图像；病变定位模块，其被配置为：将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出待定位牙科X射线图像病变区域定位结果。通过病变区域定位，可以识别存在多种病变的牙科X射线图像，克服了当前技术仅能识别单一病变的弊端，能够更加准确、全面、客观的识别病变类型。对病变区域进行定位，能够准确告知患者病变位置，保证用药位置的准确性；通过计算病变区域的面积，实现定量分析，保证治疗方案的针对性与准确性。保证治疗方案的针对性与准确性。保证治疗方案的针对性与准确性。

【技术实现步骤摘要】
基于深度学习的牙科X射线图像病变区域定位系统


[0001]本专利技术涉及医学影像图像处理
，特别是涉及基于深度学习的牙科X射线图像病变区域定位系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]医学影像是临床疾病筛查、诊断、治疗引导和评估的重要工具。常用的医学影像技术包括：X射线，超声，计算机断层扫描(Computed Tomography,CT),核磁共振(Magnetic Resonance Imaging,MRI)。而随着医学成像技术的发展，海量的医学影像应运而生，如何从海量医学图像数据中挖掘出有用信息，已成为业界的研究热点。
[0004]牙科X射线图像是诊断牙源性疾病的重要方法，尤其是牙体缺损、根尖病变和牙槽骨吸收等。牙体缺损最常见的原因是龋齿，龋齿一种由口腔中多种因素复合作用所导致的牙齿硬组织进行性病损，随病程发展而从色泽改变到形成实质性病损的演变过程。其特点是发病率高，分布广，是口腔主要的常见病，也是人类最普遍的疾病之一，世界卫生组织已将其与癌肿和心血管疾病并列为人类三大重点防治疾病。根尖病变的常见病变为根尖周炎，是指牙根尖周组织的急性或慢性炎症。牙髓炎发展到晚期，牙髓组织大部或全部坏死时，或有细菌感染，引起根尖周组织发炎；牙齿受到急剧的外力撞击时，根尖周组织也受到猛烈的创伤而造成根尖周炎；治疗过程中医源性感染也可引起根尖周炎。常规的牙源性疾病诊断依赖于医生的水平和经验，主观性较强、耗费精力较多，并且就诊过程中需要耗费大量时间去排队、等待，耗时耗力。对于牙科X射线图像的判读，需要新的智能技术介入。
[0005]深度学习是利用深度神经网络，通过模拟人脑自动地学习数据各个层次的抽象特征，从而更好地反映数据的本质特征。近年来，深度学习在图像识别、语音识别、自然语言处理、计算机视觉等领域取得了巨大的成功。在医学图像处理领域，以卷积神经网络(Convolutional Neural Network，CNN)为主的深度学习已成为主流研究方法，例如乳腺癌识别、肺结节检测、糖尿病视网膜病变检测、脑肿瘤分割、阿兹海默检测等。
[0006]利用深度学习进行牙源性疾病诊断的研究仍处于起步阶段，有研究通过神经网络进行根尖X线片龋齿分类和牙周病变分类。现有研究都是对牙科X射线图像进行病变类别判读，即仅能进行定性分析；对于牙源性疾病的治疗，需根据病变类型、病变区域位置及大小进行治疗方案的制定，而现有技术对于病变区域的位置及病变区域的大小无法进行识别，即缺乏定量分析。现有智能诊断技术存在的另一个不足是：一张牙科X射线图像只能输出一种病变结果。而牙源性病变多为并发病变，例如当龋齿病变不能及时治疗时，继而引发牙髓炎和根尖周炎，此类问题呈现在牙科X射线图像上的特征便是：一张图像上存在多种病变。现有技术对于此类图像仅能识别一种病变，无法准确、全面的识别出所有病变。
[0007]现有的牙源性疾病的诊断存在以下3点不足：1)常规诊断依赖于诊断人员的技术水平与经验，存在着主观性强、重复性低的问题，对于缺乏诊断经验的患者而言，无法利用自身常识进行病变诊断；2)智能诊断技术仅能识别单一病变类型，对于存在多种病变的图
像无法实现准确、全面的判读；3)无论常规诊断还是智能诊断，都仅能实现定性判读，无法进行定量分析。

技术实现思路

[0008]针对现有诊断技术存在的缺乏定量分析、无法准确全面的识别病变的问题，本专利技术提出基于深度学习的牙科X射线图像病变区域定位系统，主要进行以下2方面改进：1)使用深度学习的目标检测算法识别定位牙科X射线图像中的病变区域，不仅能够识别图像中存在的多种病变类型，同时也能准确定位病变区域，便于患者更加全面的了解病变情况；2)根据牙科X射线图像成像的参数设置，获得图像与实际尺寸之间的大小比例，进而计算病变区域的大小，实现牙源性病变的定量分析。
[0009]本专利技术提供了基于深度学习的牙科X射线图像病变区域定位系统；
[0010]基于深度学习的牙科X射线图像病变区域定位系统，包括：
[0011]数据采集模块，其被配置为：获取待定位牙科X射线图像；
[0012]病变定位模块，其被配置为：将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出待定位牙科X射线图像病变区域定位结果。
[0013]与现有技术相比，本专利技术的有益效果是：
[0014]1)通过病变区域定位，可以识别存在多种病变的牙科X射线图像，克服了当前技术仅能识别单一病变的弊端，能够更加准确、全面、客观的识别病变类型；
[0015]2)对病变区域进行定位，能够准确告知患者病变位置，保证用药位置的准确性；
[0016]3)通过计算病变区域的面积，实现定量分析，保证治疗方案的针对性与准确性。
[0017]本专利技术附加方面的优点将在下面的描述中部分给出，或通过本专利技术的实践了解到。
附图说明
[0018]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0019]图1是本专利技术实施例一的基于深度学习牙科X射线图像病变区域定位的方法的流程图；
[0020]图2是本专利技术实施例一的YOLOV5网络结构图；
[0021]图3(a)～图3(e)是本专利技术实施例一的训练集训练结果图；
[0022]图4(a)～图4(c)是本专利技术实施例一的验证集训练结果图；
[0023]图5是本专利技术实施例一的GIOUloss计算逻辑图；
[0024]图6是本专利技术实施例一的DIOU计算逻辑图；
[0025]图7是本专利技术实施例一的一张随机抽取龋齿图像的模型预测结果。
具体实施方式
[0026]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0027]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0029]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0030]实施例一
[0031]本实施例提供了基于深度学习的牙科X射线图像病变区域定位系统；
[0032]如图1所示，基于深度学习的牙科X射线图像病变区域定位系统，包括：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的牙科X射线图像病变区域定位系统，其特征是，包括：数据采集模块，其被配置为：获取待定位牙科X射线图像；病变定位模块，其被配置为：将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出待定位牙科X射线图像病变区域定位结果。2.如权利要求1所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述深度学习模型为YOLOV5网络。3.如权利要求1所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述训练后的深度学习模型，训练过程包括：构建第一训练集和第一验证集；所述第一训练集和第一验证集，均包括：已知根尖炎病变位置、类型与边框的牙科X射线图像，和已知龋齿病变位置、类型与边框的牙科X射线图像；将第一训练集和第一验证集输入神经网络模型中，第一训练集用来调整网络参数，第一验证集用来衡量训练结果的好与坏；当验证结果的精确率和召回率均大于等于设定阈值；且，当验证结果的边框损失函数、分类损失函数和置信度损失函数均小于设定阈值时，停止训练，得到训练后的网络模型。4.如权利要求3所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述构建第一训练集和第一验证集，具体过程包括：从医院获取若干个已知病变区域和正常的牙科X射线图像；其中，已知病变区域是指已知根尖周炎病变区域和龋齿病变区域；对获取的每个牙科X射线图像，进行图像归一化处理；对每个压缩后的牙科X射线图像进行图像扩充处理；对图像扩充处理后的牙科X射线图像，进行标签标记处理；所述标签包括：病变区域的边框中心点横坐标、病变区域的边框中心点纵坐标、病变区域边框的宽、病变区域边框的高、病变置信度和病变类别；将标签标记处理后的图像，按照设定比例划分为第一训练集和第一验证集。5.如权利要求3所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述训练后的深度学习模型，训练过程还包括：构建测试集；所述测试集，包括：已知正常牙科X射线图像和已知病变位置、类型与边框的牙科X射线图像；将测试集输入到训练完成的网络模型中，对训练完成的模型进行测试，获得其在测试集上的精确率和召回率，根据测试结果评估网络模型：当测试结果中的精确率和召回率高于设定阈值时，则该网络模型为最终模型；当测试结果中的精确率和召回率低于设定阈值时，则进行网络的二次训练；所述二次训练，过程包括：构建第二训练集和第二验证集；其中，所述第二训练集和第二验证集，是将测试集的病变牙科X射线图像、第一训练集和第一验证集的数据进行数据整合后，按照设定比例重新划分得到的；将第二训练集和第二验证集输入神经网络模型中，...

【专利技术属性】
技术研发人员：韩民，万军，曾令芳，秦倩，
申请(专利权)人：山东大学，
类型：发明
国别省市：