一种基于人工智能的口腔曲面断层片牙齿图像分割方法技术

本发明专利技术属于口腔数字化处理领域，具体公开了一种基于人工智能的口腔曲面断层片牙齿图像分割方法，包括步骤：获取口腔曲面断层片影像数据；对获取的影像数据进行预处理；将预处理后的图片输出至检测模型中进行目标图像特征检测；基于目标图像特征检测中的低秩部分和显著部分进行图像重建，并输出牙体硬组织及牙髓分类结果；将上述分类结果及特征部分输入至掩码网络中，并通过图像视觉处理通道处理，得到处理结果。本发明专利技术将深度卷积网络和口腔数字化影像结合在一起，采用通过VGG的深度网络模型预测出牙齿区域的边界框，能实现对牙齿不同组织进行精确划分，为临床口腔医师的疾病诊疗提供参考，获得更加精细的牙齿分类判别。获得更加精细的牙齿分类判别。获得更加精细的牙齿分类判别。

【技术实现步骤摘要】
一种基于人工智能的口腔曲面断层片牙齿图像分割方法


[0001]本专利技术涉及口腔数字化处理领域，具体为一种基于人工智能的口腔曲面断层片牙齿图像分割方法。

技术介绍

[0002]在临床诊疗中，为了更全面深入了解患者的牙齿、颌骨等解剖结构的相关信息，常常需要寻求影像学资料的帮助，而口腔曲面断层片在其中广受欢迎。口腔曲面断层片通过对对象的牙列颌骨等结构的二维描述，给予医生宏观全局的认识，对临床疾病的发生发展转归等具有重要意义。此外，口腔曲面断层片价格低廉，辐射量低，普及率高，这些优势也是其广泛应用的重要因素之一。
[0003]精准的牙齿图像分割不仅仅有助于确立临床疾病的诊断及后续的方案制定，而且对于研究牙齿的生长发育具有重要的研究价值。但是目前的牙齿切割存在着一定的问题，一方面由于牙齿的解剖结构直接的重叠影响，不存在明显的边界，图像存在噪声，另外，传统的人为图像分割是个冗长耗时且耗力的过程。因此，如何正常的进行牙齿图像分割是目前很多相关牙齿影像学的深入研究的限速步骤，也是最具挑战的研究之一。
[0004]传统的口腔曲面断层片多通过提升算数或算法，出现了以区域、转折点、群簇、边界等为基础的分割方法，但是由于牙齿和邻近的骨组织的细微差别，这些传统方法并没有取得很大的精度提升。近年来，机器学习，尤其是深度学习及其算法，在图像侦测、分类及疾病诊治上带来新的变革。
[0005]在口腔曲面断层片的分割研究中，可从深度学习神经网络出发，采用基于图像分块的卷积网络，使用特征取框架，提取有效特征，对口腔曲面断层片中的不同结构分类分析。

技术实现思路

[0006]本专利技术的目的在于提供一种基于人工智能的口腔曲面断层片牙齿图像分割方法，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于人工智能的口腔曲面断层片牙齿图像分割方法，包括步骤：
[0008]S1：获取口腔曲面断层片影像数据；
[0009]S2：对获取的影像数据进行预处理；
[0010]S3：将预处理后的图片输出至检测模型中进行目标图像特征检测；
[0011]S4：基于目标图像特征检测中的低秩部分和显著部分进行图像重建，并输出牙体硬组织及牙髓分类结果；
[0012]S5：将上述分类结果及特征部分输入至掩码网络中，并通过图像视觉处理通道处理，得到处理结果。
[0013]优选的，S1中是采用口腔影像设备拍摄全口曲面断层片，获得口腔曲面断层片影
像数据。
[0014]优选的，S2的预处理过程包括但不限于降噪、对比度调整、图像旋转以及截取处理。
[0015]优选的，S3中检测模型的建立过程包括：a：采集多类型、多视角、多通道的口腔曲面断层片图像，并对图像进行分类，建立图像数据集；b：对图像数据集的断层片图像进行目标与背景分割、尺寸归一化，得到训练数据集；c：采用迁移学习的方法，并利用VGG模型对训练数据集进行训练，得到训练后的VGG模型。
[0016]优选的，上述VGG模型包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络学习模型。
[0017]优选的，S5的图像视觉处理通道处理方式依次包括：分割处理、对比度提升处理、去噪处理以及边缘增强处理。
[0018]优选的，S3中检测模型对目标图像特征检测的检测过程包括：通过VGG的深度网络模型预测出牙齿区域的边界框；对网络输出的图像进行处理，输出对牙齿及其周围特征的预测。S5中最后还将网络预测的特征与传统的病症数据库进行对比，由此完成对该牙体组织特征的判断。
[0019]与现有技术相比，本专利技术的有益效果是：
[0020]本专利技术将深度卷积网络和口腔数字化影像结合在一起，采用通过VGG的深度网络模型预测出牙齿区域的边界框，然后将其输出的图像进行处理，输出对牙齿及其周围特征的预测，最后将模型预测的特征与传统的病症数据库进行对比，由此完成对该牙体组织特征的判断，最终完成对牙齿不同组织进行精确划分，为临床口腔医师的疾病诊疗提供参考，获得更加精细的牙齿分类判别，能实现区域分类处理，进一步提供建议来协助临床口腔医师进行诊疗与判断。
附图说明
[0021]图1为本专利技术的方法流程框图；
[0022]图2为本专利技术实施例中VGG架构网络示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]请参阅图1
‑
2，本专利技术提供一种技术方案：一种基于人工智能的口腔曲面断层片牙齿图像分割方法，包括步骤：
[0025]S1：获取口腔曲面断层片影像数据；
[0026]S2：对获取的影像数据进行预处理；
[0027]S3：将预处理后的图片输出至检测模型中进行目标图像特征检测；
[0028]S4：基于目标图像特征检测中的低秩部分和显著部分进行图像重建，并输出牙体硬组织及牙髓分类结果；
[0029]S5：将上述分类结果及特征部分输入至掩码网络中，并通过图像视觉处理通道处理，得到处理结果。
[0030]在本实施例中，S1中是采用口腔影像设备拍摄全口曲面断层片，获得口腔曲面断层片影像数据。
[0031]在本实施例中，S2的预处理过程包括但不限于降噪、对比度调整、图像旋转以及截取处理。
[0032]在本实施例中，S3中检测模型的建立过程包括：
[0033]a：采集多类型、多视角、多通道的口腔曲面断层片图像，并对图像进行分类，建立图像数据集；
[0034]b：对图像数据集的断层片图像进行目标与背景分割、尺寸归一化，得到训练数据集；
[0035]c：采用迁移学习的方法，并利用VGG模型对训练数据集进行训练，得到训练后的VGG模型。
[0036]在本实施例中，上述数据集训练50次后得到的精度与敏感性；
[0037]Epoch 50
[0038]lr＝2.86e
‑
07
[0039]Epoch_time:158.89s
[0040]Accuracy:99.06％
[0041]Confusion matrix:[[305,0,0,0],[0,222,4,0],[0,2,294,1],[1,0,3,341]][0042]其他:Sensitivity:99.67％,Specificity:100.00％
[0043]牙冠:Sensitivity:99.11％,Specificity:99.58％
[0044]牙齿:Sensitivity:97.67％,Specificity:99.66％
[0045]牙龈:Sensitivity:99.71％,Spec本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的口腔曲面断层片牙齿图像分割方法，其特征在于，包括步骤：S1：获取口腔曲面断层片影像数据；S2：对获取的影像数据进行预处理；S3：将预处理后的图片输出至检测模型中进行目标图像特征检测；S4：基于目标图像特征检测中的低秩部分和显著部分进行图像重建，并输出牙体硬组织及牙髓分类结果；S5：将上述分类结果及特征部分输入至掩码网络中，并通过图像视觉处理通道处理，得到处理结果。2.根据权利要求1所述的一种基于人工智能的口腔曲面断层片牙齿图像分割方法，其特征在于，所述S1中是采用口腔影像设备拍摄全口曲面断层片，获得口腔曲面断层片影像数据。3.根据权利要求1所述的一种基于人工智能的口腔曲面断层片牙齿图像分割方法，其特征在于，所述S2的预处理过程包括但不限于降噪、对比度调整、图像旋转以及截取处理。4.根据权利要...

【专利技术属性】
技术研发人员：陶疆，汪健，肖凯，李国强，李璟旸，施瑞琪，
申请(专利权)人：上海交通大学医学院附属第九人民医院，
类型：发明
国别省市：