一种基于机器学习的口腔反颌检测方法和牙科专用X光检测仪技术

本发明专利技术提供一种基于机器学习的口腔反颌检测方法和牙科专用X光检测仪，包括：X射线发射模块；影像处理模块；存储模块，机器学习模块，被配置为提取所述存储模块中标记有头颅侧位X光片作为样本数据集，对所述样本数据进行图像加强以增加训练网络的鲁棒性；将所述样本数据按照发病原因和相关现象进行分类和标记，所述发病原因牙源性反颌、骨源性反颌，功能性反颌；对所述样本数据进行直方图均值化；将样本数据输入至分类模型进行分类训练，所述分类模型包括多个卷积层、防止过拟合层、残差模块、以及注意力门；待模型训练和优化完成后，对下一患者头颅侧位X光片采集，将所述患者头颅侧位X光片输入至分类模型中进行预测。位X光片输入至分类模型中进行预测。位X光片输入至分类模型中进行预测。

【技术实现步骤摘要】
一种基于机器学习的口腔反颌检测方法和牙科专用X光检测仪


[0001]本专利技术涉及医学领域，尤其涉及一种基于机器学习的口腔反颌检测方法和牙科专用X光检测仪器。

技术介绍

[0002]口腔健康是全身健康的重要组成部分。中华口腔医学会、中国牙病防治基金会等专业机构推广规范化口腔健康教育，开展覆盖全人群、全生命周期的口腔健康教育，以“全国爱牙日”、“全民健康生活方式行动日”等健康主题宣传日，引导群众形成自主自律的健康生活方式。
[0003]目前我国居民患龋病、牙周病较多，这已经在医学界广泛开始宣传，提倡儿童一定年龄窝沟涂氟，保健刷牙等。而反颌疾病往往不被重视，以致于很多儿童小时候出现这种情况而没有得到及时的纠正，导致长大后咬合错乱严重。
[0004]反颌俗称地包天，主要表现为下面牙齿向前或者向颊侧突出，导致下面牙齿比上面牙齿靠外。发生反颌的原因很多，包括有先天性因素；容易导致上呼吸道不通畅使得颌面部的疾病，孩子在睡眠过程中不自觉把下颌骨向前伸展，长时期刺激下颌骨向前发育；另外还有一些是不良习惯所致，如喂奶姿势不正确，伸舌、吮指、咬上唇、下颌前伸等不良习惯也可能造成地包天。再者如果6
‑
12岁婴儿在换牙期间换牙顺序不正确或者乳牙没有保护好，出现龋齿或者乳牙早失等情况，也容易导致咬合错乱。
[0005]因此反颌形成原因多样，但是如果及时纠正，就可以避免。目前的反颌检测主要依托于医生人工确诊，这种诊断方式实时性差、效率低、劳动强度大、受人工经验和主观因素的影响大。而且，也没有一台X光检测仪针对每一次患者口腔X光片都可以自动给出患者颌骨发育引导。
[0006]而基于机器学习的诊断方法可以很大程度上克服上述弊端。

技术实现思路

[0007]本专利技术提供一种基于机器视觉的基于机器学习的口腔反颌检测方法和牙科专用X光检测仪，基于提取存储模块中头颅侧位X光片作为样本数据，快速得出关于反颌的诊断建议。
[0008]本专利技术提供的具体技术方案如下：
[0009]一方面，本专利技术提供的一种牙科专用X光检测仪，所述X光检测仪包括：
[0010]X射线发射模块，内设有X线管，是产生X射线的关键部件；
[0011]影像处理模块，内设有影像增强子模块、数字减影子模块、图像呈现子模块等，主要用于当X光穿透人体后被探测器相应位置接收后，对接收结果分析转换成图像，并对图像进行对应的影像增强处理；
[0012]存储模块，用于将每一次影像处理模块中生成的图像进行存储；
[0013]机器学习模块，被配置为提取所述存储模块中标记有头颅侧位X光片作为样本数据集，对所述样本数据进行图像加强以增加训练网络的鲁棒性；
[0014]将所述样本数据按照发病原因进行分类和标记，所述发病原因牙源性反颌、骨源性反颌，功能性反颌；
[0015]对所述样本数据进行直方图均值化，将图像中像素个数多的灰度展宽，将像素个数少的灰度压缩，提高对比度和灰度变化；
[0016]将直方图均值化后的样本数据输入至分类模型进行分类训练、深度学习；其中所述分类模型设置在所述机器学习模块上，所述分类模型包括多个卷积层、防止过拟合层、残差模块、以及注意力门；
[0017]待模型训练和优化完成后，针对下一次的患者头颅侧位X光片进行采集，在患者等待检测结果期间，将所述患者头颅侧位X光片输入至分类模型中进行预测，在患者的检测结果单上自动输出反颌相关的结论。
[0018]可选的，所述存储模块中既有正位X光片也有侧位X光片，每一X光片命名标记为Date_Number_Name_DOB_<Front view，Side view>；其中带有标记为<Front view>的X光片为正位X光片，有标记为<Side view>的X光片为侧位X光片。
[0019]可选的，所述机器学习模块执行对所述样本数据进行直方图均值化，将图像中像素个数多的灰度展宽，将像素个数少的灰度压缩，提高对比度和灰度变化之后，还执行：
[0020]对所述样本数据进行归一化处理，将所述样本数据映射到0至1区间内，以提升神经网络模型的收敛速度。
[0021]可选的，所述机器学习模块执行将样本数据输入至分类模型进行分类训练、深度学习；其中所述分类模型设置在所述机器学习模块上，所述分类模型包括多个卷积层、防止过拟合层、残差模块、以及注意力门；具体执行：采用前两层卷积层Conv3*3+BN对输入进行处理，将从存储模块提取的患者头颅侧位X光片输入如图2中的编码器，得到第一卷积图；采用激活函数对第一卷积图进行处理，得到第一中间特征图；采用第一防止过拟合层Dropout对第一中间特征图进行处理，得到第二中间特征图，其中，所述第一防止过拟合层Dropout的参数为0.2；将第二中间特征图输入第二个两层卷积层Conv3*3+BN进行卷积处理，得到第二卷积图；对第二卷积图和第一残差图进行融合处理，得到第一融合特征图；采用第二防止过拟合层Dropout对第一融合特征图进行处理，得到目标特征图，其中，所述第二防止过拟合层Dropout的参数为0.3。
[0022]可选的，所述机器学习模块还用于执行：针对目标特征图输入第三卷积层生成第三卷积图，另一个输入而解码器的输出，同样经过Conv3*3+BN的卷积处理，得到第四卷积图。
[0023]采用激活函数对第四卷积图进行处理，得到第二中间特征图。
[0024]采用卷积层Conv3*3+BN对第二中间特征图进行处理，得到第五卷积图；
[0025]对第五卷积图和第一类解码器的输入进行相乘处理，在对输出结果进行池化下采样，输出训练结果。
[0026]另一方面，本专利技术还提供一种基于机器学习的口腔反颌检测方法，用于具有自动检测口腔反颌缺陷的牙科专用X光检测仪，其特征在于，包括：
[0027]收集日常医院采集的口腔相关的患者头颅侧位X光片作为样本数据集，对所述样
本数据进行图像加强以增加训练网络的鲁棒性；
[0028]将所述样本数据按照发病原因进行分类和标记，所述发病原因牙源性反颌、骨源性反颌，功能性反颌；
[0029]对所述样本数据进行直方图均值化，将图像中像素个数多的灰度展宽，将像素个数少的灰度压缩，提高对比度和灰度变化；
[0030]将直方图均值化后的样本数据输入至分类模型进行分类训练、深度学习；其中所述分类模型设置在所述机器学习模块上，所述分类模型包括多个卷积层、多个防止过拟合层、残差模块、以及注意力门；
[0031]待模型训练和优化完成后，针对下一次的患者头颅侧位X光片进行采集，在患者等待检测结果期间，将所述患者头颅侧位X光片输入至分类模型中进行预测，在患者的检测结果单上自动输出反颌相关的结论。
[0032]本专利技术的有益效果如下：本申请的X光检测仪的本身具有生成患者口腔X光片的功能，而且存储模块可以将众多患者的影像模型进行存储。那本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种牙科专用X光检测仪，所述X光检测仪包括：X射线发射模块，内设有X线管，用于产生X射线；影像处理模块，内设有影像增强子模块、数字减影子模块、图像呈现子模块，用于当X光穿透人体后被探测器相应位置接收后，对接收结果分析转换成图像，并对图像进行对应的影像增强处理；存储模块，用于将每一次影像处理模块中生成的图像进行存储；机器学习模块，被配置为提取所述存储模块中标记有头颅侧位X光片作为样本数据集，对所述样本数据进行图像加强以增加训练网络的鲁棒性；将所述样本数据按照发病原因和相关现象进行分类和标记，所述发病原因牙源性反颌、骨源性反颌，功能性反颌；对所述样本数据进行直方图均值化，将图像中像素个数多的灰度展宽，将像素个数少的灰度压缩，提高对比度和灰度变化；将直方图均值化后的样本数据输入至分类模型进行分类训练、深度学习；其中所述分类模型设置在所述机器学习模块上，所述分类模型包括多个卷积层、防止过拟合层、残差模块、以及注意力门；以及诊断结果数据模块，用于待模型训练和优化完成后，针对下一次的患者头颅侧位X光片进行采集，在患者等待检测结果期间，将所述患者头颅侧位X光片输入至分类模型中进行预测，在患者的检测结果单上自动输出反颌相关的结论。2.根据权利要求1所述的X光检测仪，其特征在于：所述存储模块中既有正位X光片也有侧位X光片，每一X光片命名标记为Date_Number_Name_DOB_<Front view，Side view>；其中带有标记为<Front view>的X光片为正位X光片，有标记为<Side view>的X光片为侧位X光片。3.根据权利要求1所述的X光检测仪，其特征在于：所述机器学习模块执行对所述样本数据进行直方图均值化，将图像中像素个数多的灰度展宽，将像素个数少的灰度压缩，提高对比度和灰度变化之后，还执行：对所述样本数据进行归一化处理，将所述样本数据映射到0至1区间内，以提升神经网络模型的收敛速度。4.根据权利要求2所述的X光检测仪，其特征在于：所述机器学习模块执行将样本数据输入至分类模型进行分类训练、深度学习；其中所述分类模型设置在所述机器学习模块上，所述分类模型包括多个卷积层、防止过拟合层、残差模块、以及注意力门；具体执行：采用前两层卷积层Conv3*3+BN对输入进行处理，将从存储模块提取的患者头颅侧位X光片输入如图2中的编码器，得到第一卷积图；采用激活函数对第一卷积图进行处理，得到第一中间特征图；采用第一防止过拟合层Dropout对第一中间特征图进行处理，得到第二中间特征图，其中，所述第一防止过拟合层Dropout的参数为0.2；将第二中间特征图输入第二个两层卷积层Conv3*3+BN进行卷积处理，得到第二卷积图；对所述第二卷积图和第一残差图进行融合处理，得到第一融合特征图；采用第二防止过拟合层Dropout对第一融合特征图进行处理，得到目标特征图，其中，
所述第二防止过拟合层Dropout的参数为0.3。5.根据权利要求4所述的X光检测仪，其特征在于：所述机器学习模块还用于执行：针对目标特征图输入第三卷积层生成第三卷积图，另一个输入而解码器的输出，同样经过Conv3*3+BN的卷积处理，得到第四卷积图。采用所述激活函数对所述第四卷积图进行处理，得到第二中间特征图；采用卷积层Conv3*3+BN对所述第二中间特征图进行处理，得到第五卷积图；对第所述五卷积图和第一类解码器的输入进行相乘处理，在对输出结果进行池化下采样，输出训练结果。6.一种基于机器学习的口...

【专利技术属性】
技术研发人员：张琨，刘金凤，王春燕，
申请(专利权)人：青岛市妇女儿童医院，
类型：发明
国别省市：