【技术实现步骤摘要】
基于全局到局部的头影标记点定位方法、设备及介质
[0001]本专利技术涉及图像处理
，具体为一种基于全局到局部的头影标记点定位方法、设备及介质。
技术介绍
[0002]头影测量是一种成像测试，是正畸诊断的一个组成部分。通常被牙医、正畸医生和口腔颌面外科医生使用，通过分析颅面复合体的牙齿和骨骼关系，为诊断、手术计划、生长分析和治疗计划提供形态学指导。它能正确规划正畸治疗，控制正畸治疗的进程，并看到治疗的效果。此外，它使预测由于生长过程或计划的正畸治疗的面部颅骨结构的变化方向成为可能。然而，传统的头影测量分析头影测量片(侧位片和正位片)，其缺点包括几何扭曲、叠加和依赖于正确的头部定位等。此外，患者头部定位的错误会使获得的图像失真。计算机辅助分析在现代头影测量研究中的应用正在迅速发展。与以前的人工测量相比，计算机化系统的主要优点是计算速度快，定位准。最新研究表明，在计算机头影测量分析中使用卷积神经网络比正畸医生手工进行取得更好的结果。
[0003]近年来，随着图像处理技术的进步以及对精确颅面分析的需求，获得精确头影测...
【技术保护点】
【技术特征摘要】
1.一种基于全局到局部的头影标记点定位方法，其特征在于：包括以下步骤：S1：创建头影CT图像数据集；S2：对头影CT图像数据集进行预处理；S3：将处理好的数据集送入到全局FCNN网络中进行特征提取，得到全局特征，对整幅图像进行多个标记点定位与分类；S4：将得到的全局特征送入到局部FCNN网络中，得到局部特征，对每个标记点分别进行单独的回归和分类，得到优化的标记点定位和类别；S5：添加局部相对位置注意力机制，得到精确的标记点定位和类别；其中，所述步骤S3具体包括：S31.构建全局FCNN网络；S32.将图像划分为m*m个网络，在m*m个网格内执行全局FCNN网络；S33.优化全局FCNN网络损失函数，由两部分组成，其一回归损失函数：输出与标签位移之间的平均绝对误差；其二分类损失函数：输出与标签之间的二元交叉熵；得到标记点定位和类别；所述步骤S4具体包括：S41.构建局部FCNN网络；S42.利用分类任务的后验概率作为加权平均位移量的权重，在局部分类和回归时，将局部分类和回归相结合，将得到标记点定位和分类进一步优化；S43.优化局部网络损失函数，得到优化的标记点定位和类别。2.根据权利要求1所述的一种基于全局到局部的头影标记点定位方法，其特征在于，所述步骤S2具体包括：S21.对头影CT图像数据集进行聚类分析，聚类采用K
‑
Means方法，使用分隔度作为聚类算法的性能指标，分隔度的数学表达式如下：其中，表示有多少个聚类中心，，代表两个类的聚类中心，DP值越大，表示各聚类中心相互之间的距离越远，两个类的差异越大；S22.聚类分析后的图像数据进行窗宽窗位调整，根据头影对CT的吸收程度不同，在[500,1500]之间随机设置窗宽窗位，窗宽窗位调整的表达式为：其中，代表像素值，表示像素值的最小值，表示CT的吸收程度Hu值，表示窗位，表示窗宽，当像素值越大时，Hu值越小，像素显示越白；S23：调整后的图像数据随机调整对比度和光照，进行数据扩充，之后按照9:1的比例划分为训练集和测试集。3.根据权利要求1所述的一种基于全局到局部的头影标记点定位方法，其特征在于，所述步骤S31中构建全局FCNN网络，包括：
一个卷积层：包含16个7*7卷积核，步长为2；四个ResNet
‑
block：一个ResNet
‑
block包含3、4或6个卷积层对，每个卷积层对由两个卷积层组成，每个卷积层有32、64、128或256 个卷积核；其中，每个ResNet
‑
block的第一层有一个跨跃卷积层，第一和第二个ResNet
‑
block之前包含一个平均池化层，第四个ResNet
‑
block块之后，网络有两个输出头...
【专利技术属性】
技术研发人员：王都洋，王艳福，徐杨东，
申请(专利权)人：汉斯夫杭州医学科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。