一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法及其装置制造方法及图纸

本发明专利技术公开了一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法及其装置。首先通过训练后的Mobilenetv2

【技术实现步骤摘要】
一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法及其装置


[0001]本专利技术属于生物信息领域，涉及一种评估种植体稳定性的分类模型的构建方法及其装置和应用，具体涉及一种基于CBCT图像数据评估种植体稳定性的多任务卷积神经网络模型的构建方法及装置。

技术介绍

[0002]影像学检测越来越被广泛用于评估颌骨的骨质和骨量。种植体的稳定性在种植体植入后是一个动态变化的过程，随着骨重塑过程不断变化。使用医学影像技术来评估种植体周围骨质，可以为种植体稳定性评估提供一定的帮助。在对种植体稳定性进行评估时，仅使用传统的根尖片和全景片存在许多限制，无法提供颊舌侧牙槽骨水平的信息，且该水平的骨质流失先于近远中骨质流失；而通过口腔锥体束CT(CBCT)评估种植体周围骨整合区(种植体骨界面)能有效评估种植体稳定性。
[0003]临床治疗中，种植体稳定的评估常通过共振频率分析(RFA)进行评估。RFA可以通过Osstell设备进行测量，并自动转换成种植体稳定性系数(ISQ)，ISQ评分越高，表示种植体稳定性越高，骨整合越广泛。一般来说，临床上种植体的ISQ在40到80之间。早期负荷方案的成功严格依赖于临床医生对初期稳定性的控制和评估其随愈合时间变化的能力和可能性。但是，通过影像资料判断需要专业的影像科医生辅助，在临床医生中推广十分困难，同时其客观性无法评估。
[0004]随着大数据和计算机技术的发展，人工智能可能是一种有效的解决方案。卷积神经网络(CNN)是人工智能的核心，由通过学习自我优化的神经元组成，由输出成，中间有多个隐藏层。其中在医学领域的主要应用在于语义分割、特征提取、分类诊断。随着深度学习的发展，其在疾病诊断上也有出色的表现。如使用卷积神经网络提取的特征作为输入，支持向量机进行分类，可以实现对糖尿病引起的视网膜病变图像进行诊断。也有学者使用深度卷积神经网络模型检测荧光泪膜破裂区，通过滑窗检测以筛选破裂中心并得出泪膜破裂时间。该方法已经用于评估泪膜的稳定行并自动评估干眼症的状况。在口腔方面，可通过掩码区域的卷积神经网络在全景片中检测和分割每颗牙齿。Mu
‑
Qing Liu基于U网络实现下颌第三磨牙和下颌神经管的检测和像素级分割，并通过ResNet
‑
34网络对M3
‑
MC的关系进行分割。
[0005]利用深度学习实现更有效评估CBCT图像中种植体稳定性，进而更好地指导进一步种植修复治疗具有重要的意义。

技术实现思路

[0006]针对上述问题，本专利技术的目的是提供一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法及其装置。
[0007]为实现上述目的，本专利技术采取的技术方案为：一种基于CBCT图像数据评估种植体
稳定性的分类模型的构建方法，包括以下步骤：
[0008](1)CBCT图像数据收集和预处理：
[0009]采集若干患者的CBCT数据，对CBCT数据进行处理，重建得到牙列横截面图像和种植体横截面图像，对种植体横截面图像中的义齿进行人工标记；
[0010](2)Mobilenetv2
‑
DeeplabV3+网络训练：
[0011]将步骤(1)得到的经标记的种植体横截面图像数据输入至Mobilenetv2
‑
DeeplabV3+语义分割神经网络中进行训练，训练后得到一种基于CBCT图像的种植义齿分割模型；
[0012](3)种植体周围骨质图像提取：
[0013]将训练集的CBCT图像输入到所述种植义齿分割模型中，得到相应的种植体横截面图像集；结合种植义齿的原始信息对图像集中的图像进行处理，获得相应的种植体周围骨质图像集；
[0014](4)ResNet
‑
50网络训练：
[0015]根据所需的分类方式，将步骤(3)得到种植体周围骨质图像按其ISQ评分信息进行分类，并将种植体周围骨质图像集及其分类信息输入到ResNet
‑
50网络中，根据设置的分类模式进行训练，即可得到用于评估种植体稳定性的分类模型；
[0016]所述Mobilenetv2
‑
DeeplabV3+网络为：将原有的改进版Xception主干网络修改为Mobilenetv2；在完成MobilenetV2的特征提取后，获得两个有效特征层，输入图像高和宽压缩两次的结果作为低级特征，输入图像高和宽压缩四次的结果经过ASPP作为高级特征，ASPP部分与解码器部分与DeeplabV3+保持一致。
[0017]目前语义分割网络大都由编码块和解码块构成，编码块对输入图像进行逐步下采样，同时特征图的分辨率也在逐级降低，以便于捕获更深层的特征信息，解码块用于将小尺寸的特征图以上采集的方式，生成与原始图像分辨率相同的分割结果。DeeplabV3+采用同样的编码块、解码块的构建方式，使用了改进的Xception的网络，应用深度分离卷积，并加入了BN和ReLU，提高了特征提取的能力。在编码块中，ASPP加强特征提取网络，对压缩四次的初步有效特征层进行并行的Atrous Covnvolution，分别用于不同比率的并行卷积进行特征提取随后进行concat，最后通过1x1卷积压缩特征。在解码块中，低级特征进行1x1卷积以减少通道数，高级特征在双线性上采样4倍后于相应的低级特征连接。特征链接或最后通过3*3的卷积细化特征层，最终进行四倍双线性上采样。所述Mobilenetv2由Inverted Residual block作为核心组件组成；所述Inverted Residual block网络结构为纺锤形，先通过1X1的卷积升维，然后经过深度可分离卷积、最后再进行降维；同时每个block的输入和输出通过残差边链接，进行tensor的叠加。
[0018]步骤(2)训练后得到所述种植义齿分割模型具有良好的分割性能，其中mIoU达到94.4％、mPA为96.76％、平均召回率为96.87％，平均精确率为97.33％、准确率为99.76％，为后续评估种植体稳定性奠定了基础。将患者CBCT图像数据输入该模型中，可得到输出分割出种植义齿种植体横截面图像(义齿部分通过不同的颜色进行标识)。
[0019]对得到输出的分割出种植义齿种植体横截面图像进一步处理可得到种植体周围骨质图像。由于种植体周围骨质与种植体稳定性有很大的相关性，因此可通过种植体周围骨质图像进而评估种植体的稳定性。
[0020]根据所需的分类方式，以建立种植体周围骨质图像及种植体分类相关性为目的进行ResNet
‑
50网络训练，最终得到相应的基于CBCT图像数据评估种植体稳定性的分类模型。不同的分类方式可建立得到不同的分类模型。
[0021]作为本专利技术的优选实施方式，所述Mobilenetv2
‑
DeeplabV3+网络训练包括以下处理中的至少一种：
[0022]a、采用在线随机数据增强对数据集进行扩充；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法，其特征在于，包括以下步骤：(1)CBCT图像数据收集和预处理：采集若干患者的CBCT数据，对CBCT数据进行处理，重建得到牙列横截面图像和种植体横截面图像，对种植体横截面图像中的义齿进行人工标记；(2)Mobilenetv2
‑
DeeplabV3+网络训练：将步骤(1)得到的经标记的种植体横截面图像数据输入至Mobilenetv2
‑
DeeplabV3+语义分割神经网络中进行训练，训练后得到一种基于CBCT图像的种植义齿分割模型；(3)种植体周围骨质图像提取：将训练集的CBCT图像输入到所述种植义齿分割模型中，得到相应的种植体横截面图像集；结合种植义齿的原始信息对图像集中的图像进行处理，获得相应的种植体周围骨质图像集；(4)ResNet
‑
50网络训练：根据所需的分类方式，将步骤(3)得到种植体周围骨质图像按其ISQ评分信息进行分类，并将种植体周围骨质图像集及其分类信息输入到ResNet
‑
50网络中，根据设置的分类模式进行训练，即可得到用于评估种植体稳定性的分类模型；所述Mobilenetv2
‑
DeeplabV3+网络为：将原有的改进版Xception主干网络修改为Mobilenetv2；在完成MobilenetV2的特征提取后，获得两个有效特征层，输入图像高和宽压缩两次的结果作为低级特征，输入图像高和宽压缩四次的结果经过ASPP作为高级特征，ASPP部分与解码器部分与DeeplabV3+保持一致。2.如权利要求1所述的构建方法，其特征在于，所述Mobilenetv2
‑
DeeplabV3+网络训练包括以下处理中的至少一种：a、采用在线随机数据增强对数据集进行扩充；b、并引入Focal loss函数解决one
‑
stage目标检测中正负样本比例严重失衡的问题；c、加载通过Imagenet数据...

【专利技术属性】
技术研发人员：黄俊强，黄泽伦，赵新，
申请(专利权)人：广州医科大学附属第三医院广州重症孕产妇救治中心，广州柔济医院，
类型：发明
国别省市：