一种基于深度学习的自动确定基牙方法、系统和电子设备技术方案

本发明专利技术涉及口腔影像分析技术领域，尤其涉及一种基于深度学习的自动确定基牙方法、系统和电子设备，方法包括：对目标用户的的口腔曲面断层全景片进行数据增强操作，利用训练好的第一网络模型进行牙齿分割和牙位识别，得到待修复牙齿的牙位相邻的每个牙位的牙齿的图像；利用训练好的第二网络模型对待修复牙齿的牙位相邻的每个牙位的牙齿的图像进行识别，确定待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况，然后确定待修复牙齿的牙位相邻的每个牙位的牙齿的健康得分，将待修复牙齿的牙位相邻的健康得分较高的牙位的牙齿确定为待修复牙齿对应的基牙，能够快速且准确地确定待修复牙齿对应的基牙，既能节省医疗资源，还能降低用户的医疗成本。用户的医疗成本。用户的医疗成本。

【技术实现步骤摘要】
一种基于深度学习的自动确定基牙方法、系统和电子设备


[0001]本专利技术涉及口腔影像分析
，尤其涉及一种基于深度学习的自动确定基牙方法、系统和电子设备。

技术介绍

[0002]随着经济的飞速发展，人民的生活水平也逐渐提高，越来越多的人们开始关注牙齿的健康问题。同样，牙齿的健康情况也决定了人们的生活质量，并且随着年龄的增长，逐渐会出现牙齿缺失的问题。缺失牙不仅会对生活造成不便也很大程度的影响了面部的美观，对于这一问题，目前有三种口腔修复方案，分别为活动义齿、固定义齿和种植义齿。
[0003]其中，固定义齿需要把缺失牙周边的天然牙磨小用于搭桥，种植义齿需要将种植体打入到颌骨中，这两种修复方式除了花费的费用较高之外，也对患者的口腔状况要求较高，很多老年人的口腔状况并不能支持这两种修复方式。因此，活动义齿成为了最广泛的牙齿缺失修复方式。由于每个人牙齿的缺失情况不尽相同，那么设计相应的局部活动义齿的方案也多种多样，但是在设计局部活动义齿方案之前都需要确定哪些牙齿可以作为基牙。因此准确的找出基牙对于设计局部活动义齿至关重要。现有的确定基牙都是通过医生人工确定的，且需要进行大量检查才能更准确地确定出基牙，效率低，且会增加患者的医疗成本。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的不足，提供了一种基于深度学习的自动确定基牙方法、系统和电子设备。
[0005]本专利技术的一种基于深度学习的自动确定基牙方法的技术方案如下：
[0006]获取目标用户的口腔曲面断层全景片；
[0007]对口腔曲面断层全景片进行数据增强操作；
[0008]利用训练好的第一网络模型对经数据增强操作的口腔曲面断层全景片进行牙齿分割和牙位识别，得到待修复牙齿的牙位相邻的每个牙位的牙齿的图像；
[0009]利用训练好的第二网络模型对所述待修复牙齿的牙位相邻的每个牙位的牙齿的图像进行识别，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况；
[0010]根据所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的健康得分；
[0011]将所述待修复牙齿的牙位相邻的健康得分较高的牙位的牙齿确定为待修复牙齿对应的基牙。
[0012]本专利技术的一种基于深度学习的自动确定基牙方法的有益效果如下：
[0013]能够快速且准确地确定待修复牙齿对应的基牙，既能节省医疗资源，还能降低用户的医疗成本。
[0014]在上述方案的基础上，本专利技术的一种基于深度学习的自动确定基牙方法还可以做
如下改进。
[0015]进一步，所述训练好的第一网络模型的获取过程包括：
[0016]利用ResNeXt替代Mask R
‑
CNN网络中的Resnet或者vgg网络，得到优化后的Mask R
‑
CNN网络；
[0017]基于第一样本集对所述优化后的Mask R
‑
CNN网络进行训练，得到所述训练好的第一网络模型。
[0018]进一步，所述训练好的第二网络模型的获取过程包括：
[0019]基于第二样本集对Yolov5网络进行进行训练，得到所述训练好的第二网络模型。
[0020]进一步，对口腔曲面断层全景片进行数据增强操作，包括：
[0021]对所述口腔曲面断层全景片依次进行水平翻转、归一化处理、标准化处理、随机调整对比度、随机调整亮度和直方图均衡化。
[0022]本专利技术的一种基于深度学习的自动确定基牙系统的技术方案如下：
[0023]包括获取模块、增强模块、第一识别模块、第二识别模块、得分模块和确定模块；
[0024]所述获取模块用于：获取目标用户的口腔曲面断层全景片；
[0025]所述增强模块用于：对口腔曲面断层全景片进行数据增强操作；
[0026]所述第一识别模块用于：利用训练好的第一网络模型对经数据增强操作的口腔曲面断层全景片进行牙齿分割和牙位识别，得到待修复牙齿的牙位相邻的每个牙位的牙齿的图像；
[0027]所述第二识别模块用于：利用训练好的第二网络模型对所述待修复牙齿的牙位相邻的每个牙位的牙齿的图像进行识别，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况；
[0028]所述得分模块用于：根据所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的健康得分；
[0029]所述确定模块用于：将所述待修复牙齿的牙位相邻的健康得分较高的牙位的牙齿确定为待修复牙齿对应的基牙。
[0030]本专利技术的一种基于深度学习的自动确定基牙系统的有益效果如下：
[0031]能够快速且准确地确定待修复牙齿对应的基牙，既能节省医疗资源，还能降低用户的医疗成本。
[0032]在上述方案的基础上，本专利技术的一种基于深度学习的自动确定基牙系统还可以做如下改进。
[0033]进一步，还包括第一训练模块，所述第一训练模块用于：
[0034]利用ResNeXt替代Mask R
‑
CNN网络中的Resnet或者vgg网络，得到优化后的Mask R
‑
CNN网络；
[0035]基于第一样本集对所述优化后的Mask R
‑
CNN网络进行训练，得到所述训练好的第一网络模型。
[0036]进一步，还包括第二训练模块，所述第二训练模块用于：
[0037]基于第二样本集对Yolov5网络进行进行训练，得到所述训练好的第二网络模型。
[0038]进一步，所述增强模块具体用于：
[0039]对所述口腔曲面断层全景片依次进行水平翻转、归一化处理、标准化处理、随机调
整对比度、随机调整亮度和直方图均衡化。
[0040]本专利技术的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种基于深度学习的自动确定基牙方法。
[0041]本专利技术的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
附图说明
[0042]图1为本专利技术实施例的一种基于深度学习的自动确定基牙方法的流程示意图；
[0043]图2为本专利技术实施例的一种基于深度学习的自动确定基牙系统的结构示意图。
具体实施方式
[0044]如图1所示，本专利技术实施例的一种基于深度学习的自动确定基牙方法，包括如下步骤：
[0045]S1、获取目标用户的口腔曲面断层全景片；
[0046]口腔曲面断层全景片中可以显示上下颌骨、全口牙齿、上颌窦及颞下颌关节等解剖结构，能较全面的展示目标用户的口腔情况。
[0047]S2、对口腔曲面断层全景片进行数据增强操作，具体地：
[0048]对口腔曲面断层全景片依次进行水平翻转、归一化处理、标准化处理、随机调整对比度、随机调整亮度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的自动确定基牙方法，其特征在于，包括：获取目标用户的口腔曲面断层全景片；对所述口腔曲面断层全景片进行数据增强操作；利用训练好的第一网络模型对经数据增强操作的口腔曲面断层全景片进行牙齿分割和牙位识别，得到待修复牙齿的牙位相邻的每个牙位的牙齿的图像；利用训练好的第二网络模型对所述待修复牙齿的牙位相邻的每个牙位的牙齿的图像进行识别，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况；根据所述待修复牙齿的牙位相邻的每个牙位的牙齿的病变情况，确定所述待修复牙齿的牙位相邻的每个牙位的牙齿的健康得分；将所述待修复牙齿的牙位相邻的健康得分较高的牙位的牙齿确定为待修复牙齿对应的基牙。2.根据权利要求1所述的一种基于深度学习的自动确定基牙方法，其特征在于，所述训练好的第一网络模型的获取过程包括：利用ResNeXt替代Mask R
‑
CNN网络中的Resnet或者vgg网络，得到优化后的Mask R
‑
CNN网络；基于第一样本集对所述优化后的Mask R
‑
CNN网络进行训练，得到所述训练好的第一网络模型。3.根据权利要求1所述的一种基于深度学习的自动确定基牙方法，其特征在于，所述训练好的第二网络模型的获取过程包括：基于第二样本集对Yolov5网络进行进行训练，得到所述训练好的第二网络模型。4.根据权利要求1至3任一项所述的一种基于深度学习的自动确定基牙方法，其特征在于，对口腔曲面断层全景片进行数据增强操作，包括：对所述口腔曲面断层全景片依次进行水平翻转、归一化处理、标准化处理、随机调整对比度、随机调整亮度和直方图均衡化。5.一种基于深度学习的自动确定基牙系统，其特征在于，包括获取模块、增强模块、第一识别模块、第二识别模块、得分模块和确定模块；所述获取模块用于：获取目标用户的口腔曲面断层全景片；所述增强模块用于：对所述口腔曲面断层全景片进行数据增强...

【专利技术属性】
技术研发人员：丁鹏，李春磊，徐子能，白海龙，
申请(专利权)人：北京羽医甘蓝信息技术有限公司，
类型：发明
国别省市：