一种基于小样本的高精度牙齿目标检测方法技术

本发明专利技术涉及一种基于小样本的高精度牙齿目标检测方法。本发明专利技术对训练图像使用符合生物学特征的针对性扩增，提升牙齿的分割模型性能；对牙齿语义边缘图像，牙齿分割图像和牙齿之间交叠部分的语义分割图像进行处理，得到高精度的牙齿语义边缘图像；提出“有限联通区域”方法，通过极坐标从牙齿语义边缘图像得到单牙齿轮廓的图像；加入基于位置信息的方法对单牙齿轮廓图像进行分类，输出牙齿的分类结果。本发明专利技术通过对小样本下全景图像和多区域局部图像的针对性扩增，使用4个U

【技术实现步骤摘要】
一种基于小样本的高精度牙齿目标检测方法


[0001]本专利技术属于牙齿图像处理
，涉及一种基于小样本的高精度牙齿目标检测方法。

技术介绍

[0002]在当今这个科技高速发展的信息时代，利用图片储存信息已经变成了一项重要的技术。。计算机图像信息处理结合人工智能，不仅可以大大提高计算机获取和表征图像的信息表达和知识泛化能力，还可以更方便、高效地进行计算机图像分析和进行目标检测。
[0003]目前的目标检测技术已经较为成熟，RCNN是第一个可以真正工业级应用的解决方案，之后Faster
‑
RCNN沿袭RCNN，在通过大样本训练之后，可以快速而精准的完成目标检测。然而牙齿目标检测方法仍然面临四个问题。一为需要大量样本支持，无法在小样本情况下取得较好效果，二为对牙齿的语义边缘分割的精确度低，不容易得到封闭的牙齿分割边缘，三为从牙齿整体图像中提取单个牙齿轮廓的方法不成熟，四为牙齿间轮廓差异小，只利用牙齿轮廓难以得到准确的牙齿分类结果。
[0004]小样本下的牙齿目标检测技术面对这四个问题一般有四类任务：任务一为应对小样本情况下样本扩增任务，现如今的样本扩增大多为随机而直接的重复，放大，缩小，翻转，镜像。虽然能够快速的将样本进行扩增，但是很多医疗图像在这样的操作后并不符合生物的特征，扩增出来的图像不具有作为训练样本的意义。任务二为对牙齿图像进行精确的语义分割任务，这种任务在小样本训练下分割效果较差，如今用于语义分割的技术大多是通过大量样本对于模型的训练，通过模型之间生成较为精确的牙齿语义分割图像。但由于牙齿X光图像上每个牙齿本身的轮廓在牙龈内的部分清晰度低，导致模型直接生成的牙齿图像的语义边缘不精准。任务三为通过牙齿语义图像提取出单个牙齿轮廓，现在对牙齿语义分割图像提取单牙齿轮廓的方法较为多样化，有的直接通过位置信息框定来得出单牙齿，有的通过牙齿语义图像进行单个牙齿提取，但目前存在的通过牙齿图像提取单牙齿轮廓的方法一般为对多种已有技术进行组合，来尽量提升准确率，存在较为复杂，耗时长的问题；或者直接对语义分割后的图像进行识别，方式较为粗陋，速度快，但准确率差。任务四为牙齿目标分类模型的训练任务，比如，将牙齿进行不同种类的区分或者上下牙的区分。这种任务往往是一张图像对应一个标签。普通牙齿分类方法会直接通过牙齿轮廓对牙齿进行分类，但牙齿之间差异较小，普通的分类方法对牙齿种类的区分准确率低。
[0005]中国专利公开号CN114219804A，公开了一种基于原型分割网络的小样本牙齿检测方法，利用目标检测和语义分割的各自优势，减少了牙齿分割种类错误且增加了牙齿边界精准度。在该技术方案中，利用了原型分割网络，通过对基于原型分割网络的小样本牙齿检测方法改进，提升了牙齿分割边界的精度，然而依旧不能保证语义边缘的封闭性。中国专利公开号CN113645902A，公开了牙齿目标检测方法及利用牙齿目标的影像整合方法，通过对口腔扫描影像中牙齿关注区域的抽取和利用基准点完成牙齿目标的影像整合，达到对三维口腔扫描影像的牙齿目标检测。该技术方案对于磨牙的牙齿目标检测精确度较高，但对于
密集的中间部分牙齿的目标检测精确度存在明显下降。
[0006]尽管目前已经有众多的辅助牙齿诊断的牙齿特征识别方法，但一种能够解决上述四个问题的小样本牙齿目标检测方法的提出仍是必要的。本专利技术面对目前技术对上述四个任务中的不足，提出了相应的步骤进行改进，并对改进后的步骤进行结合，提出了一种小样本牙齿目标检测方法
‑
4Unet目标检测方法。

技术实现思路

[0007]本专利技术的目的就是提供一种基于牙齿位置信息分类的小样本、高精度牙齿目标检测方法，通过图像扩增，产生高精度的语义边缘，能准确地从牙齿语义边缘图像中分离单个牙齿轮廓。
[0008]本专利技术(4Unet牙齿目标检测方法)解决其技术问题所采用的技术方案是：(1)对训练图像使用符合生物学特征的针对性扩增，提升牙齿的分割模型性能；(2)对牙齿语义边缘图像，牙齿分割图像和牙齿之间交叠部分的语义分割图像进行处理，得到高精度的牙齿语义边缘图像；(3)提出“有限联通区域”方法，通过极坐标从牙齿语义边缘图像得到单牙齿轮廓的图像；(4)加入基于位置信息的方法对单牙齿轮廓图像进行分类，输出牙齿的分类结果。
[0009]具体步骤如下：
[0010]步骤(1)、将小样本下牙齿图像扩增成大样本，包括针对语义分割模型训练集的局部区域扩增和针对牙齿分类模型的全景图像扩增。
[0011]具体为：控制牙齿扩增时弹性形变、旋转和缩放的程度，使牙齿扩增上符合生物学上不同人牙齿间的差距。扩增中对每个区域的图像变换即对局部的牙齿形态的变换，“模拟”了每个人牙齿之间的差异。
[0012]通过平移旋转能减少过拟合的风险，增加对输入图像的一些小扰动的鲁棒性，图像旋转过程如下：如果要对图像中的某个像素A进行旋转，在旋转θ后使其变成A
′
，需要将矩阵T与二维向量A相乘，得到了旋转后的向量A
′
：
[0013]A
→
A
′
；
[0014][0015][0016]弹性形变是样本扩增的核心，依据人体组织中最常见变形，使用相应的弹性形变程度，过程如下：首先创建随机位移场来使图像变形，即Δx(x，y)＝rand(
‑
1,+1)、Δy(x，y)＝rand(
‑
1,+1),其中rand(
‑
1,+1)是生成一个在(
‑
1,1)之间均匀分布的随机数，然后用标准差为σ的高斯函数对Δx和Δy进行卷积，其中高斯卷积的过程为：
[0017]I
σ
＝I*G
σ
；
[0018][0019]通过相应的标准差σ得到经过弹性形变的位移场，σ∈[3,10]；将得到的位移场与比例因子α相乘得到最终弹性形变的位移场，其中α∈[10,34]，在标准差σ和比例因子α范围内弹性形变扩增得到有别于小样本图像的扩增图像，且不超过牙齿组织存在正常变形的程
度。最后将这个弹性形变的场作用于原图像上，得到插值后的弹性形变图像。
[0020]步骤(2)、通过4个U
‑
Net模型生成的图像进行“位或”解决U
‑
Net模型生成牙齿的边界不精准的问题，生成高精度的牙齿边缘图像。
[0021]利用步骤(1)中局部区域扩增后的语义分割数据集训练四个不同的语义分割网络，M1为人工标注原始图像O1的牙齿的语义边缘图像，M2为人工标注原始图像O1的牙齿的语义分割图像，M4为人工标注原始图像O1的牙齿交叠部分的语义分割图像。使用原始图像O1与语义边缘图像M1训练得到U
‑
Net A模型，使用原始图像O1与语义分割图像M2训练得到U
‑
Net B模型，使用U
‑
Net B模型生成的牙齿语义分割图像M3通道叠加原始图像O1得到新图像O2，新图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本的高精度牙齿目标检测方法，其特征在于：具体为：(1)对训练图像使用符合生物学特征的针对性扩增，提升牙齿的分割模型性能；(2)对牙齿语义边缘图像，牙齿分割图像和牙齿之间交叠部分的语义分割图像进行处理，得到高精度的牙齿语义边缘图像；(3)提出“有限联通区域”方法，通过极坐标从牙齿语义边缘图像得到单牙齿轮廓的图像；(4)加入基于位置信息的方法对单牙齿轮廓图像进行分类，输出牙齿的分类结果。2.如权利要求1所述的基于小样本的高精度牙齿目标检测方法，其特征在于：所述步骤(1)具体为：将小样本下牙齿图像扩增成大样本，包括针对语义分割模型训练集的局部区域扩增和针对牙齿分类模型的全景图像扩增；通过控制牙齿扩增时弹性形变、旋转和缩放的程度，使牙齿扩增上符合生物学上不同人牙齿间的差距。3.如权利要求1所述的基于小样本的高精度牙齿目标检测方法，其特征在于：所述步骤(2)具体为：通过4个U
‑
Net模型生成的图像进行“位或”解决U
‑
Net模型生成牙齿的边界不精准的问题，生成高精度的牙齿边缘图像；利用步骤(1)中局部区域扩增后的语义分割数据集训练四个不同的U
‑
Net模型，M1为人工标注原始图像O1的牙齿的语义边缘图像，M2为人工标注原始图像O1的牙齿的语义分割图像，M4为人工标注原始图像O1的牙齿交叠部分的语义分割图像；使用原始图像O1与语义边缘图像M1训练得到U
‑
Net A模型，使用原始图像O1与语义分割图像M2训练得到U
‑
Net B模型，使用U
‑
Net B模型生成的牙齿语义分割图像M3通道叠加原始图像O1得到新图像O2，新图像O2与语义边缘图像M1训练得到U
‑
Net C模型，使用原始图像M1与牙齿交叠部分语义分割图像M4得到U
‑
Net D模型；然后将牙齿的X光原始图像通过U
‑
Net A模型生成牙齿的语义分割图像M
f
和U
‑
Net C模型生成牙齿的强化边缘M
P
，然后通过将生成的语义边缘M<...

【专利技术属性】
技术研发人员：吴震东，沈业丰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：