一种基于MaskR-CNN实例分割的自动标记牙齿裂纹方法技术

本发明专利技术涉及牙齿诊断医疗技术领域，公开了一种基于Mask R

【技术实现步骤摘要】
一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法


[0001]本专利技术涉及牙齿诊断医疗
，具体为一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法。

技术介绍

[0002]牙齿裂纹是人们咀嚼食物时产生疼痛的主要原因之一，也是成年人牙齿脱落的主要病因之一。牙齿裂纹初期表现为牙隐裂，是一种细微且难以发现的牙齿裂纹，当患者产生牙痛现象且无产生龋齿情况时可初步诊断。牙齿裂纹也是口腔检测中的难题，可以通过碘酊染色与酒精擦拭后观察到被染色后比较明显的裂纹，也可以通过传统的临床检测来确定，例如麻醉检查法、光纤透照检查法、计算机断层扫描技术等。
[0003]基于以上方法，仅通过牙科医生个人来识别判断牙齿裂纹，对牙科医生的经验有一定要求，且由于难以避免的视觉疲劳，可能会对牙齿症状产生误判。而且对于许多医学成像模式有需要有良好的临床环境及医疗设备，对牙齿裂纹的检查也带来诸多不便。

技术实现思路

[0004]为了解决
技术介绍
中存在的问题，针对牙齿裂纹需要人工识别及可能产生误判的问题以及对临床环境和医疗设备要求高的问题，本专利技术提供了一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法。
[0005]本专利技术提供如下技术方案：一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，包括：
[0006]S1、采集数据集
[0007]制作包含裂纹的牙齿模型，使用电子显微镜对牙齿模型进行多方位的图像采集，得到原始数据集；
[0008]S2、处理数据集
[0009]使用传统图像处理方法处理原始数据集，对经过处理的原始数据集加入噪声，得到扩充数据集；
[0010]S3、图像标注
[0011]使用标注软件Labelme对原始数据集和扩充数据集中有裂纹的图像进行人工标注，生成对应的标注图像，得到标注数据集，并将标注数据集随机分为训练集和测试集，其比例为4：1；
[0012]S4、建立并训练Mask R
‑
CNN网络结构
[0013]使用S3中的训练集来训练Mask R
‑
CNN网络结构，从而获得最优权重模型；
[0014]S5、测试模型
[0015]使用S3中的测试集来测试模型的裂纹检测效果；
[0016]S6、标记图像
[0017]使用训练得到的模型对待标记的图像进行标记。
[0018]优选的，所述S1中牙齿模型的裂纹，通过使用受力法、机械法或者温差法制出。
[0019]受力法：使用合适大小的锤子以一定的力对牙齿模型的某一位置进行反复敲打，在牙齿模型产生裂纹的过程中需要控制牙齿模型的受力大小，防止牙齿模型破裂；
[0020]机械法：使用精密的小型压力机，将牙齿模型置于压力机的固定夹具上，启动压力机，控制好压力机上的压力板的力度和位移距离，保证牙齿模型能产生裂纹，但不会导致牙齿模型碎裂。
[0021]温差法：将牙齿模型在50
‑
100度沸水和零下136
‑
196度的液氮中切换，以此使牙齿模型分别在沸水和液氮中经历骤冷骤热的过程产生裂纹。
[0022]优选的，所述S1中的电子显微镜的拍摄倍数为x10
‑
x20。
[0023]优选的，所述S1中的原始数据集包含有裂纹的图像和无裂纹的图像。
[0024]优选的，所述S2中传统图像处理方法包括翻转变换、旋转变换、裁剪、拼合、对比度变换、颜色变换；噪声包括高斯噪声、均匀分布噪声。
[0025]优选的，所述S3中人工标注图像的信息包含裂纹所在矩形框的中心坐标、矩形框尺寸及裂纹所在的像素位置。
[0026]优选的，所述S4中使用S3中的训练集来训练Mask R
‑
CNN网络结构的过程包括：
[0027]S41、在S3的训练集中获取一张标注图像，并将标注图像输入CNN中，CNN对标注图像进行特征提取，获得特征图；
[0028]S42、利用RPN生成锚框，并根据RPN网络对S41中的特征图进行二值分类及边框回归，选择预定数量锚框作为建议框；
[0029]S43、利用ROI Align将S42中所有的建议框调整为相同尺寸的ROI特征图；
[0030]S44、利用全连接层对ROI特征图进行二值分类与边框回归，再次二值分类和边框回归后的建议框为预测框；利用FCN生成每个ROI特征图的掩码，利用掩码将裂纹轮廓分割出来，并在图像上标记相应的信息；
[0031]S45、计算S44中裂纹轮廓与标注图像中裂纹的轮廓之间的偏移量，以及S44分割后获得的裂纹轮廓像素与S3标注图像中裂纹所在的像素位置的交并比，并按照偏移量对Mask R
‑
CNN网络结构参数进行更新；其中该Mask R
‑
CNN网络结构的损失函数L为L＝L
cls
+L
box
+L
mask
,L
cls
、L
box
、L
mask
分别表示分类损失、回归框损失和FCN语义分割掩膜损失；
[0032]S46、根据预设的偏移量和交并比与S45中计算所得的偏移量和交并比对比，若S45中计算所得的偏移量和交并比均大于预设的偏移量和交并比，则完成网络结构训练；若S45中计算所得的偏移量低于预设的偏移量或交并比低于预设的交并比，则将该标注图像返回S41，执行S41
‑
S45。
[0033]优选的，所述步骤S44中相应的信息包括预测框的中心坐标和尺寸，红色像素标出裂纹预测位置。
[0034]本专利技术具备以下有益效果：
[0035]该基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，对任意成像方法均适用，其适用性广；通过计算机视觉图像处理并识别牙齿裂纹，实现牙齿裂纹位置的精确标记，准确区分不同裂纹实例，不依赖人工识别和标记，大大降低诊断医生的经验要求和避免由于视觉疲劳出现的误判情况，且减少维护良好的临床环境和医疗设备的昂贵支出；对任意成像方法均适用，其适用性广，为牙科医疗提供一种高效的信息化医疗空间，实现牙科医疗模
型快捷和精准的图形化视觉效果。
附图说明
[0036]图1为基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法流程图；
[0037]图2为软件Lebelme在图像上标注裂纹的效果图；
[0038]图3为训练Mask R
‑
CNN模型的步骤流程图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，包括：S1、采集数据集制作包含裂纹的牙齿模型，使用电子显微镜对牙齿模型进行多方位的图像采集，得到原始数据集；S2、处理数据集使用传统图像处理方法处理原始数据集，对经过处理的原始数据集加入噪声，得到扩充数据集；S3、图像标注使用标注软件Labelme对原始数据集和扩充数据集中有裂纹的图像进行人工标注，生成对应的标注图像，得到标注数据集，并将标注数据集随机分为训练集和测试集，其比例为4：1；S4、建立并训练Mask R
‑
CNN网络结构使用S3中的训练集来训练Mask R
‑
CNN网络结构，从而获得最优权重模型；S5、测试模型使用S3中的测试集来测试模型的裂纹检测效果；S6、标记图像使用训练得到的模型对待标记的图像进行标记。2.根据权利要求1所述的一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，所述S1中牙齿模型的裂纹，通过使用受力法、机械法或者温差法制出。3.根据权利要求1所述的一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，所述S1中的电子显微镜的拍摄倍数为x10
‑
x20。4.根据权利要求1所述的一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，所述S1中的原始数据集包含有裂纹的图像和无裂纹的图像。5.根据权利要求1所述的一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，所述S2中传统图像处理方法包括翻转变换、旋转变换、裁剪、拼合、对比度变换、颜色变换；噪声包括高斯噪声、均匀分布噪声。6.根据权利要求1所述的一种基于Mask R
‑
CNN实例分割的自动标记牙齿裂纹方法，其特征在于，所述S3中人工标注的信息包含裂纹所在矩形框的中心坐标、矩形框尺寸及裂纹所在的像素位置。7.根据权利要求6...

【专利技术属性】
技术研发人员：王文龙，黄源昌，郭俊城，吴昱彦，陈礼智，吴居豪，何佳燕，
申请(专利权)人：广州大学，
类型：发明
国别省市：