一种基于深度学习的缺牙位检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种基于深度学习的缺牙位检测方法、装置、设备及存储介质，该方法包括：获取口腔CBCT图像；通过质心检测网络和实例分割网络对牙齿进行分割，得到牙齿的实例分割结果；通过全景片重建生成全景片体数据，并进行投影得到牙齿的二维全景片；通过缺牙位检测网络模型对输入的全景片数据进行预测，得到缺牙位置的检测结果。本发明专利技术所述方法可以利用正常口腔数据生成缺牙数据，避免了数据量不足给神经网络训练带来的影响，同时缺牙位检测直接在牙齿实例分割的结果上进行，不依赖真实口腔的全景片，确保了训练阶段与推理阶段的输入图像位于同一数据空间中，提升了模型泛化性。提升了模型泛化性。提升了模型泛化性。

【技术实现步骤摘要】
一种基于深度学习的缺牙位检测方法、装置、设备及存储介质


[0001]本专利技术涉及医学图像处理领域，具体涉及一种基于深度学习的缺牙位检测方法、装置、设备及存储介质。

技术介绍

[0002]在口腔种植牙
，医生每天要阅读大量的医学光片数据，这样的工作可能会由于疲劳、情绪、经验水平低等个人因素导致牙齿位置坐标的识别偏差，尤其是种植体规划的偏差。另外由于口腔结构的复杂性，种植牙的规划对于医生来说是一项繁琐的任务，往往需要花费大量的时间在种植牙的规划上。
[0003]近年来，随着医学成像技术和人工智能技术的进步，基于深度学习的神经网络备受关注，能够从医学图像大数据中自动分割提取隐含的生理或诊断特征。
[0004]专利号为CN114004831A的专利提供了一种基于深度学习辅助种植体置换的方法及辅助智能系统，该方法通过对牙齿二维图像的分割获取牙齿信息以辅助选择种植体，并通过预测种植牙区域的牙槽骨处的窝洞数据来辅助术前种植方案的设计，但是该方法需要利用缺失牙齿的患者CBCT数据进行训练，这类数据相对较少，而神经网络需要大量的训练数据以满足针对各个缺牙位的训练，因此方法实用性有一定限制。
[0005]专利号为CN114387259A的专利提供了一种用于预测缺失牙坐标的方法与装置及识别模型的训练方法，该方法利用先验知识选取200Hu作为缺牙位的CT值对正常牙齿进行覆盖，以此生成缺牙数据并进行训练，实现缺失牙数据的坐标定位。但是该方法使用阈值覆盖生成的缺牙数据与真实缺牙数据相差较大，训练得到的神经网络难以应对真实的缺牙数据。
[0006]因此，为了提高种植体规划的精准性，开发一种预测牙齿位置坐标或缺失牙坐标的方案，对于减轻牙科医生的工作负担，降低人工成本，减少误诊的发生具有重大意义。

技术实现思路

[0007]本专利技术的目的在于克服上述
技术介绍
中描述的现有技术的缺点，提供一种基于深度学习的缺牙位检测方法、装置、设备及存储介质，该方法可以利用正常口腔数据生成缺牙数据，避免数据量不足给神经网络训练带来的影响，同时缺牙位检测直接在牙齿实例分割的结果上进行，不依赖真实口腔的全景片，确保了训练阶段与推理阶段的输入图像位于同一数据空间中，提升了模型泛化性。
[0008]第一方面，本专利技术提供了一种基于深度学习的缺牙位检测方法，包括以下步骤：获取口腔CBCT图像；通过质心检测网络和实例分割网络对牙齿进行分割，得到牙齿的实例分割结果；通过全景片重建生成全景片体数据，并进行投影得到牙齿的二维全景片；通过缺牙位检测网络模型对输入的全景片数据进行预测，得到缺牙位置的检测结果。
[0009]进一步地，所述通过质心检测网络和实例分割网络对牙齿进行分割，得到牙齿的实例分割结果，包括：训练牙齿质心检测模型，对输入的CBCT图像进行牙齿质心检测与后处理，获得每颗牙齿质心点的三维坐标；训练实例分割网络模型，通过所述实例分割网络模型的两个分支计算每个质心点坐标的偏移值，得到每个体素所属牙齿的编号，从而获得牙齿的实例分割结果。
[0010]进一步地，所述训练牙齿质心检测模型，对输入的CBCT图像进行牙齿质心检测与后处理，获得每颗牙齿质心点的三维坐标，包括：使用质心检测网络模型中的3D卷积算子对输入的CBCT图像进行编码和解码，输出质心热图，所述质心热图中距离牙齿质心越近的体素其体素值越接近于1，反之则接近于0；训练网络直到损失函数收敛，得到所述质心检测网络的模型；利用所述牙齿质心检测模型对输入的CBCT图像进行质心检测，得到质心热图；以0.5为阈值对所述热图进行二值化，并对二值化后的图像进行连通域分析，每个连通域代表一颗牙齿；计算每个连通域的中心点，得到每颗牙齿在LPS坐标系下的质心坐标；对每个质心分配一个质心编号，用于后续的实例分割以及缺牙数据的生成。
[0011]进一步地，所述质心检测网络模型采用U
‑
Net模型，损失函数采用MSE
‑
Loss函数。
[0012]进一步地，所述训练实例分割网络模型，通过所述实例分割网络模型的两个分支计算每个质心点坐标的偏移值，得到每个体素所属牙齿的编号，从而获得牙齿的实例分割结果，包括：所述实例分割网络采用U
‑
Net模型，输入为CBCT图像，输出有两个分支；所述实例分割网络的两个输出分支包括分割分支和预测分支，所述分割分支对CBCT图像的牙齿区域进行分割，得到牙齿区域的二值图，所述预测分支对每个体素的偏移值进行预测；计算牙齿区域的每一个体素与之前质心检测得到的每一个质心点坐标的偏移值；选取偏移值与预测偏移值相差最小的质心点作为该体素所属牙齿的质心点，该质心点编号即为该体素所属牙齿的编号；遍历整个牙齿区域的体素，重复上述操作，最终得到实例分割的结果。
[0013]进一步地，所述预测分支对每个体素的偏移值进行预测，包括：对于牙齿区域的体素，计算距离其所属牙齿的质心在X, Y, Z三个方向上的距离，该距离即为该体素点的偏移值；对于非牙齿区域的体素，其在X, Y, Z三个方向上的偏移值都为0。
[0014]进一步地，所述分割分支的损失函数采用Dice
‑
Loss函数，公式为，其中y
pred
为神经网络的输出结果，y
true
为真实值。
[0015]进一步地，所述预测分支的损失函数采用L1_Loss函数，公式为，其中y
pred
为神经网络的输出结果，y
true
为真实值。
[0016]进一步地，所述通过全景片重建生成全景片体数据，并进行投影得到牙齿的二维全景片，包括：在所述CBCT图像上绘制牙弓曲线；
通过Serret
‑
Frenet公式计算所述牙弓曲线上每个点的切向量、法向量与副法向量；根据所述法向量与所述副法向量的方向，对所述实例分割结果进行采样；对所述牙弓曲线上的每个点进行采样，并将采样结果进行图像拼接，得到所述实例分割结果的全景片体数据；对所述全景片体数据在所述牙弓曲线的法向量方向上进行投影，计算所述法向量方向上个数最多的牙齿类别作为该点的牙齿类别，得到牙齿实例的二维全景片。
[0017]进一步地，对所述实例分割结果进行采样时使用的插值方式选择最近邻插值，采样间距设置为0.5mm。
[0018]进一步地，所述通过缺牙位检测网络模型对输入的全景片数据进行预测，得到缺牙位置的检测结果，包括：生成缺牙数据；训练缺牙位检测网络，得到缺牙位检测网络的模型；利用所述缺牙位检测网络模型对输入的全景片数据进行预测，得到缺牙位检测的结果。
[0019]进一步地，所述生成缺牙数据，包括：在牙齿实例的二维全景片中，随机选择需要覆盖的牙齿类别；根据所述牙齿类别计算得到所述全景片上所有属于该类别的像素点，将像素置为0，得到缺失牙齿的全景片图像。
[0020]进一步地，所述训练缺牙位检测网络，得到缺牙位检测网络的模型，包括：所述缺牙位检测网络采用Retina
‑
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缺牙位检测方法，其特征在于，包括以下步骤：S101，获取口腔CBCT图像；S102，通过质心检测网络和实例分割网络对牙齿进行分割，得到牙齿的实例分割结果；S103，通过全景片重建生成全景片体数据，并进行投影得到牙齿的二维全景片；S104，通过缺牙位检测网络模型对输入的全景片数据进行预测，得到缺牙位置的检测结果。2.根据权利要求1所述的一种基于深度学习的缺牙位检测方法，其特征在于，S102中所述通过质心检测网络和实例分割网络对牙齿进行分割，得到牙齿的实例分割结果，包括：训练牙齿质心检测模型，对输入的CBCT图像进行牙齿质心检测与后处理，获得每颗牙齿质心点的三维坐标；训练实例分割网络模型，通过所述实例分割网络模型的两个分支计算每个质心点坐标的偏移值，得到每个体素所属牙齿的编号，从而获得牙齿的实例分割结果。3.根据权利要求2所述的一种基于深度学习的缺牙位检测方法，其特征在于，所述训练牙齿质心检测模型，对输入的CBCT图像进行牙齿质心检测与后处理，获得每颗牙齿质心点的三维坐标，包括：使用质心检测网络模型中的3D卷积算子对输入的CBCT图像进行编码和解码，输出质心热图，所述质心热图中距离牙齿质心越近的体素其体素值越接近于1，反之则接近于0；训练网络直到损失函数收敛，得到所述质心检测网络的模型；利用所述牙齿质心检测模型对输入的CBCT图像进行质心检测，得到质心热图；以0.5为阈值对所述热图进行二值化，并对二值化后的图像进行连通域分析，每个连通域代表一颗牙齿；计算每个连通域的中心点，得到每颗牙齿在LPS坐标系下的质心坐标；对每个质心分配一个质心编号，用于后续的实例分割以及缺牙数据的生成。4.根据权利要求3所述的一种基于深度学习的缺牙位检测方法，其特征在于，所述质心检测网络模型采用U
‑
Net模型，损失函数采用MSE
‑
Loss函数。5.根据权利要求2所述的一种基于深度学习的缺牙位检测方法，其特征在于，所述训练实例分割网络模型，通过所述实例分割网络模型的两个分支计算每个质心点坐标的偏移值，得到每个体素所属牙齿的编号，从而获得牙齿的实例分割结果，包括：所述实例分割网络采用U
‑
Net模型，输入为CBCT图像，输出有两个分支；所述实例分割网络的两个输出分支包括分割分支和预测分支，所述分割分支对CBCT图像的牙齿区域进行分割，得到牙齿区域的二值图，所述预测分支对每个体素的偏移值进行预测；计算牙齿区域的每一个体素与之前质心检测得到的每一个质心点坐标的偏移值；选取偏移值与预测偏移值...

【专利技术属性】
技术研发人员：聂智林，翟方文，乔天，
申请(专利权)人：杭州键嘉医疗科技股份有限公司，
类型：发明
国别省市：