基于混合模型的龋齿检测方法、系统及可读存储介质技术方案

本发明专利技术公开了一种基于混合模型的龋齿检测方法、系统及可读存储介质。所述龋齿检测方法包括：获取牙槽骨区域图；对牙齿个体进行检测与分割，获得第一龋齿集合；获得牙齿矩形区域图和牙齿分割图；将牙齿矩形区域图输入第一分类器，进行龋齿特征相关的检测与分割，获得第二龋齿集合；将牙齿分割图输入第二分类器，获得第三龋齿集合；对龋齿集合进行结果融合，获得龋齿检测结果。本发明专利技术所提供的龋齿检测方法能够精确的提取和融合多个模型在图像中对龋齿检测的结果，提升了牙齿实例和龋齿实例的准确率；利用特定的结果融合算法，保留了不同检测过程针对同一目标的置信度，通过对置信度的权重累加，进而获取较为准确的龋齿检测结果。果。果。

【技术实现步骤摘要】
基于混合模型的龋齿检测方法、系统及可读存储介质


[0001]本专利技术涉及影像检测
，尤其涉及一种基于混合模型的龋齿检测方法、系统及可读存储介质。

技术介绍

[0002]龋齿是一种常见的牙体硬组织疾病，其特征是细菌侵蚀牙齿，导致牙齿上形成小洞或病变，正常牙釉质，牙本质不断病变丧失，直至失去对牙髓的保护，是形成牙髓炎及根尖周炎的主要诱因。
[0003]牙科X光全景片是一种临床常见的用于龋齿检查的医学影像技术，该技术能够拍摄牙齿和周围组织结构的全面视图。通过观察X光全景片可以发现龋齿的特征，如牙齿表面硬组织的损失形成的微小病变。快速、有效的龋齿定位分析可以帮助牙医及时发现和治疗牙体早期龋损，进而防止牙体疾病变得更严重。然而，基于X光全景片的牙科人工检查是一种费工费时的任务，再加上由于医疗资源分配不均衡、人口增长过快等因素等导致的局部地区牙医资源紧缺等问题，在一定程度上限制了该影像技术的医用效率。
[0004]近年来，随着数据量的爆发式增长和硬件水平的大幅提升，深度学习模型被广泛应用于不同领域，尤其是医疗健康领域。在临床需求的驱动下，基于深度学习的通用目标检测和分割模型越来越多地应用于医学影像领域。
[0005]然而现阶段的通用物体检测模型通常都是针对自然图像中的物体和特征分布来进行设计的，因此在针对医疗图像在特殊场景下获得的成像数据，模型通常表现不佳。
[0006]具体的，牙科X光全景片相较于大多数自然图像，具有分辨率高，有效信息位置较为集中，牙齿目标数量较多，龋齿特征复杂等特点，对于目标检测模型也形成了特殊的挑战，使得在不做进一步改进和适配的情况下，获得的龋齿分析效果较差。例如龋齿检出率较低，会使得牙科医生不得不进行重新检查，或者假阳性牙齿检出率较高，会增加牙科医生的工作负担，最终导致该技术在实际临床应用中无法使用。

技术实现思路

[0007]针对现有技术的不足，本专利技术的目的在于提供一种基于混合模型的龋齿检测方法、系统及可读存储介质。
[0008]为实现前述专利技术目的，本专利技术采用的技术方案包括：
[0009]第一方面，本专利技术提供基于混合模型的龋齿检测方法，其包括：
[0010]基于牙科X光片，获取牙槽骨区域图；
[0011]采用龋齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第一龋齿集合；
[0012]采用牙齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体本身进行检测与分割，获得牙齿矩形区域图和牙齿分割图，所述牙齿分割图仅保留所述牙齿个体的图像；
[0013]将所述牙齿矩形区域图输入第一分类器，对所述牙齿矩形区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第二龋齿集合；
[0014]将所述牙齿分割图输入第二分类器，对所述牙齿分割图中的牙齿个体进行龋齿特征相关的检测与分割，获得第三龋齿集合；
[0015]对所述第一龋齿集合、第二龋齿集合和第三龋齿集合进行结果融合，获得龋齿检测结果。
[0016]第二方面，本专利技术还提供一种基于混合模型的龋齿检测系统，其包括：
[0017]区域图模块，用于基于牙科X光片，获取牙槽骨区域图；
[0018]龋齿目标检测模型，用于基于实例分割算法对所述牙槽骨区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第一龋齿集合；
[0019]牙齿目标检测模型，用于基于实例分割算法对所述牙槽骨区域图中的牙齿个体本身进行检测与分割，获得牙齿矩形区域图和牙齿分割图，所述牙齿分割图仅保留所述牙齿个体的图像；
[0020]第一分类器，用于对所述牙齿矩形区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第二龋齿集合；
[0021]第二分类器，用于对所述牙齿分割图中的牙齿个体进行龋齿特征相关的检测与分割，获得第三龋齿集合；
[0022]以及，结果融合模块，用于对所述第一龋齿集合、第二龋齿集合和第三龋齿集合进行结果融合，获得龋齿检测结果。
[0023]第三方面，本专利技术还提供一种可读存储介质，存储有计算机程序，所述计算机程序被运行时执行上述龋齿检测方法的步骤。
[0024]基于上述技术方案，与现有技术相比，本专利技术的有益效果至少包括：
[0025]本专利技术所提供的龋齿检测方法是一种基于多类型深度学习模型组合的流程化图像分析方法，能够精确的提取和融合多个模型在图像中对龋齿检测的结果，采用基于深度学习目标检测算法的牙槽骨检测模型，将局部牙槽骨区域提取出，为后续的龋齿检测模型和牙齿检测模型缩小的检测范围，进而提高模型检测的效率；两个相互独立但结构相同的深度学习目标分割模型，利用自注意力机制对传统检测头进行了优化，将传统卷积层替换为自注意力层，最终提升了牙齿实例和龋齿实例的准确率；利用特定的结果融合算法，保留了不同检测过程针对同一目标的置信度，通过对置信度的权重累加，进而获取较为准确地龋齿检测结果。
[0026]上述说明仅是本专利技术技术方案的概述，为了能够使本领域技术人员能够更清楚地了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合详细附图说明如后。
附图说明
[0027]图1是本专利技术一典型实施方案提供的龋齿检测方法的流程示意图；
[0028]图2是本专利技术一典型实施方案提供的目标检测模型的结构与运作流程示意图；
[0029]图3是本专利技术一典型实施方案提供的自注意力层的结构与运作流程示意图。
具体实施方式
[0030]鉴于现有技术中的不足，本案专利技术人经长期研究和大量实践，得以提出本专利技术的技术方案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
[0031]为了提升基于深度学习算法在高清牙科X光图像中龋齿检测的效果，本文专利技术了一种基于混合深度学习模型的龋齿检测方法。本专利技术中所描述的方法在应用到图像目标检测后，相较于单个模型检测的效果，能够大幅度提升系统对龋齿的检出率和降低误报率。
[0032]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0033]而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件或方法步骤区分开来，而不一定要求或者暗示这些部件或方法步骤之间存在任何这种实际的关系或者顺序。
[0034]参见图1，本专利技术实施例提供的一种基于混合模型的龋齿检测方法，其包括如下的步骤：
[0035]基于牙科X光片，获取牙槽骨区域图。
[0036]采用龋齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第一龋齿集合。
[0037]采用牙齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体本身进行检测与分割，获得牙齿矩形区域图和牙齿分割图，所述牙齿分割图仅保留所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合模型的龋齿检测方法，其特征在于，包括：基于牙科X光片，获取牙槽骨区域图；采用龋齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第一龋齿集合；采用牙齿目标检测模型，基于实例分割算法对所述牙槽骨区域图中的牙齿个体本身进行检测与分割，获得牙齿矩形区域图和牙齿分割图，所述牙齿分割图仅保留所述牙齿个体的图像；将所述牙齿矩形区域图输入第一分类器，对所述牙齿矩形区域图中的牙齿个体进行龋齿特征相关的检测与分割，获得第二龋齿集合；将所述牙齿分割图输入第二分类器，对所述牙齿分割图中的牙齿个体进行龋齿特征相关的检测与分割，获得第三龋齿集合；对所述第一龋齿集合、第二龋齿集合和第三龋齿集合进行结果融合，获得龋齿检测结果。2.根据权利要求1所述的龋齿检测方法，其特征在于，所述龋齿目标检测模型和/或牙齿目标检测模型包含自注意力机制。3.根据权利要求2所述的龋齿检测方法，其特征在于，所述龋齿目标检测模型和/或牙齿目标检测模型包括检测分支和分割分支；所述检测分支包括依次连接的多层第一自注意力层以及全连接层；所述分割分支包括多层第二自注意力层；所述龋齿检测方法具体包括：对所述牙槽骨区域图进行特征提取，获得初始特征图；使所述初始特征图通过所述检测分支获得位置类别信息，通过分割分支获得分割信息；所述位置类别信息和分割信息构成所述第一龋齿集合，或，所述位置类别信息用于获得所述牙齿矩形区域图，所述分割信息用于获得所述牙齿分割图。4.根据权利要求3所述的龋齿检测方法，其特征在于，所述第一自注意力层和/或第二自注意力层包括平行的空间相关自注意力维度和通道相关自注意力维度；所述第一自注意力层和/或第二自注意力层的输入特征矩阵通过所述空间相关自注意力维度和通道相关自注意力维度分别获得第一子特征和第二子特征；将所述第一子特征和第二子特征进行融合，生成所述第一自注意力层和/或第二自注意力层的输出特征矩阵。5.根据权利要求1所述的龋齿检测方法，其特征在于，所述第一龋齿集合包括指示所述牙齿个体是否为龋齿的第一龋齿位置信息以及第一置信度；所述第二龋齿集合包括指示所述牙齿个体是否为龋齿的第二龋齿位置信息以及第二置信度；所述第三龋齿集合包括指示所述牙齿个体是否为龋齿的第三龋齿位置信息以及第三置信度；所述结果融合具体包括：合并所述第一龋齿集合、第二龋齿集合以及第三龋齿集合，获得合并集合；对所述合并集合中的冗余龋齿进行去除，但保留被去除的冗余龋齿相应的置信度；对所述牙齿个体对应的第一置信度、第二置信度和第三置信度进行线性加权合并，获
得合并置信度；基于所述合并置信度的大小，确定对应的所述牙齿个体是否为龋齿。6.根据权利要求5所述的龋齿检测方法，其特征在于，当所述合并集合中的牙齿个体的置信度存在缺省时，缺省置信度值赋值为0；和/或，去除所述冗余龋齿采用的方法为非极大抑制算法；和/或，设置置信度阈值，当所述合并置信度在所述置信度阈值以上时，确定对应的所述牙齿个体为龋齿。7.根据权利要求5所述的龋齿检测方法，其特征在于，所述结果融合的过程表示为：7.根据权利要求5所述的龋齿检测方法，其特征在于，所述结果融合的过程表示为：7.根据权利要求5所述的龋齿检测...

【专利技术属性】
技术研发人员：郭菁，陈齐磊，曹鱼，刘本渊，
申请(专利权)人：苏州慧维智能医疗科技有限公司，
类型：发明
国别省市：