儿童矢状骨面型自动分类方法技术

本发明专利技术提供了儿童矢状骨面型自动分类方法，包括步骤一：数据收集；步骤二：数据标注，进行人工测量后，由3位有20年工作经验的正畸专家进行分类，儿童90

【技术实现步骤摘要】
儿童矢状骨面型自动分类方法


[0001]本专利技术属于计算机智能分类领域，尤其涉及儿童矢状骨面型自动分类方法。

技术介绍

[0002]近年来，基于卷积神经网络(CNN)的人工智能技术已成为医学影像诊断的一种高效可靠的工具。在正畸领域，也已有不少学者尝试将神经网络用于头影测量。2017年Ar1k等首次将CNN用于头颅侧位片的自动定点和测量，Yoon等使用级联CNN进行头影测量分析中的标志点检测。深度学习算法在头影测量分析中的应用表现出了很好的性能，但这些研究都集中在标志点的自动识别检测上，跟传统头影测量方法一样仍然需要先定点，再测量并诊断。
[0003]考虑到通过检测标志点的传统诊断方法可能存在较高误差，2019年Yu等首次开发了全自动、一步、端到端的骨骼分类诊断深度学习系统，无需定点和测量，即可自动诊断失状骨类型，准确率超过90％。2022年Gao等比较了4种不同CNN算法在头颅侧位片上进行自动失状型分类的模型性能。同年，Kim等研究发现基于DCNN的AI模型在失状骨分类上的表现优于自动跟踪AI软件。
[0004]与现有研究相比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.儿童矢状骨面型自动分类方法，其特征在于，包括以下步骤：步骤一：数据收集拍摄儿童X线头颅侧位片和儿童90
°
侧面照片；步骤二：数据标注对儿童X线头颅侧位片进行人工测量后，由3位有20年工作经验的正畸专家通过ANB角和Wits评估法标注标准进行分类；儿童90
°
侧面照片根据相应的X光片进行分类标注；步骤三：数据处理和数据增强使用YOLOV5进行数据处理，使得数据样本准确分类；为了避免模型在小数据集上过拟合，还需随机采用以下数据增强方式：随机旋转、随机缩放、随机平移以及对比度和亮度的随机变化，在每个训练周期中，训练集数据有50％的概率进行数据增强；步骤四：标签分布学习定义集合l＝{1,2,3}，代表骨性分类的三个类别标签，给定一个输入图片x，x的one
‑
hot标签定义为y(y∈l)，标签分布则是将y通过一个函数转换为d＝{p1,p2,p3}，其中p
i
表示x属于标签l
i
的概率值，使用高斯函数对y进行转换：其中σ是需要设置的超参数，它决定了高斯函数曲线的宽度；y表示输入图片x的真实标签值，l
i
表示第i个类别的真实标签值。步骤五：模型结构和训练细节本步骤使用的的骨干网络具有代表性的CNN模型为DenseNet121；步骤六：模型性能评估使用混淆矩阵、分类准确率accuracy,ACC、灵敏度sensitivity,SN、特异性specificity,SP、受试者操作特性ROC曲线、曲线下面积AUC来测试模型性能；考虑到标签混淆主要存在于边界病例之间，将一阶段偏差定义如下：将边界病例错误分类为其相邻类别是可以接受的。2.根据权利要求1所述的儿童矢状骨面型自动分类方法，其特征在于，步骤一中，儿童X线头颅侧位片均使用迈瑞Hyperion X9(意大利赛弗莱集团)拍摄，原始图像的像素为2460
×
1950或1752
×
2108，分辨率为0.1mm/像素，儿童90
°
侧面照片均使用尼康D7200拍摄，原始图像的像素为2510
×
2000，分辨率为0.1mm/像素，所有图像均以高分辨率的JPG格式存储。3.根据权利要求1所述的儿童矢状骨面型自动分类方法，其特征在于，步骤二中，标注标准为ANB角和Wits评估法，ANB角是用来评估上颌骨和下颌骨之间的失状向关系，由A点、鼻根点和B点所形成的角度来测量，WITS评估是对描述颌骨前后不协调严重程度的矢状骨骼...

【专利技术属性】
技术研发人员：梁柏晖，唐敏，南澜，张学军，莫水学，康娜，宋少华，
申请(专利权)人：广西大学，
类型：发明
国别省市：