一种基于深度学习处理口腔CBCT图像的方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习处理口腔CBCT图像的方法和装置，涉及计算机视觉技术领域，包括：对原始锥束CT图像进行预处理，预处理包括图像的标准化和大小的调整；目标检测模块使用VGG16模型进行特征提取，并对提取的特征进行处理以得到目标框的坐标；在MB2识别模块中，首先使用GhostNet模型进行特征提取，然后使用联合重要性指标对每个卷积层的参数进行评估并进行模型剪枝，最后使用Transformer进行特征重构和分类。该方法在CBCT图像上识别上颌第一磨牙的第二根管，使得上颌第一磨牙的第二根管能被自动并准确地识别出来，不仅有助于提高根管治疗的成功率，也可以大幅降低牙医的工作负担，提高诊疗效率。提高诊疗效率。提高诊疗效率。

【技术实现步骤摘要】
一种基于深度学习处理口腔CBCT图像的方法和装置


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于深度学习处理口腔CBCT图像的方法和装置。

技术介绍

[0002]在当前的口腔医疗领域，精准的根管治疗是一项重要的工作，根管治疗成功的关键在于准确地识别和处理牙齿内的复杂根管系统。对于上颌第一磨牙而言，其根管解剖结构的复杂性以及个体间的差异，其根管解剖结构的复杂性以及个体间的差异，使得根管的准确识别和治疗变得尤为困难。通常，上颌第一磨牙的某个根可能存在一个甚至更多的根管，包括可能被忽视的“第二根管”。在临床实践中，部分患者在接受上颌磨牙根管治疗后，近中颊根根尖病变依然存在或者形成新的病变，常常是由于遗漏第二根管所致。上颌第一磨牙近中颊的第二根管，作为一种常被忽视的解剖结构，其存在与否需要使用锥形束CT(CBCT)图像进行观测，这对于上颌第一磨牙近中颊根是否存在第二根管的识别和评估来说都十分关键。
[0003]传统的二维X射线片由于其局限性，往往难以准确显示出所有根管，尤其是隐蔽或重叠的根管，这也导致了部分根管治疗的失败。锥形束计算机断层扫描(CBCT)技术的引入为牙齿的三维解剖结构提供了清晰的图像，使得根管的识别有了新的可能，但是CBCT图像数据的解析和解释仍需要大量的专业知识和经验，因此在实际应用中仍面临一定的挑战。
[0004]在现有技术中，评估过程通常需要依赖经验丰富的医疗人员通过对CBCT图像进行人工观察来确定第二根管的存在，但是这种方法存在明显的缺陷，不仅其评估效率低下，且评估结果常常受到医疗人员主观判断的影响，缺乏客观性和一致性，此外大量的图像处理工作也使得医疗人员面临巨大的工作压力，依赖人工进行第二根管的评估变得愈发困难。

技术实现思路

[0005]本专利技术所要解决的技术问题是目前上颌第一磨牙中可能存在的第二根管无法准确、高效地识别的问题，目的在于提供一种基于深度学习处理口腔CBCT图像的方法和装置，解决了目前上颌第一磨牙中可能存在的第二根管无法准确、高效地识别的问题。
[0006]本专利技术通过下述技术方案实现：
[0007]第一方面，本申请提供一种基于深度学习处理口腔CBCT图像的方法，包括：
[0008]对原始的锥束CT图像进行预处理，预处理包括图像的标准化和大小的调整；
[0009]目标检测模块使用VGG16模型进行特征提取，并对提取的特征进行处理以得到目标框的坐标；
[0010]在MB2识别模块中，首先使用GhostNet模型进行特征提取，然后使用Transformer进行特征重构和分类；其中在模型训练时，GhostNet模型进行特征提取之后，需要使用联合重要性指标对每个卷积层的参数进行评估并进行模型剪枝。
[0011]本申请的方法在CBCT图像上识别上颌第一磨牙的第二根管，使得上颌第一磨牙的
第二根管能被自动并准确地识别出来，不仅有助于提高根管治疗的成功率，也可以大幅降低牙医的工作负担，提高诊疗效率，在牙科的诊断方法中开辟了一条心的道路，具有广泛的应用前景，可以推广到其他牙齿的根管识别，或者牙齿其他复杂解剖结构的识别中，大大提升牙科医疗的诊疗质量。
[0012]优选的，对图像进行预处理时，将图像的标准化灰度值调整到0～1。
[0013]优选的，对图像进行预处理时，每个像素值按照下式进行标准化：
[0014][0015]其中，Pixel代表原始像素值，Max(I)和Min(I)分别代表图像I的最大和最小像素值。
[0016]优选的，输入图像在送入VGG16模型前，首先被下采样到分辨率为300
×
200；特征提取后，输出的特征图送入一个单层全连接模型，进行目标框坐标的回归；回归的目标值是目标框的坐标。
[0017]优选的，损失函数使用均方误差。
[0018]优选的，在模型训练时，GhostNet模型进行特征提取之后，使用联合重要性指标对每个卷积层的参数进行评估并进行模型剪枝的联合性重要指标I按照下列公式计算：
[0019][0020]其中W
i
是卷积核的第i个参数，N是卷积核参数的总数，是损失函数关于W
i
的梯度。
[0021]优选的，MB2识别模块使用BCELoss函数和Adam优化器，学习率设置为0.001。
[0022]第二方面，本申请提供一种基于深度学习处理口腔CBCT图像的装置，包括：
[0023]材料和数据预处理模块，用于对图像进行预处理，标准化灰度值到0～1之间；
[0024]目标检测模块，用于进行特征提取；
[0025]MB2识别模块，用于对CBCT图像进行目标区域裁剪、提取、重构、分类。
[0026]第三方面，本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述方法的步骤。
[0027]第四方面，本申请提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述方法的步骤。
[0028]本专利技术与现有技术相比，具有如下的优点和有益效果：
[0029](1)提高了影像诊断的准确性：通过使用VGG16和GhostNet模型进行特征提取，结合Transformer进行特征重构和分类，本申请能够从CBCT图像中准确地识别出是否存在第二根管，显著提高了影像诊断的准确性；
[0030](2)提高了影像处理的效率：本申请采用图像预处理和模型剪枝的策略，将原始图像大小调整为合适的尺寸，并通过联合重要性指标评估卷积核的重要性进行模型剪枝，显著提高了影像处理的效率，并降低了模型的计算复杂性；
[0031](3)提高了模型的可解释性和可靠性：通过使用联合重要性指标对卷积核的重要性进行评估，可以提供一个直观的方式来理解和解释模型决策的过程，从而提高模型的可解释性，同时，通过对低重要性的卷积核进行剪枝，可以去除可能引入噪音或过拟合的因素，从而提高模型的可靠性；
[0032](4)提高了影像诊断的自动化程度：本申请的方法使得CBCT图像中的第二根管识别能够自动化进行，大大减少了医生的工作量，使医务人员能够把更多的时间和精力投入到更需要他们专业技能的地方。
附图说明
[0033]为了更清楚地说明本专利技术示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
[0034]图1为本专利技术中实施例1的一种基于深度学习处理口腔CBCT图像的方法的流程示意图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，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，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处理口腔CBCT图像的方法，其特征在于，包括：对原始的锥束CT图像进行预处理，预处理包括图像的标准化和大小的调整；目标检测模块使用VGG16模型进行特征提取，并对提取的特征进行处理以得到目标框的坐标；在MB2识别模块中，首先使用GhostNet模型进行特征提取，然后使用Transformer进行特征重构和分类；其中在模型训练时，GhostNet模型进行特征提取之后，需要使用联合重要性指标对每个卷积层的参数进行评估并进行模型剪枝。2.根据权利要求1所述的一种基于深度学习处理口腔CBCT图像的方法，其特征在于，对图像进行预处理时，将图像的标准化灰度值调整到0～1。3.根据权利要求1所述的一种基于深度学习处理口腔CBCT图像的方法，其特征在于，对图像进行预处理时，每个像素值按照下式进行标准化：其中，Pixel代表原始像素值，Max(I)和Min(I)分别代表图像I的最大和最小像素值。4.根据权利要求1所述的一种基于深度学习处理口腔CBCT图像的方法，其特征在于，输入图像在送入VGG16模型前，首先被下采样到分辨率为300
×
200；特征提取后，输出的特征图送入一个单层全连接模型，进行目标框坐标的回归；回归的目标值是目标框的坐标。5.根据权利要求4所述的一种基于深度学习处理口腔CBCT图像...

【专利技术属性】
技术研发人员：林娇，李成龙，董卓君，梁成容，姜宇欣，刘洋，温碧馨，
申请(专利权)人：绵阳市第三人民医院，
类型：发明
国别省市：