一种基于深度神经网络构建下颌前导决策体系的方法技术

本发明专利技术提供一种基于深度神经网络构建下颌前导决策体系的方法，包括根据正畸专科医生决策思维，获取头颅侧位片上多个测量指标的测量值，作为下颌前导决策相关深度神经网络构建的输入特征；使用相当数量包含不同决策建议及其对应的输入特征的头颅侧位片构建数据集，并按比例划分为训练集

【技术实现步骤摘要】
一种基于深度神经网络构建下颌前导决策体系的方法


[0001]本专利技术涉及医疗信息化
，具体涉及一种基于深度神经网络构建下颌前导决策体系的方法
。

技术介绍

[0002]II
类错颌畸形是上下颌骨及牙弓的近
、
远中关系不调，下颌及下颌牙弓处于远中位置，磨牙为远中关系的畸形
。
典型表现为上颌前突
、
下颌后缩，上前牙唇倾，面下部过短等错颌畸形症状
。
[0003]处于青春期骨性
II
类畸形患者因具有较强的生长发育潜能，可通过下颌前导矫形获得显著的改善下颌后缩疗效
。
目前传统的下颌前导决策过程为：医生在患者头侧位片上进行人工定点，获取关键指标值以综合分析患者的骨型和生长阶段，以做进行下颌前导的必要性判断
。
而本申请的专利技术人经过研究发现，该传统方法存在以下弊端：第一
、
决策分析系统众多，所采用的参考的关键指标也各有不同，单个分析系统所考量的关键指标已达几十个，临床医生工作量大；第二
、
每位医生诊断头影测量参考指标有很大差异，诊断过程有较大的主观性，难以形成系统的共识性的决策标准
。
[0004]面对传统下颌前导决策临床诊疗过程主观繁琐，而儿童正畸患者就医时间集中的特点又对医生的临床效率提出了更高要求
。
因此，基于深度神经网络形成的高效且精准的青春期下颌前导决策体系正成为辅助临床诊断的迫切需求
。/>
技术实现思路

[0005]针对现有下颌前导决策临床诊疗过程主观繁琐的技术问题，本专利技术提供一种基于深度神经网络构建下颌前导决策体系的方法，该方法通过构建深度神经网络模型，来学习临床正畸专科医生诊疗下颌前导病例的临床决策思维，通过输入经过验证的关键头影测量数据，获取高效
、
精准的下颌前导决策建议
。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]一种基于深度神经网络构建下颌前导决策体系的方法，包括以下步骤：
[0008]输入特征的构建：根据正畸专科医生决策思维，获取多个与下颌前导决策高度相关的头颅侧位片测量指标，将多个测量指标排列组合成包含有部分或全部测量指标的多个随机指标集合，每个随机指标集合为一种输入特征；
[0009]数据集的形成：使用相当数量的头颅侧位片，获取正畸专科医生的下颌前导决策建议作为数据标签，同时获取每张头颅侧位片多个测量指标的测量值；构建每种输入特征对应的数据集，所述数据集包含该输入特征下所有测量指标的测量值及其相对应的数据标签，将所有数据集按比例划分为训练集
、
验证集和测试集；
[0010]基于深度神经网络的下颌前导决策体系的搭建：使用
Pytorch
框架，采用反向传播算法调整加权值的方式构建基于深度神经网络的下颌前导决策体系，使用每种输入特征对应的数据集中的训练集和验证集分别对深度神经网络模型进行训练和验证，获得能输出下
颌前导决策建议的深度神经网络模型；
[0011]下颌前导决策体系的验证：使用能输出下颌前导决策建议的深度神经网络模型对测试集中的数据样本进行检测，与正畸专科医生组对于测试集中的数据样本决策结果进行对比检验结果一致性，并依据正畸专科医生组决策结果判别决策效率最高的输入特征作为最终决策体系的输入特征，以此形成基于深度神经网络的下颌前导决策体系
。
[0012]进一步，所述输入特征的构建步骤中，根据正畸专科医生决策思维，获取多个与下颌前导决策高度相关的头颅侧位片测量指标具体包括：根据所选典型的下颌前导成功案例的头颅侧位片，测定常用的数十个头影测量数据，根据正畸专科医生决策思维，筛选与下颌生长发育相关度最高的
CVM、ANB、Wits、Overjet、SN
‑
MP、SNB、SNA、Y
‑
Axis、S
‑
Go/N
‑
Me、OP
‑
FH
共十个测量指标
。
[0013]进一步，所述数据集的形成步骤中，使用相当数量的头颅侧位片，获取正畸专科医生的下颌前导决策建议作为数据标签具体包括：将每一张头颅侧位片原片和关键头影测量数据整理后，采用双盲法由正畸专科医生组进行下颌前导决策，形成推荐前导
、
不推荐前导
、
可尝试前导三种类型决策建议，将这三种类型决策建议作为数据标签；针对同一张头颅侧位片，首次决策意见统一则将其纳入数据集，首次决策意见不统一则重新整理评估，二次评估统一则纳入数据集，不统一则不纳入，最终形成正畸专科医生组的决策结果数据集
。
[0014]进一步，所述数据集的形成步骤中，使用相当数量的头颅侧位片，同时获取每张头颅侧位片多个测量指标的测量值具体包括：选取不同性别
、
不同年龄阶段
、
不同颌骨类型的头颅侧位片，筛选出相当数量符合质量标准和满足清晰度条件的头颅侧位片作为收集数据集的原始文件；将所选头颅侧位片经过现有的自动定点识别方法，获取
CVM、ANB、Wits、Overjet、SN
‑
MP、SNB、SNA、Y
‑
Axis、S
‑
Go/N
‑
Me、OP
‑
FH
共十个测量指标的测量值
。
[0015]进一步，所述基于深度神经网络的下颌前导决策体系的搭建步骤中，深度神经网络模型包括从输入端到输出端顺序连接的第一全连接层
、
第一批量归一化层
、
第一
Mish
激活函数
、
第二全连接层
、
第二批量归一化层
、
第二
Mish
激活函数
、
第三全连接层和
Dropout
层
。
[0016]进一步，所述基于深度神经网络的下颌前导决策体系的搭建步骤中，使用每种输入特征对应的数据集中的训练集和验证集分别对深度神经网络模型进行训练和验证，获得能输出下颌前导决策建议的深度神经网络模型具体包括：使用训练集中的头颅侧位片对深度神经网络模型进行训练，深度神经网络模型深度学习提取
CVM、ANB、Wits、Overjet、SN
‑
MP、SNB、SNA、Y
‑
Axis、S
‑
Go/N
‑
Me、OP
‑
FH
十个测量指标的测量值特征，通过若干次训练得到多个训练模型，使用各个训练模型对验证集数据进行预测，并记录各个训练模型准确率，将准确率最高的训练模型作为能输出下颌前导决策建议的深度神经网络模型
。
[0017]与现有技术相比，本专利技术提供的基于深度神经网络自动作出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度神经网络构建下颌前导决策体系的方法，其特征在于，包括以下步骤：输入特征的构建：根据正畸专科医生决策思维，获取多个与下颌前导决策高度相关的头颅侧位片测量指标，将多个测量指标排列组合成包含有部分或全部测量指标的多个随机指标集合，每个随机指标集合为一种输入特征；数据集的形成：使用相当数量的头颅侧位片，获取正畸专科医生的下颌前导决策建议作为数据标签，同时获取每张头颅侧位片多个测量指标的测量值；构建每种输入特征对应的数据集，所述数据集包含该输入特征下所有测量指标的测量值及其相对应的数据标签，将所有数据集按比例划分为训练集
、
验证集和测试集；基于深度神经网络的下颌前导决策体系的搭建：使用
Pytorch
框架，采用反向传播算法调整加权值的方式构建基于深度神经网络的下颌前导决策体系，使用每种输入特征对应的数据集中的训练集和验证集分别对深度神经网络模型进行训练和验证，获得能输出下颌前导决策建议的深度神经网络模型；下颌前导决策体系的验证：使用能输出下颌前导决策建议的深度神经网络模型对测试集中的数据样本进行检测，与正畸专科医生组对于测试集中的数据样本决策结果进行对比检验结果一致性，并依据正畸专科医生组决策结果判别决策效率最高的输入特征作为最终决策体系的输入特征，以此形成基于深度神经网络的下颌前导决策体系
。2.
根据权利要求1所述的基于深度神经网络构建下颌前导决策体系的方法，其特征在于，所述输入特征的构建步骤中，根据正畸专科医生决策思维，获取多个与下颌前导决策高度相关的头颅侧位片测量指标具体包括：根据所选典型的下颌前导成功案例的头颅侧位片，测定常用的数十个头影测量数据，根据正畸专科医生决策思维，筛选与下颌生长发育相关度最高的
CVM、ANB、Wits、Overjet、SN
‑
MP、SNB、SNA、Y
‑
Axis、S
‑
Go/N
‑
Me、OP
‑
FH
共十个测量指标
。3.
根据权利要求1所述的基于深度神经网络构建下颌前导决策体系的方法，其特征在于，所述数据集的形成步骤中，使用相当数量的头颅侧位片，获取正畸专科医生的下颌前导决策建议作为数据标签具体包括：将每一张头颅侧位片原片和关键头影测量数据整理后，采用双盲法由正畸专科医生组进行下颌前导决策，形成推荐前导
、
不推荐前导
、
可尝试前导三种类型决策建议，将这三种类型决策建议作为数据标签；针对同一张头颅侧位片，首次决策意见统一则将其纳入数据集，首次决策意见...

【专利技术属性】
技术研发人员：何瑶，赵安琪，雷晓晓，朱丹，孙怡，黄兰，王瑜婧，
申请(专利权)人：重庆医科大学附属口腔医院，
类型：发明
国别省市：