【技术实现步骤摘要】
本专利技术涉及图像分割，特别是涉及第三磨牙和下颌管的分割方法、系统、设备及存储介质。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、下第三磨牙(third molars，m3)是人口中最后一颗长出来的牙齿，也称为下颌智齿，其常常由于缺乏足够的空间而无法正确生长。全景x线片(panoramicradiographs，prs)能够提供m3(third molars，m3)的精确位置和角度信息，帮助牙医判断是否需要拔除它们。通过分割m3(third molars，m3)，牙医可以更好地了解其对周围牙齿和牙槽骨的影响，以及可能导致的并发症，比如牙齿拥挤、感染等。
3、下颌管(mandibular canal，mc)是位于下颌骨内的重要神经结构，负责嘴唇、下颌和舌头的感觉和运动。在进行拔除m3(third molars，m3)的手术前，了解其与mc(mandibular canal，mc)的位置能有效避免损伤该神经。prs可以提供mc的精确位置和形态信息，帮助牙医规划拔牙手术并减少潜在风险。通过分割mc，牙医可以更好地评估其与m3的关系，进而决定是否需要采取其他治疗方法，如手术切除、牵引等。
4、同时，分割m3和mc还能辅助医生根据影像学表现诊断冠周炎，初步检测mc疾病。因为冠周炎表现为密度增加区域，mc疾病表现为区域密度异常或扩张。
5、然而，由于m3生长的位置较为靠后，通常会被其他牙齿或骨组织遮挡，在prs上通常表现为一条模糊的线条，很难确
6、虽然现有方法在分割m3和mc取得了一定的效果，但也存在一些问题亟待解决：
7、1)现有方法在涉及裁剪感兴趣区域(region of interest，roi)时，还是采用手工裁剪的方法，这不仅费时费力，而且裁剪标准受医生的主观经验影响，roi的一致性无法保证，导致不利于神经网络的特征提取；
8、2)现有分割分割方法都采用基于卷积神经网络(convolutional neuralnetwork，cnn)的通用医学图像分割模型unet，并且没有尝试针对性的改进，所以实际分割结果尚不能满足临床诊断过程中对于m3和mc分割的需求；
9、3)因为不同医院采集的prs质量存在较大差异，目前已有方法引入迁移学习的方法分两阶段训练，这样不仅需要大量的训练数据，还增加了目标模型训练的复杂度，这都不利于在医院开展临床辅助诊断。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了第三磨牙和下颌管的分割方法、系统、设备及存储介质；本专利技术开发了一种基于深度学习的框架，用于在prs上自动分割m3和mc。该框架采用专用于模糊轮廓分割任务的网络，取得不错的m3和mc分割效果，这是以往采用通用语义分割模型进行分割处理方法所不具备的。
2、一方面，提供了第三磨牙和下颌管的分割方法；
3、第三磨牙和下颌管的分割方法，包括：
4、获取待分割的牙齿全景x线片图像；
5、将待分割的牙齿全景x线片图像，输入到训练后的感兴趣区域检测模型中，输出包含第三磨牙和下颌管的感兴趣区域；
6、将包含第三磨牙和下颌管的感兴趣区域，输入到训练后的图像增强模型中，输出增强后的感兴趣区域；
7、将增强后的感兴趣区域，输入到训练后的图像分割模型中，输出分割后的第三磨牙图像和下颌管图像。
8、另一方面，提供了第三磨牙和下颌管的分割系统；
9、第三磨牙和下颌管的分割系统，包括：
10、获取模块，其被配置为：获取待分割的牙齿全景x线片图像；
11、区域检测模块，其被配置为：将待分割的牙齿全景x线片图像，输入到训练后的感兴趣区域检测模型中，输出包含第三磨牙和下颌管的感兴趣区域；
12、增强模块，其被配置为：将包含第三磨牙和下颌管的感兴趣区域，输入到训练后的图像增强模型中，输出增强后的感兴趣区域；
13、分割模块，其被配置为：将增强后的感兴趣区域，输入到训练后的图像分割模型中，输出分割后的第三磨牙图像和下颌管图像。
14、再一方面，还提供了一种电子设备，包括：
15、存储器，用于非暂时性存储计算机可读指令；以及
16、处理器，用于运行所述计算机可读指令，
17、其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
18、再一方面，还提供了一种存储介质，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
19、再一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
20、上述技术方案具有如下优点或有益效果：
21、本专利技术提出一种在prs上全自动化检测m3和mc的方法。首先，利用轻量化的目标检测网络从prs中检测出roi；然后，利用基于生成对抗网络的图像增强方法改善来自其他数据源图像的质量，旨在提升实际测试时的分割效果；最后，利用基于transformer架构的语义分割网络分割出m3和mc从而实现分割。
22、使用目标检测模型yolov7-tiny裁剪roi，不仅省时省力，而且保证了roi的一致性，更利于神经网络的特征提取；
23、针对在prs上分割m3和mc这类模糊边界的分割任务，提出一种基于transformer架构的分割模型rpiformer，在测试时取得了更好的分割效果；
24、通过训练cyclegan获得图像增强模型，为解决因数据源不同导致的图像质量差异较大的问题提供新思路；
25、本专利技术将深度学习算法引入到在prs上分割m3和mc任务的前处理、后处理阶段，从而实现全自动的分割，这是以往方法未曾实现的。
本文档来自技高网...【技术保护点】
1.第三磨牙和下颌管的分割方法，其特征是，包括：
2.如权利要求1所述的第三磨牙和下颌管的分割方法，其特征是，所述训练后的感兴趣区域检测模型，获取过程包括：
3.如权利要求1所述的第三磨牙和下颌管的分割方法，其特征是，所述训练后的图像分割模型，其训练过程包括：
4.如权利要求3所述的第三磨牙和下颌管的分割方法，其特征是，所述分割网络RPIFormer，其网络结构包括：相互连接的编码器和解码器；所述编码器，包括：依次连接的Overlap Patch Embeddings、第一Transformer编码块、第二Transformer编码块、第三Transformer编码块和第四Transformer编码块；所述解码器，包括：第一多层感知机层和第二多层感知机层；
5.如权利要求4所述的第三磨牙和下颌管的分割方法，其特征是，多头深度可分离卷积转置注意力机制层MDSCTA，通过跨通道应用自注意力来生成全局上下文的注意图；
6.如权利要求4所述的第三磨牙和下颌管的分割方法，其特征是，所述深度可分离卷积前馈网络DSCFFN，先将扩展特
7.如权利要求1所述的第三磨牙和下颌管的分割方法，其特征是，所述训练后的图像增强模型，其训练过程包括：
8.第三磨牙和下颌管的分割系统，其特征是，包括：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性存储计算机可读指令，其中，当非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
...【技术特征摘要】
1.第三磨牙和下颌管的分割方法，其特征是，包括：
2.如权利要求1所述的第三磨牙和下颌管的分割方法，其特征是，所述训练后的感兴趣区域检测模型，获取过程包括：
3.如权利要求1所述的第三磨牙和下颌管的分割方法，其特征是，所述训练后的图像分割模型，其训练过程包括：
4.如权利要求3所述的第三磨牙和下颌管的分割方法，其特征是，所述分割网络rpiformer，其网络结构包括：相互连接的编码器和解码器；所述编码器，包括：依次连接的overlap patch embeddings、第一transformer编码块、第二transformer编码块、第三transformer编码块和第四transformer编码块；所述解码器，包括：第一多层感知机层和第二多层感知机层；
5.如权利要求4所述的第三...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。