System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体涉及一种口腔全景片影像摆位错误分类模型训练方法及分类方法。
技术介绍
1、影像质量评估是对医学图像的质量进行定量或定性评估的过程。影像质量直接影响医生对图像的解读和诊断结果,高质量的影像可以提供更清晰、更详细的图像信息,帮助医生准确识别病变、评估疾病的程度和发展情况,从而提高诊断的准确性,为患者选择合适的治疗方案。此外,优质的影像也有助于学术界之间的交流和共享,促进医学影像领域的进步和发展。影像质量评估可以确定图像的可用性、准确性和可靠性,以确保图像在临床诊断、科学研究和学术交流中的有效性,并且为提升影像质量作有力指导。
2、口腔全景x线片是一种有价值的牙科放射线技术,可以让牙医在一张影像中观察到口腔和颌面重要的解剖结构。它有助于诊断各种疾病,如牙周病、肿瘤、囊肿以及下颌骨损伤。由于其快速成像能力、较低的辐射剂量和便捷的操作,口腔全景x线片在牙科领域广受欢迎。然而,不同机构的最新报告表明,相当数量的全景片图像未能达到质量标准。非诊断性图像通常会导致额外的成像和重复检查,增加患者患癌风险的可能性。因此,全景片图像质量评估对于临床诊疗、患者健康科以及质量改进有重要意义。全景片图像质量受到多种因素的影响,包括摄像仪的位置和角度、患者的摆位等等。其中,摆位错误是最主要的因素,它不能通过后期处理进行调整。当在获取口腔全景图像过程中发生百位错误时,就会导致各种变形的解剖结构和图像伪影。例如,当患者的位置太向前时,会导致“上下颌前牙狭窄”的视觉指示。因此,对口腔全景片摆位错误进行识别是口腔全景片质量评估
3、现有已发表的口腔全景片质量评估的研究中,主要包含对口腔全景片的整体质量和区域特定质量的手工评估。整体质量评估会阻碍综合客观评估,因为它无法准确识别特定问题,从而缺乏直接和即时的改进图像质量的指导,并且在过程中采取抽样的评估方法,无法客观德反映出诊所的整体影像质量。虽然当前对于摆位错误的统计分析在一定程度上有助于细化质量影响因素的定位,但这些错误的手动识别仍然严重依赖于医生的主观判断。总的来说,临床现有的口腔全景片质量评估方法仅依靠手工评价,严重缺乏客观性,评估过程需要影像科医生具备高级技能和经验,投入大量的时间和精力,而且不能提供实时的反馈或指导。
4、对于图像质量评估任务而言,质量因素的识别界限相对不是很清晰。使用0或1的逻辑标签会导致网络的过度置信,导致过拟合和模型泛化差,并且这种方法假设多标签分类中的所有标签都是相互独立的,忽略每个标签对样本的相对重要性,进一步限制了深度学习模型的学习能力。
技术实现思路
1、本申请要解决的技术问题是提供一种口腔全景片影像摆位错误分类模型训练方法及分类方法,具有模型学习能力更强,分类更准确的特点。
2、第一方面,一种实施例中提供一种口腔全景片影像摆位错误分类模型训练方法,包括:
3、采集多张存在多类摆位错误的口腔全景图像;
4、对所述口腔全景图像进行摆位错误标签的标定;
5、对标定后的口腔全景图像进行数据预处理,得到训练数据集;
6、将所述训练数据集作为输入,基于构建的基础网络框架进行第一训练阶段的训练,包括:
7、对于输入的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第一一维特征向量;
8、将多张所述第一一维特征向量经全连接层全连接处理后再进行非线性激活处理得到分类结果;
9、基于全连接处理的结果构建第一损失函数,并将该第一损失函数分别反馈至特征提取网络和全连接层进行训练直至收敛;
10、将所述训练数据集和多张示例图像作为输入,所述多张示例图像基于所述训练数据集选取,每张示例图像存在一类摆位错误,且与所述多类摆位错误一一对应,基于构建的基础网络框架进行第二训练阶段的训练,包括:
11、对于输入的训练数据集的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第二一维特征向量;
12、将多张所述第二一维特征向量经全连接层全连接处理后再进行非线性激活处理得到分类结果;
13、对输入的多张示例图像的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第三一维特征向量;
14、将所述第二一维特征向量和所述多张示例图像所一一对应的多个第三一维特征向量进行拼接后得到第四二维特征向量;
15、将所述第四二维特征向量进行标签增强处理,基于标签增强处理后的结果和全连接处理的结果构建第二损失函数,并将第二损失函数分别反馈至特征提取网络和全连接层进行训练直至收敛,以得到口腔全景片影像摆位错误分类模型。
16、一种实施例中,所述的对标定后的口腔全景图像进行数据预处理,得到训练数据集,包括:
17、对于标定后的口腔全景图像中的任意一张图像,通过重采样操作,调整为预设大小,得到第一图像;
18、将所有第一图像中的任意数量的第一图像,采用左右对称的增强方法,进行数据增强得到一一对应的第二图像;
19、对于所有第二图像和未进行数据增强处理的第一图像,进行归一化处理,得到训练数据集。
20、一种实施例中,所述的基于全连接处理的结果构建第一损失函数,并将该第一损失函数分别反馈至特征提取网络和全连接层进行训练直至收敛,包括:
21、基于全连接处理的结果构建第一损失函数,对于任意一全连接处理输入的一维特征向量对应的全连接处理的结果所得到的第一损失函数lamls包括:
22、,
23、其中,y表示任意一全连接处理输入的一维特征向量的摆位错误标签,y=(y1,y2,...,yi,...,yi),i,j均表示摆位错误标签类别的索引,i表示摆位错误标签类别的总数,1≤i,j≤i,s表示y所对应的全连接处理的结果,s=(s1,s2,...,si,...,si),n表示y中未出现的摆位错误标签类别的集合,p表示y中出现的摆位错误标签的集合,、和均表示预设的加权因子;
24、将第一损失函数lamls分别反馈至特征提取网络和全连接层进行训练直至收敛,以完成第一训练阶段的训练。
25、一种实施例中,加权因子,。
26、一种实施例中,加权因子,。
27、一种实施例中,所述的对于输入的训练数据集的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第二一维特征向量,包括:
28、,
29、其中,表示训练数据集中的任意一张图像;表示特征提取处理,表示第二一维特征向量;
30、所述的对输入的多张示例图像的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第三一维本文档来自技高网...
【技术保护点】
1.一种口腔全景片影像摆位错误分类模型训练方法,其特征在于,包括:
2.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的对标定后的口腔全景图像进行数据预处理,得到训练数据集,包括:
3.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的基于全连接处理的结果构建第一损失函数,并将该第一损失函数分别反馈至特征提取网络和全连接层进行训练直至收敛,包括:
4.如权利要求3所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,加权因子,。
5.如权利要求4所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,加权因子,。
6.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的对于输入的训练数据集的任意一张图像,经特征提取网络特征提取处理得到具有深度特征的第二一维特征向量,包括:
7.如权利要求6所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的将所述第四二维特征向量进行标签增强处理,包括:
8.如权利要求7
9.如权利要求8所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的基于标签增强处理后的结果和全连接处理的结果构建第二损失函数,包括:
10.一种口腔全景片影像摆位错误分类方法,其特征在于,基于权利要求1到9之一所述的口腔全景片影像摆位错误分类模型训练方法训练得到的摆位错误分类模型进行分类,包括:
...【技术特征摘要】
1.一种口腔全景片影像摆位错误分类模型训练方法,其特征在于,包括:
2.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的对标定后的口腔全景图像进行数据预处理,得到训练数据集,包括:
3.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的基于全连接处理的结果构建第一损失函数,并将该第一损失函数分别反馈至特征提取网络和全连接层进行训练直至收敛,包括:
4.如权利要求3所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,加权因子,。
5.如权利要求4所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,加权因子,。
6.如权利要求1所述的口腔全景片影像摆位错误分类模型训练方法,其特征在于,所述的对于输入的训练数据集的任意一张图像,经特征提取网络...
【专利技术属性】
技术研发人员:郭际香,曾梦雨,游梦,石宇超,叶泽林,李响,
申请(专利权)人:四川大学,
类型:发明
国别省市:
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。