【技术实现步骤摘要】
本专利技术涉及口腔检测，尤其涉及一种基于yocnet框架的根尖病损检测方法及系统。
技术介绍
1、x线根尖片是口腔最常用的x线检查方法，x线根尖片检查对根尖病损的诊断十分关键，利用ai模型通过x线根尖片等影像片检测口腔病损也获得了越来越多的关注。ai应用于口腔医学影像，可以辅助医生快速准确地诊断疾病，提高病损判断的准确性和效率，减少误诊和漏诊的风险。
2、从临床实际应用场景、辅助诊疗的需求以及数据特点等方面，根尖片分辨率较cbct低，但价格便宜，临床拍摄量大，基层医院的辅助诊断需求高，开展ai识别检测根尖片中各类病损，具有积极的研究意义，临床推广潜力大。
3、当前常用的ai模型检测龋坏、根尖周炎和牙周炎有fasterr-cnns模型，检测龋坏、根尖周炎和牙周炎，平均精度0.5353。其中龋坏和根尖周炎病变的检测：小于0.25(轻度<1mm)、0.2–0.3(中度1-3mm)和0.5–0.6(重度>3mm)。
4、此外，经调研发现，基于resnet-18构建的ai模型，模型优于年轻牙医。在深度学习辅助下，专家组也可达到更高的诊断准确率，平均f1分数为0.8208。模型辅助后，观察者之间一致性从0.623/0.563提高到0.752/0.740。
5、convnext是一种新的用于图像分类的深度学习模型2022年convnext实现了87.8％的imagenet数据集top1准确率，convnext模型识别根尖病损：准确率为0.9425，精准度为0.9328，召回率为0.9
6、通过相关研究，yolo v3记录的特异性、准确率和f1评分分别为0.76、0.86和0.89。
7、通过x线根尖片智能识别根尖病损对图像分析和计算机视觉技术要求比较高
8、1.根尖片影像包含大量细节，如牙冠、牙根、牙体充填物、根管充填物、颏孔、上颌窦等，高低密度影像混杂，这些信息需要通过复杂的图像分析技术进行准确的提取和识别。
9、2.不同拍摄人员、拍摄角度、曝光强度等因素，均对x线图像质量产生影响，增加了机器学习难度
10、因此，提出一种基于yocnet框架的根尖病损检测方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于yocnet框架的根尖病损检测方法及系统，通过集成yocnet框架实现了根尖病损的快速，精准检测。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于yocnet框架的根尖病损检测方法，包括以下步骤：
4、s1、获取数据步骤：选取x线根尖片训练数据集以及待检测目标x线根尖片数据集；
5、s2、建立yocnet框架：根据s1中获得的x线根尖片训练数据集，训练yolov5-convnext集成检测框架；
6、s3、检测步骤：将s1中获得的待检测目标x线根尖片数据集输入s2中得到的yolov5-convnext集成检测框架，输出有或无根尖病损检测结果。
7、上述的方法，可选的，s1具体内容为：随机选取x线根尖片口腔影像作为x线根尖片训练数据集，并将训练数据集分为有病损根尖数据集和无病损根尖数据集两种进行标记，其中，选取的x线根尖片中不包括乳牙根尖片；获取待检测病人口腔影像作为待检测目标x线根尖片数据集。
8、上述的方法，可选的，s2中具体步骤包括：
9、s201使用s1中获得的x线根尖片训练数据集训练yolov5模型，用于输出牙齿坐标信息；
10、s202、对s2中获得的牙齿坐标信息进行矫正，得到牙齿位置选区并标记在对应的待检测目标x线根尖片数据集，得到标记牙齿位置的数据集；
11、s203、训练convnext模型，以s202中得到的标记牙齿位置的数据集作为输入，以标记牙齿位置是否存在根尖病损作为输出，得到yolov5-convnext集成检测框架。
12、上述的方法，可选的，s201中具体步骤包括：
13、(1)特征提取步骤：对s1中x线根尖片训练数据集进行特征提取，得到不同尺度的浅层根尖特征；
14、(2)特征融合步骤：将得到的不同尺度的浅层根尖特征再卷积融合，得到高层根尖特征；
15、(3)初步预测步骤：通过高层根尖特征对待检测目标x线根尖片数据集进行预测，得到牙齿坐标信息。
16、上述的方法，可选的，s202中具体内容为：
17、对s201中得到的牙齿坐标信息进行自动扩展，并进行手动矫正，确定牙齿位置选区，得到标记牙齿位置的数据集。
18、上述的方法，可选的，s3中具体内容为：
19、将s1中获得的待检测目标x线根尖片数据集输入s2中得到的yolov5-convnext集成检测框架，由yolov5-convnext集成检测框架对待检测目标x线根尖片数据集进行yolov5目标识别，获得待检测目标牙齿坐标信息，在对待检测目标牙齿坐标信息进行矫正过后，得到标记目标牙齿位置的数据集，将标记目标牙齿位置的数据集输入训练好的convnext模型，得到目标牙齿是否存在根尖病损的预测结果。
20、一种基于yocnet框架的根尖病损检测系统，执行上述任一项一种基于yocnet框架的根尖病损检测方法，包括依次连接的数据获取模块、yocnet模块和输出模块；
21、数据获取模块，用于获取x线根尖片训练数据集以及待检测目标x线根尖片数据集；
22、yocnet模块，用于框选病提取牙位后进行有或无根尖病损检测；
23、输出模块，用于输出有或无根尖病损检测结果。
24、上述的系统，可选的，yocnet模块包括依次连接的：yolov5单元、牙齿位置确定单元和convnext单元；
25、yolov5单元用于输出牙齿坐标信息；
26、牙齿位置确定单元用于得到标记牙齿位置的数据集；
27、convnext单元用于检测有或无根尖病损。
28、经由上述的技术方案可知，与现有技术相比，本专利技术一种基于yocnet框架的根尖病损检测方法及系统，具有以下有益效果：
29、(1)本专利技术公开的检测方法及系统选用的数据集是x线根尖片，而x线根尖片是口腔最常用的x线检查方法，故与现有技术相比，本专利技术的适用性更广，使用成本更低，推广难度更低；
30、(2)本专利技术公开的yocnet(yolov5+convnext)的深度学习集成框架构架简单、准确性高、效率高，是一项适宜临床应用的深度学习模型；
31、(3)本专利技术公开的检测系统实现了对根尖片中的所有牙齿进行自动分割和根尖病损检测，提升临床诊疗效率，贴近真实临床应用；
32、(4)本专利技术公开的检测方法及系统提高了牙科专业本文档来自技高网...
【技术保护点】
1.一种基于YoCNET框架的根尖病损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于YoCNET框架的根尖病损检测方法，其特征在于，
3.根据权利要求1所述的一种基于YoCNET框架的根尖病损检测方法，其特征在于，
4.根据权利要求3所述的一种基于YoCNET框架的根尖病损检测方法，其特征在于，
5.根据权利要求3所述的一种基于YoCNET框架的根尖病损检测方法，其特征在于，
6.根据权利要求5所述的一种基于YoCNET框架的根尖病损检测方法，其特征在于，
7.一种基于YoCNET框架的根尖病损检测系统，其特征在于，执行权利要求1-6任一项所述的一种基于YoCNET框架的根尖病损检测方法，包括依次连接的数据获取模块、YoCNET模块和输出模块；
8.根据权利要求7所述的一种基于YoCNET框架的根尖病损检测系统，其特征在于，
【技术特征摘要】
1.一种基于yocnet框架的根尖病损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于yocnet框架的根尖病损检测方法，其特征在于，
3.根据权利要求1所述的一种基于yocnet框架的根尖病损检测方法，其特征在于，
4.根据权利要求3所述的一种基于yocnet框架的根尖病损检测方法，其特征在于，
5.根据权利要求3所述的一种基于yocnet框架的根...
【专利技术属性】
技术研发人员：于西佼，杜毅，杜言梅，邵宇，
申请(专利权)人：济南市口腔医院，
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。