【技术实现步骤摘要】
本专利技术属于医学图像分割及医疗辅助领域，涉及一种能够对口腔全景片进行牙体结构修复及内部结构分割的方法，可以用于准确地分类出全景片中龋坏病灶的侵蚀程度。
技术介绍
1、龋病是由细菌引起的牙体硬组织破坏，形成龋洞的一种最常见的口腔疾病。龋病是一种进展性疾病，若不及时治疗，可发展成牙髓炎、根尖周炎等并发症，甚至会造成整个牙齿的脱落。此外龋坏还可能继发感染形成病灶，导致关节炎、心骨膜炎、慢性肾病和多种眼病等其他全身疾病。在龋病的诊疗过程中，治疗原则是彻底去除龋坏病变组织，并尽可能多地保留牙体硬组织。不同侵蚀程度的龋齿病灶需要采用不同的治疗方案。因此，需要设计一种能够准确定位侵蚀程度的方法来辅助龋病治疗。
2、口腔全景片作为一种耗时少、低成本、低辐射的影像检查技术，可以为医生呈现全面的口腔状况，并可提示大部分牙齿病变信息，因此得到广泛应用。然而现有方法对基于全景片的龋病检测及分类尚处起步阶段，现有方法利用人工智能的深度神经网络来实现对全景片中龋齿病变的自动分割，而对病灶的分类则仅依赖端到端的方法进行简单实现，这样的方法普遍存在两个问题：首先，口腔龋齿病灶复杂多样，病变仅呈现出以低密度影为主要特征的图像表现，由于细菌侵蚀的随机性，龋坏病灶又往往表现出形态及尺度的多样性，这为神经网络提取稳定的病灶类别特征带来了严峻的挑战；其次，尽管神经网络在目标定位及关键点检测中表现出了一定的距离感知能力，但是由于龋齿程度的分类边界位于无明显差异的牙本质结构内部，神经网络的这一距离感知能力无法对龋病边界在牙本质结构内的侵蚀深度进行准确的判断。因
3、根据国际龋齿分类和管理系统(iccms)对牙齿表面的放射学分类标准规定，龋损入侵至牙釉质及牙本质外1/3处为初始龋损阶段(浅龋)，龋损入侵至牙本质超外1/3且未达到牙本质内1/3处为中等龋齿阶段(中龋)，当龋损入侵至牙本质内1/3处以及牙髓出现临床空洞为广泛龋齿阶段(深龋)。根据上述分类标准，要实现对口腔全景片上的龋齿进行准确的程度分类分割，必须设计出一种能够检测牙本质结构的方法。该方法可以根据牙本质结构准确划分出侵蚀程度的分类边界，从而实现对龋齿的精确分类。
技术实现思路
1、本专利技术提供了一种基于牙体修复及结构化分割的龋病程度分类方法。首先，使用unet搭建龋病分割网络，实现对所有不同类别的龋齿区域进行二值分割预测。同时搭建基于mask rcnn的结构化实例分割网络，用于分割牙体实例，为了能够分割牙体实例内部的结构，模型通过多类别分割头来分割牙齿的牙釉质、牙本质、牙髓腔及填充材料等区域。为结构化分割的骨干网络加入图像级细粒度特征，用于补充牙体内部的结构信息，同时设计结构感知模块，用于促进结构化分割网络分割出更加完整的牙体结构。最后本专利技术设计出基于扩散模型的牙体结构修复网络，用于对牙体的异常结构区域进行图像重建，使其能够分割出正常的牙体结构。
2、技术问题所采用的技术方案实现如下：
3、基于牙体修复及结构化分割的龋病程度分类方法，其步骤如下：
4、步骤1.数据集获取，本方法为龋齿分类任务完成两种数据标注，所获得的数据集分别为dc1000和tsd，它们均来自于浙江省人民医院口腔科的1000张全景片。其中dc1000数据集用于训练龋病分割网络，而tsd数据集则被用于训练牙体结构化分割网络，同时tsd数据中的牙实例切片及其异常结构标注被用于训练结构修复网络。
5、步骤2.数据处理，对步骤1所收集的数据集进行中心裁剪，去除非牙外周区域。对dc1000数据集进行重叠裁剪，通过初步训练的神经网络进行数据清洗，去除离群龋病标注；对tsd数据集采用同样的中心裁剪方式提高牙体前景占比。
6、步骤3.定义龋病分割网络，使用步骤2中的dc1000数据集训练unet模型，实现对龋坏区域的预测。测试阶段对于传入的任意一张全景图像进行中心裁剪，使用50％重复占比的方式裁剪切片，完成龋病区域预测后根据位置进行合并得到最终的分割结果。
7、步骤4.定义结构化分割网络，使用步骤2中获取的tsd数据集训练实例分割网络。首先，通过多类别分割头实现对牙体实例的内部结构分割(即牙釉质、牙本质和牙髓腔等区域)，然后通过引入细粒度的图像级语义特征补充对牙体内部结构的描述，以达到更好的结构分割效果，最后设计基于生成对抗训练方式的结构感知模块，通过鉴别真实结构标注与模型结构预测之间的差异，来激励结构分割网络产生更好的牙体结构分割结果。
8、步骤5.定义牙体结构修复网络，使用步骤2中的tsd数据集获取牙体实例切片及其异常结构标注训练扩散模型中的噪声预测网络。依据步骤4中结构分割结果中的异常结构掩码，对前向扩散的正常结构和反向扩散的异常结构进行图像合成，以达到高质量的牙体结构修复效果。采用隐式模型加速修复速度，同时在修复过程中使用重复回退采样来消除加速修复过程中出现的不和谐情况。
9、步骤6.划定龋病侵蚀程度分级线。
10、首先使用步骤4中的结构化分割网络对牙体实例进行第一次结构分割，旨在获取填充材料等异常结构区域的掩码。
11、然后根据该掩码使用步骤5中的牙体结构修复网络进行异常结构修复，将修复好的牙实例图像还原到原全景图像中再次送入结构化分割网络中完成第二次结构分割。最后，在分割结果中的牙本质结构上划定出内外1/3分级线，作为龋病程度的分类决策边界。
12、步骤7.分类龋坏病灶程度，根据步骤3中的龋病分割网络进行全景片中的龋齿检测，获得该检出病变对应的牙体实例，判断该检出病变在牙实例中按照步骤6划定出的程度分级线区域内的最深处落点，得到龋坏病变的精确分类结果。
13、步骤1所述的dc1000数据集和tsd数据集所使用的1000张全景图像为浙江省人民医院口腔科芬兰普兰梅卡系列x射线机所拍摄的曲面断层片，全景图像素尺寸为2943*1435。其中标注的dc1000数据集包含浅、中、深7500多个龋坏病灶，标注的tsd数据集则包括这1000张全景图像上约3万多颗牙体实例及其对应的结构。
14、步骤2所述的数据处理，具体实现如下：
15、训练阶段的数据处理是将dc1000的训练集进行裁剪，形成若干384*384大小的全景切片，选择其中包含龋病的区域进行训练，训练前对全景切片样本进行亮度随机改变、切片水平翻转、对比度调整来进行数据增强，以增强龋病识别网络的泛化能力。
16、测试阶段则先提取龋病可能出现的龋病区域范围，裁剪得到1536*768的中心口腔位置的待测图像。对每张待测图像按照50％重复占比裁剪出同样为384*384大小的全景切片进行龋病预测。
17、将tsd数据集中的全景图像进行裁剪，得到1864*1063的牙体区域。其中使用结构化coco格式作为结构体标注。使用连通域方法切割牙体实例确定牙釉质和牙本质的分界线，在牙本质结构上通过先后本文档来自技高网...
【技术保护点】
1.基于牙体修复及结构化分割的龋病程度分类方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤1具体如下：
3.根据权利要求2所述的基于牙体修复及结构化分割的龋病程度分类方法，其特征在于步骤2所述的数据处理，具体实现如下：
4.根据权利要求3所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤3所述的定义龋病分割网络，具体实现如下：
5.根据权利要求4所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤4所述的实例分割网络：
6.根据权利要求5所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤5所述牙体结构修复网络，是基于去噪扩散概率模型设计的图像重建方法；去噪概率模型从纯高斯分布的一个采样，通过多个时间步去噪生成图像；使用Unet网络对特定时间步的待去噪图像进行图像中噪声分布的预测，根据重参数化技巧及变分法，得到模型进行噪声分布预测的近似优化目标函数如下：
7.根据权利要求6所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤6所述的划
8.根据权利要求7所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤7所述的判定分类龋坏病灶程度，是通过将步骤3所得的龋坏分割结果在步骤6中划定出的分级线构成的侵蚀程度区域内进行落点判断，根据落点最深的程度区域作为该龋坏病灶最终的分类结果。
...【技术特征摘要】
1.基于牙体修复及结构化分割的龋病程度分类方法，其特征在于包括如下步骤：
2.根据权利要求1所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤1具体如下：
3.根据权利要求2所述的基于牙体修复及结构化分割的龋病程度分类方法，其特征在于步骤2所述的数据处理，具体实现如下：
4.根据权利要求3所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤3所述的定义龋病分割网络，具体实现如下：
5.根据权利要求4所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤4所述的实例分割网络：
6.根据权利要求5所述的基于牙体修复及结构化分割的龋病程度分类方法，其步骤5所述牙体结构修复...
【专利技术属性】
技术研发人员：蒋凯盛，俞俊，王显赟，高斯哲，张慧聪，陈宇，杨帆，陈枫，朱素果，
申请(专利权)人：杭州电子科技大学，
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。