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】
本专利技术涉及全景牙片病症识别与辅助诊断,特别是基于深度学习的全景牙片病症识别与辅助诊断方法及系统。
技术介绍
1、近年来,牙科疾病的发病率不断增加,呈现出持续增长的态势。据《第四次中国口腔健康流行病学调查报告》数据显示,中国有近50%的居民患有不同类型、不同严重程度的牙科疾病,并且有很大一部分患者由于各类原因,并未进行及时、有效的诊疗。持续增加的患者数量,对牙科医生的专业水平和诊断效率提出了更高的要求。除此之外,在很多相对偏远的地区,并没有配备专业的牙科诊所,这也是导致牙科疾病持续高发的原因之一。牙科疾病诊断的重要依据是全景牙片,尤其是针对牙体缺损、根尖病变和牙槽骨吸收等疾病的诊断。随着科学技术的高速发展,互联网、大数据、人工智能等技术与医学领域深度融合,正在成为变革医学诊断方式的重要技术推动力。
2、深度学习的不断发展,使得高效、快速、准确的识别各种病变类型的目标得以实现。利用深度学习进行牙科疾病的诊断及检测,能够提升牙科疾病的诊断效率,降低诊断成本。牙科疾病作为常见、多发病症,主要依靠人工诊断,诊断过程耗费较多的人力和时间,且人工诊断主观性较强。深度学习利用计算机处理速度快、处理方式更智能、处理结果更客观的优势,并结合人工诊断的经验,不断优化、提升网络模型的性能,进而使得诊断结果更加客观、准确。因此利用深度学习进行牙科疾病的诊断及检测,能够提升牙科疾病的诊断效率,降低诊断成本。除了提升诊断效率,降低诊断成本之外,利用深度学习进行牙科疾病的智能诊断,能够加快智慧医疗时代的到来,对于提升人类生活幸福感具有重要意义。
技术实现思路
1、鉴于现有的基于深度学习的全景牙片病症识别与辅助诊断方法存在的问题,提出了本专利技术。因此,本专利技术所要解决的问题在于如何提供基于深度学习的全景牙片病症识别与辅助诊断方法及系统。
2、为解决上述技术问题,本专利技术提供如下技术方案:
3、第一方面,本专利技术提供了基于深度学习的全景牙片病症识别与辅助诊断方法,其包括,采集全景牙片病症图片并进行筛选,使用标注工具对全景牙片图片进行标注;构建全景牙片病症数据集,对原始模型进行改进,基于训练数据集,训练病症识别与辅助诊断网络,得到训练好的网络权重;将测试数据集中的图片数据输入训练好的网络,得到输入全景牙片病症识别结果和病症存在位置。
4、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述筛选包括剔除存在整体过暗、过亮、成像效果差、牙齿缺失严重以及人眼无法辨别的坏样本;所述标注包括选取龋齿、阻生齿、牙根尖炎以及根分叉图像进行标注。
5、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述构建全景牙片病症数据集包括使用数据增强方式扩充数据集,增加数据集中病症牙齿实例数量,采用镜像、裁剪、加噪声、平移与旋转数据增强方式,对牙齿病变中类别占比少的缺陷增加数量,构建全景牙片病症数据集,将数据集划分为训练数据集和测试数据集。
6、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述对原始模型进行改进包括在原有的骨干网络中添加cla注意机制模块,cla注意机制模块包括通道注意子模块cam与定位注意子模块lam;改进多尺度特征融合机制,基于训练数据集,训练病症识别与辅助诊断网络,得到训练好的网络权重。
7、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述通道注意子模块包括以下处理流程,将主干网络提取的特征图f输入通道子模块的z-pool层,连接维度上的平均池化和最大池化,相关计算公式如下:
8、z-pool=[maxpool0d(x),avgpool0d(x)]
9、
10、
11、最大池化层通过在每个池化区域中选择最大值减少特征图尺寸,保留图像中最突出的特征,忽略次要特征,提取目标显著细节信息,加快模型对输入特征图中的目标特征的提取;平均池化层计算每个池化区域的平均值减小特征图尺寸,保留图像背景信息,利用主标签以外的信息提升表面缺陷识别任务的泛化,帮助模型学习整体性特征,实现目标特征在输入特征图中的位置信息的提取;将z-pool层输出的两个2张c×1×1特征图输入到通道为c/r的1×1卷积层,再经过激活函数relu,经过通道为c的1×1卷积层,利用sigmoid函数激活得到通道注意权重mc(f),相关计算公式如下:
12、mc(f)=σ(f1×1(f1×1([avgpool(f);maxpool(f)])))
13、学习每个通道的注意力权重,进行注意力加权,利用残差结构,将输入特征图f与通道注意力权重mc(f)相乘,得到带有通道注意权重的特征图f′。
14、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述定位注意子模块包括以下处理流程,将通道注意子模块的输出f′作为输入信息输入定位注意子模块;对f′在h维度与w维度上分别进行平均池化,生成尺寸为c×1×w与c×h×1的特征图,第c个通道在高度h、w的输出表示为zh和zw,相关表达式如下:
15、
16、
17、将c×1×w特征图转换c×w×1特征图,再将特征图进行特征融合,并经过通道为c/r的1×1卷积降维,再经bathnorm标准化与relu函数激活,得到中间特征图f,相关表达式如下:
18、f=l(f1×1([zh,zw]))
19、沿通道方向拆分成2个特征元组,其尺寸分别为c/r×w×1与c/r×h×1,将c/r×w×1尺度特征转换为c/r×1×w尺度特征,恢复宽度和高度的维度,利用通道数为c的1×1卷积升维,调整通道数,使其适应注意力计算,分别经过sigmoid函数得到注意权重mi(f′),相关计算公式如下:
20、mi(f′)=σ((f1×1(fh′))×(f1×1(fw′)))
21、式中,fh′与fw′为拆分后的定位权重;
22、进行注意力加权,利用残差结构将输入特征图f′与注意权重mi(f′)相乘,得到带有通道与定位权重的特征图f″。
23、作为本专利技术所述基于深度学习的全景牙片病症识别与辅助诊断方法的一种优选方案,其中:所述改进多尺度特征融合机制包括以下步骤,采用全局上下文特征增强金字塔gcfep改进yolov5s的特征融合机制;在上下采样得到相同分辨率的病变特征融合的基础上,当原始输入和输出节点处于相同尺度,引入额外路径;通过交叉连接分别通过引入一条路径连接至具有相同分辨率的输出节点,计算公式如下:
24、f=fv5s+fgcfep
25、式中,f表示输入gcfep的特征,fv5s表示原始网络的输入特征本文档来自技高网...
【技术保护点】
1.基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:包括,
2.如权利要求1所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述筛选包括剔除存在整体过暗、过亮、成像效果差、牙齿缺失严重以及人眼无法辨别的坏样本;所述标注包括选取龋齿、阻生齿、牙根尖炎以及根分叉图像进行标注。
3.如权利要求2所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述构建全景牙片病症数据集包括使用数据增强方式扩充数据集,增加数据集中病症牙齿实例数量,采用镜像、裁剪、加噪声、平移与旋转数据增强方式,对牙齿病变中类别占比少的缺陷增加数量,构建全景牙片病症数据集,将数据集划分为训练数据集和测试数据集。
4.如权利要求3所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述对原始模型进行改进包括在原有的骨干网络中添加CLA注意机制模块,CLA注意机制模块包括通道注意子模块CAM与定位注意子模块LAM;改进多尺度特征融合机制,基于训练数据集,训练病症识别与辅助诊断网络,得到训练好的网络权重。
5.如权利要求4所述的
6.如权利要求5所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述定位注意子模块包括以下处理流程,
7.如权利要求6所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述改进多尺度特征融合机制包括以下步骤,
8.一种基于深度学习的全景牙片病症识别与辅助诊断系统,基于权利要求1~7任一所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:包括,
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述基于深度学习的全景牙片病症识别与辅助诊断方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1~7任一所述基于深度学习的全景牙片病症识别与辅助诊断方法的步骤。
...【技术特征摘要】
1.基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:包括,
2.如权利要求1所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述筛选包括剔除存在整体过暗、过亮、成像效果差、牙齿缺失严重以及人眼无法辨别的坏样本;所述标注包括选取龋齿、阻生齿、牙根尖炎以及根分叉图像进行标注。
3.如权利要求2所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述构建全景牙片病症数据集包括使用数据增强方式扩充数据集,增加数据集中病症牙齿实例数量,采用镜像、裁剪、加噪声、平移与旋转数据增强方式,对牙齿病变中类别占比少的缺陷增加数量,构建全景牙片病症数据集,将数据集划分为训练数据集和测试数据集。
4.如权利要求3所述的基于深度学习的全景牙片病症识别与辅助诊断方法,其特征在于:所述对原始模型进行改进包括在原有的骨干网络中添加cla注意机制模块,cla注意机制模块包括通道注意子模块cam与定位注意子模块lam;改进多尺度特征融合机制,基于训练数据集,训练病症识别与辅助诊断网络,得到训练好的网...
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。