【技术实现步骤摘要】
本专利技术涉及龋齿病变自动分割领域，具体地说是一种基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法。
技术介绍
1、在牙科疾病的诊断过程中，初期的龋齿病变的诊断和辨识是一项具有挑战性的任务。人们日常摄入碳水化合物的食物和饮料，口腔中的细菌会利用这些碳水化合物残余物进行代谢，产生酸性代谢物对牙釉质进行酸蚀形成龋洞，如果不能早期发现并干预治疗，龋洞会逐步扩大，蔓延到牙本质和牙髓处，从而形成龋齿，危害牙齿健康，伴随着牙釉质缺失还有牙疼和牙齿敏感症状。因此，临床医生需要尽早且准确地检测和描述这些病变，以便通过非手术方法阻止或逆转病变的发展。
2、目前，在临床上评估咬合面龋齿病变的工具存在一些不足，无法准确检测到早期的龋损，有时需要进行切片实验。因此，为了精确确定病变的程度，迫切需要一种新的、更复杂的诊断工具，以更准确地表征早期的龋损情况。光学相干层析成像(optical coherencetomography,oct)作为一种非入侵、无创、非电离、无辐射的诊断方法，在牙齿硬组织诊断上已经进行了广泛的研究，特别是在龋齿检测方面。而偏振敏感光学相干层析成像(polarization-sensitive optical coherence tomography，ps-oct)是oct的功能扩展，除了传统的强度信号外，还能提供多种具有双折射特性的偏振信息，如相位延迟、光轴夹角和偏振均匀度(degree of polarization uniformity,dopu)。在被口腔中的酸性物质酸蚀过程中，牙釉质和牙本质的光学特性
3、传统的dopu图像分割方法采用基于阈值的分割，然而噪声的存在会对分割精度产生不良影响。虽然可通过滤波算法对图像背景噪声进行滤除，但由于系统产生的不可避免的散斑噪声，导致c-scan(三维图像)数据切片的b-scan(二维图像)仍带有少量散斑噪声。传统图像分割方法难以忽视散斑噪声，因其强度值难以准确预测。这可能导致将散斑噪声错误地定义为有效信息，导致不足分割，或者将有效信息的阈值设定得太低，虽然可去除散斑噪声，但同时也剔除了有效信息，导致过分割情况。
技术实现思路
1、本专利技术的目的是提供一种基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，该方法可以准确自动识别和量化评估牙齿病变区域，包括牙齿龋损和脱矿区域，为牙科医生在诊治过程中提供更为有效的支持。
2、本专利技术是这样实现的：
3、一种基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，包括以下步骤：
4、(a)采集龋齿ps-oct三维图像数据(c-scan)；
5、(b)对采集到的ps-oct三维图像数据进行滤波降噪并获取二维数据集；
6、(c)从二维数据集中选取设定比例的数据进行人工标注，获得小批次人工标注数据集；
7、(d)将小批次人工标注数据集输入到u2net网络进行预训练，保存预训练结果最好的权重；
8、(e)使用预训练结果最好的权重对所有二维数据集进行预标注；
9、(f)人工审查预标注是否有错误或遗漏，并针对错误或遗漏之处进行修改，得到标注数据集；
10、(g)通过设定随机种子，对标注数据集进行随机打乱；
11、(h)通过基于平移窗口注意力机制模块改进的u2net网络，实现对二维图像的龋损区域的自动分割；
12、(i)针对同一颗龋齿的所有二维图像(b-scan)的龋病区域进行三维重建。
13、本专利技术步骤(a)中，ps-oct三维图像数据的获取过程包括以下步骤：使用ps-oct设备获取龋齿的三维图像数据。本专利技术实验中所采用的ps-oct仪器生成的图像大小为z*x*y(根据牙齿病变区域的具体情况确定)。每个像素点的尺寸对应为pixelz、pixelx、pixely。
14、本专利技术步骤(b)中，对获取到的ps-oct三维图像数据进行滤波降噪，获取b-scan数据集。具体步骤为：
15、第一步：采用3×3滤波核，对ps-oct三维图像数据进行散斑降噪处理。公式如下：
16、
17、其中，iout(x)表示滤波后的像素值，i(x+i)是原始三维数据在位置x+i处的像素值，w(i)是高斯权值，计算方式为：其中σ为标准差，k是滤波核的大小，表示在每个像素点周围考虑的邻域范围，此处取k＝3。
18、第二步：针对获取得到的斯托克斯参量q、u、v数据进行均值平滑，平滑窗口设置为9×9。
19、第三步：将平滑后的斯托克斯参量数据归一化，然后使用公式计算dopu值，并保存为dopu三维数据。
20、第四步：对dopu三维数据进行二维图像切片操作，沿着y轴切片，获取z-x方向的dopu图像数据集。
21、本专利技术步骤(c)中，针对获取得到的dopu数据集，随机抽取总数据集的进行逐帧b-scan的人工标注，将dopu图像中的龋损区域标注出来，得到需要的小批次人工标注数据集。
22、本专利技术步骤(e)中，使用预训练得到的权重，对大批次的总数据集进行预标注，自动获取预标注文件，并对预标注效果进行图像展示。
23、本专利技术步骤(f)中，对大批次的dopu数据集预标注进行人工审查。具体步骤为：
24、第一步：核查dopu预标注是否有龋损遗漏或错误标注龋损。
25、第二步：对遗漏的龋损区域进行补充标注，将错误标注为龋损区域的标签进行删除。
26、第三步：针对检查无误的dopu预标注的数据集进行提交保存。
27、第四步：导出dopu掩模二值图像，获取dopu的真实值图像和龋损区域掩模图像，获取正式训练的大批次数据集。
28、本专利技术步骤(g)中，设定随机种子对龋损数据集进行随机扰乱，保证数据集的充分随机和可复用性。
29、本专利技术步骤(h)中，通过基于平移窗口注意力机制模块改良的u2net网络实现对dopu图像的龋损区域自动分割。具体步骤如下：
30、第一步：设定超参数的值，设置batch-size为4，权重衰减系数为：0.0001，训练的轮数为200，优化器为adam w，学习率为0.001，比较cpu核个数与批处理大小，选取两者中更小的值设定为num_workers(最大不超过8)；
31、第二步：将dopu图像输入到我们的模型中，首先裁剪为320*320固定尺寸，再将图像映射为像素矩阵。
32、第三步：像素矩阵依次进入编码器(encoder)进行下采样，如图所示，进行龋病信息特征提取。特征提取完毕后获取到龋损关键信息的特征矩阵。编码器内部采用了残差块结构，最大程度的降低本文档来自技高网...
【技术保护点】
1.一种基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，包括如下步骤：
2.根据权利要求1所述的基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，步骤b具体如下：
3.根据权利要求1所述的基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，步骤f具体如下：
4.根据权利要求1所述的基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，步骤h具体如下：
5.根据权利要求4所述的基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，步骤h-1具体如下：将批次大小设定为4，权重衰减系数设为0.0001，训练周期为200，使用AdamW优化器，学习率为0.001，在比较CPU核心数和批次大小后，选取两者中的较小值，并将其设定为num_workers。
6.根据权利要求1所述的基于改进卷积神经网络的龋齿PS-OCT病变区域分割提取方法，其特征是，步骤c中，从二维数据集中选取1/10的数据进行人工标注，获得小批次人工标注数据集。
【技术特征摘要】
1.一种基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，其特征是，包括如下步骤：
2.根据权利要求1所述的基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，其特征是，步骤b具体如下：
3.根据权利要求1所述的基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，其特征是，步骤f具体如下：
4.根据权利要求1所述的基于改进卷积神经网络的龋齿ps-oct病变区域分割提取方法，其特征是，步骤h具体如下：
5.根据权利...
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。