【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、蛀牙(龋齿)的风险遍布在整个社会中，并且任何人都有蛀牙的风险，尤其是在富含碳水化合物和超加工食品的饮食中。蛀牙是障碍、痛苦和医疗费用的主要来源。有效的治疗方法可以阻止和逆转蛀牙，尤其是被诊断在早期阶段的蛀牙，当其仍然没有症状时。然而，坚持早期诊断是次优的，因为早期诊断的护理标准是由牙医进行牙齿检查，其导致不必要的晚期牙病。虽然牙医的标准护理牙科检查和附加x光检查在蛀牙的早期诊断中是有效的，但扩大这一范围是一个挑战，因为这需要且缺乏高技能的专家(即，牙医)或高技能的x光技术人员，各州的要求差异很大，以及暴露在x射线下可能会对健康有长期影响，此外还需要专家通过某种形式的远程医疗来评估，这会导致相对较高的成本并且减少获取途径。
技术实现思路
1、因此，一种a)不需要x射线并且b)不需要专家来评估图像的自主牙齿筛查人工智能(ai)技术对于增加获取机会、降低成本、并且从而避免永久障碍和成本非常有利。具体地，深度穿透光学相干断层摄影术(dpoct)是一种基于低相干光干涉图的无辐射的光学技术，其可穿透牙齿元件(包括臼齿)4-5mm，使每个元件的所有面都能被成像，包括所有面上的任何龋洞。特别地，其允许对两个元件之间的所谓邻间龋洞成像，这是60％的龋洞发生的地方并且无法进行视觉检查，而自主ai是一种允许从多平面dpoct图像中实时、即时诊断龋洞的技术。
2、由于dpoct可能无法穿透整个牙齿，尤其是较大的臼齿，因此可能需要对每个可触及表面进行成像。这可以通过多平面dpoc
3、自主ai具有作为输入的多维dpoct体积，并且输出体积中龋洞的可能性、诊断性二分或多级存在或不存在或严重程度。还可以执行其他诊断相关输出。ai可以被构建为具有融合阶段的混合、部分独立的生物标志多检测器ai，或者被构建为使用那些本领域技术人员已知的深度学习、浅层学习、递归网络的基于多图像的卷积神经网络，或者这样的ai设计的任何组合。这种方式的示例性ai在共同拥有的发布于2018年10月30日的美国专利第10,115,194号中进一步详细公开，其公开内容通过引用整体并入本文。也可以使用包括无监督迁移学习的增强和迁移学习方法。标记有龋洞的存在、不存在或位置、可能性或概率的dpoct训练图像可以用于训练这样的ai系统，或者在基于多检测器的方法的情况下，已经标记的图像样本可以用于训练检测器，或者生物标记物的数学描述可以用于设计上述检测器。dpoct仅仅是示例性的，并且捕获本文中关于dpoct而描述的功能的任何其他形式的成像(例如，使用低相干光、声音、振动、或使用干涉干涉技术的任何其他波形生成技术)同样适用于提及dpoct或任何其他成像技术的任何地方。此外，任何低相干断层摄影术(lct)技术也同样适用于本文中提到的任何dpoct，包括紫外线、红外、牙科穿透或深穿透光学相干断层摄影术、微波、光学可见光lct、超声成像技术等。
本文档来自技高网...【技术保护点】
1.一种用于诊断牙齿状况的方法，所述方法包括：
2.根据权利要求1所述的方法，其中从扫描所述牙齿的所述硬件设备获取的所述数据包括深度穿透光学相干断层摄影术(DPOCT)数据，并且其中所述图像数据包括基于所述DPOCT数据的强度图，所述强度图反映所述牙齿的一个或多个光学特性。
3.根据权利要求2所述的方法，其中所述第一有监督机器学习模型被训练为检测所述强度图中的区域之间的强度变化，并且基于所述强度变化输出针对所述牙齿的每个不同位置的相应分类，每个相应分类形成生物标志。
4.根据权利要求3所述的方法，其中所述第一有监督机器学习模型另外地将所述牙齿的彩色图像作为输入，并且其中所述第一有监督机器学习模型另外地被训练为基于所述图像和所述强度图两者来输出生物标志，所述第一机器学习模型的所述输出排除来自所述彩色图像的彩色数据。
5.根据权利要求1所述的方法，所述方法还包括访问所述牙齿的历史生物标志，其中所述历史生物标志与所述多个生物标志一起被输入到所述第二有监督机器学习模型中，并且其中所述第二有监督机器学习模型基于所述历史生物标志和所述多个生物标
6.根据权利要求5所述的方法，其中将所述历史生物标志与所述多个生物标志一起输入到所述第二有监督机器学习模型中包括计算针对所述多个生物标志中的每个生物标志相对于所述历史生物标志的强度差异并且将每个强度差异输入到所述第二有监督机器学习模型中。
7.根据权利要求1所述的方法，其中接收作为来自所述第二有监督机器学习模型的输出的所述牙齿状况的所述诊断包括接收多个诊断，所述多个诊断中的每个诊断对应于所述多个生物标志中的一个不同的生物标志。
8.一种非暂态计算机可读介质，包括存储器，所述存储器具有编码在其上的用于诊断牙齿状况的指令，所述指令在被执行时引起一个或多个处理器执行操作，所述指令包括用以下项的指令：
9.根据权利要求8所述的非暂态计算机可读介质，其中从扫描所述牙齿的所述硬件设备获取的所述数据包括深度穿透光学相干断层摄影术(DPOCT)数据，并且其中所述图像数据包括基于所述DPOCT数据的强度图，所述强度图反映所述牙齿的一个或多个光学特性。
10.根据权利要求9所述的非暂态计算机可读介质，其中所述第一有监督机器学习模型被训练为检测所述强度图中的区域之间的强度变化，并且基于所述强度变化输出针对所述牙齿的每个不同位置的相应分类，每个相应分类形成生物标志。
11.根据权利要求10所述的非暂态计算机可读介质，其中所述第一有监督机器学习模型另外地将所述牙齿的彩色图像作为输入，并且其中所述第一有监督机器学习模型另外地被训练为基于所述图像和所述强度图两者来输出生物标志，所述第一机器学习模型的所述输出排除来自所述彩色图像的彩色数据。
12.根据权利要求8所述的非暂态计算机可读介质，所述方法还包括访问所述牙齿的历史生物标志，其中所述历史生物标志与所述多个生物标志一起被输入到所述第二有监督机器学习模型中，并且其中所述第二有监督机器学习模型基于所述历史生物标志和所述多个生物标志两者输出所述诊断。
13.根据权利要求12所述的非暂态计算机可读介质，其中用以将所述历史生物标志与所述多个生物标志一起输入到所述第二有监督机器学习模型中的所述指令包括用以计算针对所述多个生物标志中的每个生物标志相对于所述历史生物标志的强度差异并且将每个强度差异输入到所述第二有监督机器学习模型中的指令。
14.根据权利要求8所述的非暂态计算机可读介质，其中用以接收作为来自所述第二有监督机器学习模型的输出的所述牙齿状况的所述诊断的所述指令包括用以接收多个诊断的指令，所述多个诊断中的每个诊断对应于所述多个生物标志中的一个不同的生物标志。
15.一种系统，包括：
16.根据权利要求15所述的系统，其中从扫描所述牙齿的所述硬件设备获取的所述数据包括深度穿透光学相干断层摄影术(DPOCT)数据，并且其中所述图像数据包括基于所述DPOCT数据的强度图，所述强度图反映所述牙齿的一个或多个光学特性的。
17.根据权利要求16所述的系统，其中所述第一有监督机器学习模型被训练为检测所述强度图中的区域之间的强度变化，并且基于所述强度变化输出针对所述牙齿的每个不同位置的相应分类，每个相应分类形成生物标志。
18.根据权利要求17所述的系统，其中所述第一有监督机器学习模型另外地将所述牙齿的彩色图像作为输入，并且其中所述第一有监督机器学习模型另外地被训练为基于所述图像和所述强度图两者来输出生物标志，所述第一机器学习模型的所述输出排除来自所述彩色图像的彩色数据...
【技术特征摘要】
【国外来华专利技术】
1.一种用于诊断牙齿状况的方法，所述方法包括：
2.根据权利要求1所述的方法，其中从扫描所述牙齿的所述硬件设备获取的所述数据包括深度穿透光学相干断层摄影术(dpoct)数据，并且其中所述图像数据包括基于所述dpoct数据的强度图，所述强度图反映所述牙齿的一个或多个光学特性。
3.根据权利要求2所述的方法，其中所述第一有监督机器学习模型被训练为检测所述强度图中的区域之间的强度变化，并且基于所述强度变化输出针对所述牙齿的每个不同位置的相应分类，每个相应分类形成生物标志。
4.根据权利要求3所述的方法，其中所述第一有监督机器学习模型另外地将所述牙齿的彩色图像作为输入，并且其中所述第一有监督机器学习模型另外地被训练为基于所述图像和所述强度图两者来输出生物标志，所述第一机器学习模型的所述输出排除来自所述彩色图像的彩色数据。
5.根据权利要求1所述的方法，所述方法还包括访问所述牙齿的历史生物标志，其中所述历史生物标志与所述多个生物标志一起被输入到所述第二有监督机器学习模型中，并且其中所述第二有监督机器学习模型基于所述历史生物标志和所述多个生物标志两者输出所述诊断。
6.根据权利要求5所述的方法，其中将所述历史生物标志与所述多个生物标志一起输入到所述第二有监督机器学习模型中包括计算针对所述多个生物标志中的每个生物标志相对于所述历史生物标志的强度差异并且将每个强度差异输入到所述第二有监督机器学习模型中。
7.根据权利要求1所述的方法，其中接收作为来自所述第二有监督机器学习模型的输出的所述牙齿状况的所述诊断包括接收多个诊断，所述多个诊断中的每个诊断对应于所述多个生物标志中的一个不同的生物标志。
8.一种非暂态计算机可读介质，包括存储器，所述存储器具有编码在其上的用于诊断牙齿状况的指令，所述指令在被执行时引起一个或多个处理器执行操作，所述指令包括用以下项的指令：
9.根据权利要求8所述的非暂态计算机可读介质，其中从扫描所述牙齿的所述硬件设备获取的所述数据包括深度穿透光学相干断层摄影术(dpoct)数据，并且其中所述图像数据包括基于所述dpoct数据的强度图，所述强度图反映所述牙齿的一个或多个光学特性。
10.根据权利要求9所述的非暂态计算机可读介质，其中所述第一有监督机器学习模型被训练为检测所述强度图中的区域之间的强度变化，并且基于所述强度变化输出针对所述牙齿的每个不同位置的相应分类，每个相应分类形成生物标志。
11.根据权利要求10所述的非暂态计算机可读介质，其中所述第一有监督机器学习模型另外地将所述牙齿的彩色图像作...
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。