[發明專利]基于深度學習的全景片恒牙識別的方法和裝置

有效

• 申請號: 201910184807.8
• 申請日: 2019-03-12
• 公開（公告）號: CN109949319B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 徐子能;白海龍;丁鵬;汪子晨
• 申請（專利權）人: 北京羽醫甘藍信息技術有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 王崇

本發明提供一種基于深度學習的全景片恒牙識別方法及裝置。該方法包括：將原始全景片輸入基于深度學習的牙槽骨線分割模型，以得到牙槽骨線分割結果；根據牙槽骨分割結果生成貼合矩形框，然后根據貼合矩形框生成擴展矩形框，然后根據擴展矩形框從原始全景片中剪裁出牙周區域圖像塊；將牙周區域圖像塊輸入基于深度學習的恒牙分割模型，以得到恒牙分割結果；對恒牙分割結果中的各個恒牙進行牙號標注。

技術領域

本發明涉及計算機圖像處理技術領域，特別地涉及一種基于深度學習的全景片恒牙識別的方法和裝置。

背景技術

口腔全景片是進行口腔診斷的主要依據，其可以清晰、完整的顯示上頜骨全貌、下頜骨全貌、上下頜牙列情況、牙槽骨情況、上頜竇腔、竇壁、竇底情況以及顳頜關節情況，并對頜骨周圍疾病的診斷提供準確有效的幫助。

恒牙牙齒的分割以及牙位標號的識別對后續的牙齒健康狀況評估和疾病的診斷是必不可少的。圖1展示了標準的牙位編號。

在缺牙特別是缺牙時間較長的情況下，人工識別牙位存在一定難度。更何況我國醫療資源較稀缺，資深醫學專家數量不足，倘若完全依靠人工作業會讓作業人用眼疲勞，進一步降低判斷結果的準確可信程度。在這種形勢下，研發自動化處理全景片恒牙識別的方法和裝置的需求變得迫切。

發明內容

有鑒于此，本發明提供一種基于深度學習的全景片恒牙識別方法及裝置，以克服現有技術中的上述缺點。

本發明實施例的基于深度學習的全景片恒牙識別方法，包括：將原始全景片輸入基于深度學習的牙槽骨線分割模型，以得到牙槽骨線分割結果；根據所述牙槽骨分割結果生成貼合矩形框，然后根據所述貼合矩形框生成擴展矩形框，然后根據所述擴展矩形框從所述原始全景片中剪裁出牙周區域圖像塊；將所述牙周區域圖像塊輸入基于深度學習的恒牙分割模型，以得到恒牙分割結果；對所述恒牙分割結果中的各個恒牙進行牙號標注。

可選地，所述基于深度學習的牙槽骨線分割模型是通過如下方式得到的：(1)模型設計階段：網絡結構包含編碼器部分和解碼器部分，所述編碼器部分采用Xception網絡結構，所述解碼器部分采用FPN多尺度融合結構，并且從所述編碼器部分抽取五個不同深度的卷積層作為輸入；(2)模型訓練階段：對牙槽骨線分割訓練數據進行尺寸歸一化、灰度歸一化、數據增強化、數據平衡化處理，編碼器部分的參數采用大型公開圖像數據集ImageNet上預訓練好的參數，解碼器部分的參數采用隨機初始化，采用梯度下降算法對模型進行迭代訓練以取得網絡最優解，根據在驗證集上的Dice值來確定模型的最優參數。

可選地，所述根據所述貼合矩形框生成擴展矩形框的步驟包括：所述貼合矩形框的左邊界向左移動預設距離，以得到所述擴展矩形框的左邊界；所述貼合矩形框的右邊界向右移動所述預設距離，以得到所述擴展矩形框的右邊界；所述貼合矩形框的上邊界向上移動0.5倍貼合矩形框高度值，以得到所述擴展矩形框的上邊界；所述貼合矩形框的下邊界向上移動0.8倍貼合矩形框高度值，以得到所述擴展矩形框的下邊界。

可選地，所述基于深度學習的恒牙分割模型是通過如下方式得到的：(1)模型設計階段：網絡結構包含編碼器部分和解碼器部分，所述編碼器部分采用Xception網絡結構，所述解碼器部分采用FPN多尺度融合結構，并且從所述編碼器部分抽取五個不同深度的卷積層作為輸入，在解碼器部分的上采樣層加入scSE結構；(2)模型訓練階段：對恒牙分割訓練數據進行尺寸歸一化、灰度歸一化、數據增強化、數據平衡化處理，編碼器部分的參數采用大型公開圖像數據集ImageNet上預訓練好的參數，解碼器部分的參數采用隨機初始化，采用梯度下降算法對模型進行迭代訓練以取得網絡最優解，根據在驗證集上的Dice值來確定模型的最優參數。

可選地，所述隨機初始化的方法為：he_normal，lecun_uniform，glorot_normal，glorot_uniform或者lecun_normal。

可選地，所述梯度下降算法的方法為：Adam，SGD，MSprop或者Adadelta。