[發明專利]下頜智齒與鄰牙及下頜管關系確定方法、裝置、存儲介質及終端

有效

• 申請號: 201910785246.7
• 申請日: 2019-08-23
• 公開（公告）號: CN110503652B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 傅開元;劉木清;毛偉玉;徐子能;丁鵬;白海龍
• 申請（專利權）人: 北京大學口腔醫學院;北京羽醫甘藍信息技術有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T17/00;G06T19/20;G06N3/04
• 代理公司: 北京煦潤律師事務所 11522
• 代理人: 朱清娟;梁永芳

1.一種下頜阻生智齒與鄰牙及下頜管關系確定方法，其特征在于，包括：

建立3D分割卷積神經網絡模型，包括：獲取第一設定數量的樣本數據，將該樣本數據中的一部分作為訓練樣本、另一部分作為測試樣本；其中，所述樣本數據，包括：下頜阻生智齒、相鄰第二磨牙、下頜管的影像勾畫的原始CBCT圖像；基于設定的3D分割卷積神經網絡結構，對所述訓練樣本進行深度學習處理，得到3D分割卷積神經網絡結構的訓練模型；利用所述測試樣本，對所述訓練模型進行測試，得到測試結果；根據所述測試結果中輸入與輸出的對應關系的設定標準之間的誤差，對所述訓練模型進行修正，得到3D分割卷積神經網絡結構的修正模型，作為3D分割卷積神經網絡模型；其中，對所述訓練樣本進行深度學習處理，包括：對所述訓練樣本的原始CBCT圖像進行數據預處理、圖像下采樣處理、圖像歸一化處理、和/或圖像增廣處理，得到圖像處理結果；基于所述圖像處理結果對3D分割卷積神經網絡結構進行模型分割訓練，得到模型分割結果；對所述模型分割結果進行形態學處理，得到平滑分割結果；將所述平滑分割結果作為3D分割卷積神經網絡結構的輸入，對3D分割卷積神經網絡結構進行模型訓練，輸出至少包含下頜阻生智齒與鄰牙及下頜管的關系的模型訓練結果；其中，下頜阻生智齒與下頜管的關系，包括：下頜阻生智齒牙根與下頜管間有骨質間隔、下頜阻生智齒牙根與下頜管相貼、下頜阻生智齒牙根壓迫下頜管；下頜阻生智齒與鄰牙的關系，包括：下頜阻生智齒與鄰牙有骨質間隔、下頜阻生智齒與鄰牙緊貼、下頜阻生智齒壓迫鄰牙吸收；所述3D分割卷積神經網絡模型，用于基于樣本中的下頜阻生智齒、相鄰第二磨牙和下頜管的CBCT影像序列，輸出樣本中的下頜阻生智齒、相鄰第二磨牙和下頜管的分割結果序列；所述分割結果序列，包括：下頜阻生智齒與鄰牙及下頜管的關系；

獲取實際采樣的下頜阻生智齒、相鄰第二磨牙和下頜管的CBCT影像序列；

將實際采樣的CBCT影像序列輸入至所述3D分割卷積神經網絡模型，以得到所述3D分割卷積神經網模型輸出的實際采樣的下頜阻生智齒、相鄰第二磨牙和下頜管的分割結果序列。

2.根據權利要求1所述的方法，其特征在于，所述數據預處理，包括：利用LUT，將所述訓練樣本的原始CBCT圖像的像素值映射到設定像素范圍內；

其中，所述LUT，被配置為：將所述訓練樣本的原始CBCT圖像中像素值小于設定像素范圍下限、或大于設定像素范圍上限的像素的像素值映射到0，并將其余像素的像素值按照線性關系映射至設定像素范圍內。

3.根據權利要求1所述的方法，其特征在于，所述圖像下采樣處理，包括：在所述訓練樣本的原始CBCT圖像的總層數已達到設定層數的情況下，截取所述訓練樣本的原始CBCT圖像的中間層的設定層數作為后續模型訓練的輸入樣本；在所述訓練樣本的原始CBCT圖像的總層數未達到設定層數的情況下，重復復制所述訓練樣本的原始CBCT圖像的總層數中的設定層直到總層數達到設定層數為止；

其中，每層圖像的分辨采用雙線性差值直接下采樣至設定圖像樣本大小。

4.根據權利要求1所述的方法，其特征在于，圖像灰度值歸一化處理，包括：按照設定收斂速度，對所述訓練樣本的原始CBCT圖像進行歸一化處理。

5.根據權利要求1所述的方法，其特征在于，所述圖像增廣處理，包括：對訓練樣本中每個CBCT樣本，以設定概率進行旋轉設定角度；并添加高斯噪聲和左右鏡像，以增加訓練樣本數量。

6.根據權利要求1至5中任一項所述的方法，其特征在于，對3D分割卷積神經網絡結構進行模型分割訓練，包括：

基于該圖像處理結果，選取第二設定數量個樣本作為驗證集；

采用隨機初始化法確定初始模型參數，并采用梯度下降算法對3D分割卷積神經網絡結構進行迭代訓練；

并根據在驗證集上的Dice值確定3D分割卷積神經網絡結構的目標模型參數，作為模型分割結果。