[發明專利]一種基于卷積神經網絡的牙齒圖像齲壞識別方法及系統

在審

• 申請號: 202010690021.6
• 申請日: 2020-07-17
• 公開（公告）號: CN111798445A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 夏斌;郝愛民;李若竹;李帥;王勇;李浩
• 申請（專利權）人: 北京大學口腔醫院;北京眾繪虛擬現實技術研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 安麗

1.一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，所述方法包括以下步驟，

步驟1)數據采集，采集醫院若干病例樣本口腔相關的電子病歷記錄作為數據集，所述電子病歷記錄包括診療前口內照片；

步驟2)數據標記，將所述數據集中的所述照片判讀為已齲壞或未齲壞，同時將所述照片對應的樣本標注不同類別的標簽，其中所述標簽為已齲壞的樣本為正樣本，所述標簽為未齲壞的樣本為負樣本，進而得到已標注的數據集；

步驟3)數據預處理，對所述已標注的數據集中的所述照片進行預處理，進而得到已預處理的數據集；

步驟4)數據劃分，按照設定正負樣本抽取比例與設定數據集劃分比例，對所述已處理的數據集進行隨機抽取與隨機劃分，進而得到訓練集、驗證集與測試集；

步驟5)模型定義，構建卷積神經網絡分類器，定義損失函數；

步驟6)模型訓練，初始化卷積神經網絡分類器參數，迭代使用所述訓練集訓練所述卷積神經網絡分類器參數，當損失函數小于設定閾值時，停止訓練所述卷積神經網絡分類器參數，使用所述驗證集優化所述卷積神經網絡分類器參數，進而得到已訓練優化的卷積神經網絡分類器；

步驟7)模型評估，使用所述測試集評估已訓練優化的卷積神經網絡分類器的性能指標；

步驟8)模型識別，對新的診療前口內照片進行所述預處理，并輸入所述已訓練優化的卷積神經網絡分類器中，所述已訓練優化的卷積神經網絡分類器預測輸出對應的標簽類別，進而識別所述的療前口內照片已齲壞或未齲壞。

2.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟2)中，具體實現包括：

a)若所述照片中窩溝形態相對完整，表現為溝壁溝底齲壞的早期窩溝齲或未破壞邊緣嵴的鄰面齲，則判讀為已齲壞；

b)若所述照片中已形成齲洞的或包含較易識別的齲壞部分，則判讀為已齲壞；

c)若所述照片非a)或非b)，則判讀為未齲壞。

3.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟2)中，使用toothMarking工具將所述數據集中的所述照片判讀為已齲壞或未齲壞。

4.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟3)中，所述預處理包括圖像去噪和圖像大小歸一化操作。

5.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟4)中，所述設定正負樣本抽取比例為所述正樣本與所述負樣本的比例為1：1，所述設定正負樣本抽取比例為所述訓練集、所述驗證集與所述測試集的比例為4:1:1。

6.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟5)中，所述卷積神經網絡分類器網絡包括13層卷積層、5層池化層、1個自注意力機制模塊、3層全連接層與1層softmax層，從前至后共分為8個模塊，其中模塊1與模塊2均包括2層卷積層和1層池化層，模塊3、模塊4與模塊5均包括3層卷積層和1層池化層，模塊6為自注意力機制模塊，模塊7包括3層全連接層，模塊8包括1層softmax層，卷積層采用卷積核為3×3、步幅為1且填充為1的卷積操作，池化層采用最大池化的池化操作，全連接層和卷積層采用RELU作為激活函數，并通過softmax層輸出照片識別的標簽類別；所述自注意力機制模塊從左到右包括3層1×1的卷積層，1層逐像素的相乘連接操作和softmax層，1層逐像素的相乘連接操作和1層1×1的卷積層。

7.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟5)中，所述損失函數為cross-entropy函數。

8.根據權利要求1所述的一種基于卷積神經網絡的牙齒圖像齲壞識別方法，其特征在于，在所述步驟6)中，所述設定閾值為1e^-10。