[發明專利]一種下頜阻生智齒圖像處理方法及系統

在審

• 申請號: 202210856504.8
• 申請日: 2022-07-21
• 公開（公告）號: CN115170531A
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 謝祥雨;沈復民;申恒濤
• 申請（專利權）人: 成都考拉悠然科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 成都市集智匯華知識產權代理事務所(普通合伙) 51237
• 代理人: 李華;溫黎娟

本發明公開了一種下頜阻生智齒圖像處理方法及系統，通過獲取待識別的口腔圖像；將所述待識別的口腔圖像輸入訓練好的第一網絡模型中，輸出口腔圖像中的阻生智齒類型；將所述待識別的口腔圖像輸入訓練好的第二網絡模型中，輸出口腔圖像中的阻生智齒位置。其中，第一網絡模型基于優化ConvNext網絡訓練得到，結合阻生智齒的四種分類標準，獲取口腔圖像中的阻生智齒類型，第二網絡模型基于目標檢測網絡訓練得到，結合阻生智齒的四種分類標準，獲取得到口腔圖像中的阻生智齒位置。通過本發明識別的阻生智齒類型更精細，定位的阻生智齒位置更精準，進而更有利于輔助醫生進行診斷。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種下頜阻生智齒圖像處理方法及系統。

背景技術

智齒是指人類口腔內，牙槽骨上最里面的上下左右各一的四顆第三磨牙，因為這四顆第三磨牙正好在20歲左右時開始萌出，此時人的生理、心理發育接近成熟，于是被看做是“智慧到來”的象征，故稱它為“智齒”。

其中，阻生智齒是智齒在萌出的過程中由于存在牙齦阻力、骨阻力或者鄰牙阻力的影響，導致智齒無法正常萌出，而且以后也不會萌出的現象，阻生現象按照不同的分類方法有很多種，且每一種阻生都有其特生的特征，而對應的也容易秀發某些具體的口腔疾病。

目前，對于智齒阻生類型的識別都是利用VGG(Visual Geometry Group)網絡、ResNet(Residual Neural Network)網絡、DenseNet(Dense Convolutional Network)網絡或EfficientNet網絡(效率網絡)中的一種模型對口腔影像圖片進行智齒阻生類型識別。其識別出的智齒所述類型是：垂直阻生( vertical impaction)；水平阻生(horizontalimpaction)；近中阻生(mesioangular impaction)；遠中阻生(distoangular impaction)；頰向阻生( buccoangular impaction)；舌向阻生(linguoangular impaction)；倒置阻生(inverted impaction)中的一種，其中，數據標簽一般根據阻生智齒的長軸與第二磨牙長軸的關系來進行標注的。但是，這幾種用于識別智齒阻生類型的模型在速度和精度上尚有較大提升空間，且對于智齒的類型分類不夠精細化，不能夠將阻生智齒的三維位置表述出來，使得醫生在進行診斷的時候無法給出準確的風險評估結果。

發明內容

有鑒于此，本發明提供一種下頜阻生智齒圖像處理方法及系統，旨在解決對阻生智齒類型識別不精細以及位置定位不精準的技術問題。

為解決以上技術問題，本發明提出技術方案為一種下頜阻生智齒圖像處理方法，包括：

獲取待識別的口腔圖像；

將所述待識別的口腔圖像輸入訓練好的第一網絡模型中，輸出口腔圖像中的阻生智齒類型；

將所述待識別的口腔圖像輸入訓練好的第二網絡模型中，輸出口腔圖像中的阻生智齒位置。

可選的，所述第一網絡模型的訓練方法，包括：

構建卷積神經網絡，并對所述卷積神經網絡進行優化，生成優化卷積神經網絡；

將訓練數據集中的訓練數據輸入到優化卷積神經網絡模型中進行訓練，輸出第一網絡模型。

可選的，所述建立卷積神經網絡，并對所述卷積神經網絡進行優化，生成優化卷積神經網絡，包括：

建立ConvNext網絡；

將ConvNext網絡第一個卷積核優化為兩個長寬（1,4）和（4,1）的卷積核；

在ConvNext模塊中增加注意力機制模塊，生成優化ConvNext網絡。

可選的，所述第二網絡模型的訓練方法，包括：

構建目標檢測網絡，并將訓練數據集中的訓練數據輸入到目標檢測網絡模型進行訓練，輸出第二網絡模型。