CN106875386A - 一种利用深度学习自动进行牙齿健康状况检测的方法 - Google Patents
一种利用深度学习自动进行牙齿健康状况检测的方法 Download PDFInfo
- Publication number
- CN106875386A CN106875386A CN201710075889.3A CN201710075889A CN106875386A CN 106875386 A CN106875386 A CN 106875386A CN 201710075889 A CN201710075889 A CN 201710075889A CN 106875386 A CN106875386 A CN 106875386A
- Authority
- CN
- China
- Prior art keywords
- tooth
- deep learning
- grader
- network
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种利用深度学习自动进行牙齿健康状况检测的方法，包括：以下步骤：步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。本发明采用自体荧光成像的方法对牙齿进行检测；此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息。
Description
技术领域
一种检测方法，特别是一种牙齿健康状态检测的方法。
背景技术
随人们口腔卫生及健康意识的不断提高，牙齿健康越来越受到重视。龋齿是困扰人们的最普通疾病之一，2007年,由国家卫生部公布的第三次全国口腔健康流行病学抽样调查结果显示:我国5岁儿童乳牙龋病的患病率为,平均有龋齿3.5颗；35一44岁中年人龋患率为88.1％；65一74岁老人的龋患率高达98.4％。牙菌斑是由细菌、唾液、食物残渣等物质沉积在牙齿表面形成的生物膜，是引发龋病和牙周疾病的主要因素之一；因此牙菌斑含量与分布的检测对于口腔健康的提高具有重要的意义。
传统的牙齿健康诊断方法包括视诊、探针、X线片等。视诊是牙医根据临床经验，从外观上对牙齿健康状况进行判别，而且较难以早期龋齿。探针是在视诊无法确定牙齿是否龋损的情况下，用探针敲击牙釉质表面，判断牙齿是否松软，探针能否刺入牙齿组织，该方法使用外力刺激牙齿硬组织，影响牙齿自愈能力，因此多个国家已不提倡该方法的使用。X线片可以客观评价牙齿健康状况并检测出早期龋齿，但X线片检查具有放射性，对人体有害，不能长期多次使用，尤其是孕妇和儿童不宜使用；现有技术还未解决这些问题。
发明内容
为解决现有技术的不足，本发明的目的在于采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息。
为了实现上述目标，本发明采用如下的技术方案：
一种利用深度学习自动进行牙齿健康状况检测的方法，包括：以下步骤：
步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；
步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，龋齿分类的方法，包括以下步骤：
步骤一，采集不同等级的龋损牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的龋损等级，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的龋齿等级；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，龋齿等级包括：无龋齿、浅龋、中龋、深龋。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，牙菌斑量化的方法，包括以下步骤：
步骤一，采集含不同菌斑指数的牙菌斑的牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的菌斑指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的菌斑指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，菌斑指数包括：Silness菌斑指数，Loe菌斑指数，Quigby菌斑指数，Hein菌斑指数。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，深度学习网络包括：卷积神经网络，循环神经网络。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，牙齿图像数据库包括：用于深度学习网络训练的训练库，用于对深度学习网络的效果进行测试的测试库。
本发明的有益之处在于：本发明采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息；具有无损、可视化、定量等优点。
附图说明
图1是本发明的一种实施例的流程图；
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
一种利用深度学习自动进行牙齿健康状况检测的方法，包括：以下步骤：
步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；
步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是：深度学习网络包括：卷积神经网络，循环神经网络。牙齿图像数据库包括：用于深度学习网络训练的训练库，用于对深度学习网络的效果进行测试的测试库。采集的牙齿自体图像可以是牙齿自体荧光图像，也可以是其他牙齿图像，例如：荧光成像，可见光成像，红外成像，X射线成像，OCT成像，三维成像点云图等牙齿图像。
作为一种实施例，龋齿分类的方法，包括以下步骤：
步骤一，采集不同等级的龋损牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的龋损等级，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的龋齿等级；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是，龋齿等级包括：无龋齿、浅龋、中龋、深龋。
作为一种实施例，牙菌斑量化的方法，包括以下步骤：
步骤一，采集含不同菌斑指数的牙菌斑的牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的菌斑指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的菌斑指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是：菌斑指数包括：Silness菌斑指数，Loe菌斑指数，Quigby菌斑指数，Hein菌斑指数。
本发明的基本原理是：因为健康牙体组织与龋齿及牙菌斑自体荧光光谱差异性，所以对牙齿进行荧光成像后，不同龋损程度牙齿以及不同含量牙菌斑牙齿表征在荧光图像上有差异。
本发明采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息；具有无损、可视化、定量等优点。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (7)
1.一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，包括：以下步骤：
步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；
步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
2.根据权利要求1所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，龋齿分类的方法，包括以下步骤：
步骤一，采集不同等级的龋损牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的龋损等级，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的龋齿等级；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
3.根据权利要求2所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，上述龋齿等级包括：无龋齿、浅龋、中龋、深龋。
4.根据权利要求1所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，牙菌斑量化的方法，包括以下步骤：
步骤一，采集含不同菌斑指数的牙菌斑的牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的菌斑指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的菌斑指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
5.根据权利要求4所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，上述菌斑指数包括：Silness菌斑指数，Loe菌斑指数， Quigby菌斑指数， Hein菌斑指数。
6.根据权利要求1所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，上述深度学习网络包括：卷积神经网络，循环神经网络。
7.根据权利要求1所述的一种利用深度学习自动进行牙齿健康状况检测的方法，其特征在于，上述牙齿图像数据库包括：用于深度学习网络训练的训练库，用于对深度学习网络的效果进行测试的测试库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710075889.3A CN106875386A (zh) | 2017-02-13 | 2017-02-13 | 一种利用深度学习自动进行牙齿健康状况检测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710075889.3A CN106875386A (zh) | 2017-02-13 | 2017-02-13 | 一种利用深度学习自动进行牙齿健康状况检测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106875386A true CN106875386A (zh) | 2017-06-20 |
Family
ID=59165824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710075889.3A Pending CN106875386A (zh) | 2017-02-13 | 2017-02-13 | 一种利用深度学习自动进行牙齿健康状况检测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106875386A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437092A (zh) * | 2017-06-28 | 2017-12-05 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| CN107863149A (zh) * | 2017-11-22 | 2018-03-30 | 中山大学 | 一种智能牙医系统 |
| CN107909630A (zh) * | 2017-11-06 | 2018-04-13 | 南京齿贝犀科技有限公司 | 一种牙位图生成方法 |
| CN108320801A (zh) * | 2018-04-28 | 2018-07-24 | 北京预医智联科技有限公司 | 一种智能牙齿疾病就医系统 |
| CN109146897A (zh) * | 2018-08-22 | 2019-01-04 | 北京羽医甘蓝信息技术有限公司 | 口腔放射图像质量控制方法及装置 |
| CN109616197A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 牙齿数据处理方法、装置、电子设备及计算机可读介质 |
| CN109671477A (zh) * | 2018-12-14 | 2019-04-23 | 深圳市倍康美医疗电子商务有限公司 | 口腔正畸可视化体检报告生成方法、终端及存储介质 |
| CN109859203A (zh) * | 2019-02-20 | 2019-06-07 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| CN111563887A (zh) * | 2020-04-30 | 2020-08-21 | 北京航空航天大学杭州创新研究院 | 一种口腔图像的智能分析方法与装置 |
| CN111627014A (zh) * | 2020-05-29 | 2020-09-04 | 四川大学 | 一种基于深度学习的根管检测与评分的方法及系统 |
| CN111652839A (zh) * | 2020-04-21 | 2020-09-11 | 上海市杨浦区市东医院 | 基于快速区域全卷积神经网络的牙齿比色检测方法及系统 |
| WO2020181974A1 (zh) * | 2019-03-14 | 2020-09-17 | 杭州朝厚信息科技有限公司 | 基于人工神经网络的去除牙齿三维数字模型的表面气泡的方法 |
| CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
| CN111798445A (zh) * | 2020-07-17 | 2020-10-20 | 北京大学口腔医院 | 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统 |
| CN112151167A (zh) * | 2020-05-14 | 2020-12-29 | 余红兵 | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 |
| CN112150422A (zh) * | 2020-09-15 | 2020-12-29 | 苏州知会智能科技有限公司 | 一种基于多任务学习的口腔健康自我检测模型的建模方法 |
| CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
| CN112450861A (zh) * | 2019-09-06 | 2021-03-09 | 广达电脑股份有限公司 | 牙区辨识系统 |
| CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
| CN114496254A (zh) * | 2022-01-25 | 2022-05-13 | 首都医科大学附属北京同仁医院 | 一种牙龈炎评估系统的构建方法、牙评估系统及评估方法 |
| CN115191949A (zh) * | 2022-07-28 | 2022-10-18 | 哈尔滨工业大学 | 一种牙病诊断方法及诊断仪 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5742700A (en) * | 1995-08-10 | 1998-04-21 | Logicon, Inc. | Quantitative dental caries detection system and method |
| CN104867148A (zh) * | 2015-04-22 | 2015-08-26 | 北京爱普力思健康科技有限公司 | 预定种类物体图像的获取方法、装置及口腔远程诊断系统 |
| CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
| CN108350502A (zh) * | 2015-09-09 | 2018-07-31 | 优比欧迈公司 | 用于口腔健康的源自微生物群系的诊断及治疗方法和系统 |
-
2017
- 2017-02-13 CN CN201710075889.3A patent/CN106875386A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5742700A (en) * | 1995-08-10 | 1998-04-21 | Logicon, Inc. | Quantitative dental caries detection system and method |
| CN104867148A (zh) * | 2015-04-22 | 2015-08-26 | 北京爱普力思健康科技有限公司 | 预定种类物体图像的获取方法、装置及口腔远程诊断系统 |
| CN108350502A (zh) * | 2015-09-09 | 2018-07-31 | 优比欧迈公司 | 用于口腔健康的源自微生物群系的诊断及治疗方法和系统 |
| CN106203525A (zh) * | 2016-07-18 | 2016-12-07 | 戎巍 | 电子设备及其应用的图像处理方法及系统 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107437092B (zh) * | 2017-06-28 | 2019-11-15 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类方法 |
| WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| CN107437092A (zh) * | 2017-06-28 | 2017-12-05 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| CN107909630A (zh) * | 2017-11-06 | 2018-04-13 | 南京齿贝犀科技有限公司 | 一种牙位图生成方法 |
| CN107863149A (zh) * | 2017-11-22 | 2018-03-30 | 中山大学 | 一种智能牙医系统 |
| CN108320801A (zh) * | 2018-04-28 | 2018-07-24 | 北京预医智联科技有限公司 | 一种智能牙齿疾病就医系统 |
| CN109146897A (zh) * | 2018-08-22 | 2019-01-04 | 北京羽医甘蓝信息技术有限公司 | 口腔放射图像质量控制方法及装置 |
| CN109146897B (zh) * | 2018-08-22 | 2021-08-03 | 北京羽医甘蓝信息技术有限公司 | 口腔放射图像质量控制方法及装置 |
| CN109616197A (zh) * | 2018-12-12 | 2019-04-12 | 泰康保险集团股份有限公司 | 牙齿数据处理方法、装置、电子设备及计算机可读介质 |
| CN109671477A (zh) * | 2018-12-14 | 2019-04-23 | 深圳市倍康美医疗电子商务有限公司 | 口腔正畸可视化体检报告生成方法、终端及存储介质 |
| CN109859203B (zh) * | 2019-02-20 | 2022-10-14 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| CN109859203A (zh) * | 2019-02-20 | 2019-06-07 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| WO2020181974A1 (zh) * | 2019-03-14 | 2020-09-17 | 杭州朝厚信息科技有限公司 | 基于人工神经网络的去除牙齿三维数字模型的表面气泡的方法 |
| CN112450861A (zh) * | 2019-09-06 | 2021-03-09 | 广达电脑股份有限公司 | 牙区辨识系统 |
| CN112450861B (zh) * | 2019-09-06 | 2022-06-17 | 广达电脑股份有限公司 | 牙区辨识系统 |
| CN111652839A (zh) * | 2020-04-21 | 2020-09-11 | 上海市杨浦区市东医院 | 基于快速区域全卷积神经网络的牙齿比色检测方法及系统 |
| CN111563887B (zh) * | 2020-04-30 | 2022-04-22 | 北京航空航天大学杭州创新研究院 | 一种口腔图像的智能分析方法与装置 |
| CN111563887A (zh) * | 2020-04-30 | 2020-08-21 | 北京航空航天大学杭州创新研究院 | 一种口腔图像的智能分析方法与装置 |
| CN112151167A (zh) * | 2020-05-14 | 2020-12-29 | 余红兵 | 一种基于深度学习的儿童六龄牙龋齿智能筛查方法 |
| CN111627014A (zh) * | 2020-05-29 | 2020-09-04 | 四川大学 | 一种基于深度学习的根管检测与评分的方法及系统 |
| CN111627014B (zh) * | 2020-05-29 | 2023-04-28 | 四川大学 | 一种基于深度学习的根管检测与评分的方法及系统 |
| CN111784639A (zh) * | 2020-06-05 | 2020-10-16 | 浙江大学 | 基于深度学习的口腔全景片龋齿深度识别方法 |
| CN111798445A (zh) * | 2020-07-17 | 2020-10-20 | 北京大学口腔医院 | 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统 |
| CN111798445B (zh) * | 2020-07-17 | 2023-10-31 | 北京大学口腔医院 | 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统 |
| CN112150422A (zh) * | 2020-09-15 | 2020-12-29 | 苏州知会智能科技有限公司 | 一种基于多任务学习的口腔健康自我检测模型的建模方法 |
| CN112150422B (zh) * | 2020-09-15 | 2023-12-08 | 苏州知会智能科技有限公司 | 一种基于多任务学习的口腔健康自我检测模型的建模方法 |
| CN112288735A (zh) * | 2020-11-06 | 2021-01-29 | 南京大学 | 一种基于神经网络的利用牙齿锥形束ct图自动检测牙折裂的方法 |
| CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
| CN112967219B (zh) * | 2021-03-17 | 2023-12-05 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
| CN114496254A (zh) * | 2022-01-25 | 2022-05-13 | 首都医科大学附属北京同仁医院 | 一种牙龈炎评估系统的构建方法、牙评估系统及评估方法 |
| CN115191949A (zh) * | 2022-07-28 | 2022-10-18 | 哈尔滨工业大学 | 一种牙病诊断方法及诊断仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106875386A (zh) | 一种利用深度学习自动进行牙齿健康状况检测的方法 | |
| Abdelaziz et al. | Near infrared transillumination compared with radiography to detect and monitor proximal caries: A clinical retrospective study | |
| Schimmel et al. | A novel colourimetric technique to assess chewing function using two-coloured specimens: Validation and application | |
| Bartlett et al. | Prevalence of tooth wear on buccal and lingual surfaces and possible risk factors in young European adults | |
| Lee et al. | Association between the cariogenicity of a dental microcosm biofilm and its red fluorescence detected by Quantitative Light-induced Fluorescence-Digital (QLF-D) | |
| Ikebe et al. | Association of masticatory performance with age, gender, number of teeth, occlusal force and salivary flow in Japanese older adults: is ageing a risk factor for masticatory dysfunction? | |
| Pitts | Detection, assessment, diagnosis and monitoring of caries | |
| Ikebe et al. | Masticatory performance in older subjects with varying degrees of tooth loss | |
| Jablonski-Momeni et al. | Use of ICDAS-II, fluorescence-based methods, and radiography in detection and treatment decision of occlusal caries lesions: an in vitro study | |
| Saxena et al. | Experimental studies of forensic odontology to aid in the identification process | |
| Topping et al. | Clinical visual caries detection | |
| Pretty et al. | Quantification of dental plaque in the research environment | |
| Lussi et al. | Performance of a new laser fluorescence device for the detection of occlusal caries in vitro | |
| Carter et al. | Automated quantification of dental plaque accumulation using digital imaging | |
| Ito et al. | Risk assessment of dental caries by using Classification and Regression Trees | |
| Jablonski-Momeni et al. | Performance of a fluorescence camera for detection of occlusal caries in vitro | |
| Jung et al. | Development of a fluorescence-image scoring system for assessing noncavitated occlusal caries | |
| Jablonski-Momeni et al. | Clinical performance of the near-infrared imaging system VistaCam iX Proxi for detection of approximal enamel lesions | |
| Baciu et al. | Caries experience among Romanian schoolchildren: prevalence and trends 1992-2011 | |
| Terrer et al. | A new concept in restorative dentistry: light-induced fluorescence evaluator for diagnosis and treatment. Part 1: Diagnosis and treatment of initial occlusal caries | |
| Chu et al. | Current and future research in diagnostic criteria and evaluation of caries detection methods | |
| Martignon et al. | The use of index teeth vs. full mouth in erosive tooth wear to assess risk factors in the diet: A cross-sectional epidemiological study | |
| Presoto et al. | Clinical effectiveness of fluorescence, digital images and ICDAS for detecting occlusal caries | |
| CN111798445B (zh) | 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统 | |
| Topaloglu-Ak et al. | Caries in primary molars of 6–7-year-old Turkish children as risk indicators for future caries development in permanent molars |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170620 |
|
| RJ01 | Rejection of invention patent application after publication |