CN112037913B - 一种基于卷积神经网络的牙周炎智能检测系统 - Google Patents
一种基于卷积神经网络的牙周炎智能检测系统 Download PDFInfo
- Publication number
- CN112037913B CN112037913B CN202010966941.6A CN202010966941A CN112037913B CN 112037913 B CN112037913 B CN 112037913B CN 202010966941 A CN202010966941 A CN 202010966941A CN 112037913 B CN112037913 B CN 112037913B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- periodontitis
- data
- image
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
- A61B5/0088—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for oral or dental tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
- A61B5/4542—Evaluating the mouth, e.g. the jaw
- A61B5/4552—Evaluating soft tissue within the mouth, e.g. gums or tongue
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physical Education & Sports Medicine (AREA)
- Rheumatology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明属于智能检测技术领域,公开了一种基于卷积神经网络的牙周炎智能检测方法及系统,获取牙周炎患者的全景片图像、根尖片图像以及患者的相关资料数据;并对获取的图像数据进行筛选、预处理;将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;对训练的卷积神经网络的参数进行优化,对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;利用经过检测的卷积神经网络进行牙周炎的智能检测。本发明采用计算机智能判读X线片,使牙周病诊断趋于同质化;本发明阅片快速,高效;本发明通过计算机数据判读X线的变化,提高牙周病诊断的效率和准确率,降低医疗成本,易于向基层推广。
Description
技术领域
本发明属于智能检测技术领域,尤其涉及一种基于卷积神经网络的牙周炎智能检测系统。
背景技术
牙周病在全球范围内造成的经济负担近年来逐渐加重,在全球生产力损失的成本调查分析中,严重牙周炎达到540亿美元。牙周病与糖尿病、心脑血管疾病、呼吸系统疾病、阿尔兹海默症等多种全身性疾病互为危险因素,严重影响人类健康和生活质量。
为了减少牙周病造成的经济负担、提高人民生活质量,对牙周病进行早期诊断和有效治疗势在必行。牙周病诊断方法和治疗方法的改进与创新一直以来是该领域研究的难点和热点。传统牙周病的诊断依赖于临床检查以及口腔X线片等辅助检查手段之后,医生进行临床诊断,其诊断结果同质性欠佳。诊断过程效率较低、疾病的早期症状不明显导致容易遗漏。
2018年欧洲牙周病联合会(EFP)与美国牙周病学会(AAP)组织召开了牙周病和植体周病新分类国际研究研讨,形成的共识性报告中,影像学证据在新分类中进行量化并作为直接证据倍受关注。寻求一种高效准确的牙周影像判读方法对于牙周病的诊断意义重大。
卷积神经网络(CNN)是最新的人工神经网络和计算机视觉深度学习的核心模型,自2010年以来发展迅速,因其在计算机视觉、图像识别以及特征提取中高准确度的表现,近年来开始应用于医疗影像中的辅助诊断以及图像分割,例如对糖尿病性视网膜病变,皮肤癌和肺结核的检测和分类已经显示出非常高的准确性和效率。
目前,在口腔领域基于深层CNN架构的研究很少。研发人工智能技术进行口腔图像识别与分析,不仅可以提高牙周病诊断的准确率,将诊断趋于同质化,让专科医生及基层医生方便、快捷的掌握牙周病的诊断手段,易于推广。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有检测方法很难精确观察牙槽骨高度及密度的微小变化,诊断过程效率较低、疾病的早期症状不明显导致容易遗漏,诊断结果同质性欠佳。
(2)现有技术没有利用卷积神经网络进行牙周炎检测的相关技术。
解决以上问题及缺陷的难度为:
人工智能应用于牙周炎检测方面的相关技术缺乏,需要大量的图像数据支持,并且整个训练过程需要专业的临床口腔医生指导。
解决以上问题及缺陷的意义为:
卷积神经网络自动提取图像特征,不需要人工定义特征的过程。此技术可以大大减少临床医生的阅片工作量,不仅可以提高牙周病诊断的准确率和效率,将诊断趋于同质化,让专科医生及基层医生方便、快捷的掌握牙周病的诊断手段,易于推广。
发明内容
针对现有技术存在的问题,本发明提供了一种基于卷积神经网络的牙周炎智能检测系统。
本发明是这样实现的,一种基于卷积神经网络的牙周炎智能检测系统,所述基于卷积神经网络的牙周炎智能检测系统执行以下步骤,包括:
步骤一,获取牙周炎患者的全景片图像、根尖片图像以及患者的相关资料数据;并对获取的图像数据进行筛选;
步骤二,对筛选后的图像数据进行预处理;
步骤三,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
步骤四,基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
步骤五,利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;
步骤六,利用经过检测的卷积神经网络进行牙周炎的智能检测。
进一步,步骤一中,所述对获取的图像数据进行筛选包括:
结合获取的患者相关资料,排除14岁以下患者的全景及根尖片图像、排除严重噪音或模糊或严重扭曲的牙齿图像、排除已接受根管治疗的牙齿图像、排除已进行根切除术的根尖手术的牙齿图像、排除具有中度至重度龋齿的牙齿图像、排除具有修复全冠的牙齿以及形状偏离正常解剖结构的牙齿图像、排除已行全口托槽粘接的牙齿图像;同时3名经过认证的牙周病专家对所有的全景及根尖片图像进行评估,将片子分为牙周炎组及正常组,排除3名专家诊断不完全一致的图像。
进一步,步骤二中,所述对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效信息,对根尖片上牙进行180°翻转。
进一步,所述卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函数 2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,最后得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU 激活函数6处理,再经过dropout2处理,最后得到50数据;
第七层:输入数据50,L2正则化后全连接,得到2个特征数据。
本发明的另一目的在于提供一种基于卷积神经网络的牙周炎智能检测系统,所述基于卷积神经网络的牙周炎智能检测系统包括:
牙周炎图像数据处理模块,获取牙周炎的全景片图像、根尖片图像;并对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
牙周炎智能检测模块,用于利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;利用经过检测的卷积神经网络进行牙周炎的智能检测。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
获取牙周炎的全景片图像、根尖片图像;并对获取的图像数据进行筛选;
对筛选后的图像数据进行预处理;
将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;
利用经过检测的卷积神经网络进行牙周炎的智能检测。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
获取牙周炎的全景片图像、根尖片图像;并对获取的图像数据进行筛选;
对筛选后的图像数据进行预处理;
将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;
利用经过检测的卷积神经网络进行牙周炎的智能检测。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明公开了一种基于卷积神经网络(CNN)的牙周炎智能断检测方法,使用CNN模型进行训练,将所有全口曲面断层片与根尖片分为训练集、验证集、测试集,对训练集进行训练,并保存模型。使用验证集实时监测模型检测准确度,改变网络相关参数对模型进行优化,使模型达到最优。最后将测试集数据输入模型中,获得预测评分,用以检测模型准确度。该模型实现了对牙周炎的智能识别。
本发明采用计算机智能判读X线片,较传统方式客观,使牙周病诊断趋于同质化;本发明阅片快速,高效;本发明通过计算机数据判读X线的变化,提高牙周病诊断的准确率;本发明让专科医生及基层医生方便、快捷的掌握牙周病的诊断手段,易于推广。
对比的技术效果或者实验效果。包括:
目前牙周炎诊断都是依靠临床检查,大大增加临床医生的工作量,对牙周炎的检测和诊断进行的研究有限,尚无相关医院通过计算机自动辅助诊断的方法进行牙周炎的诊断。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于卷积神经网络的牙周炎智能检测方法原理图。
图2是本发明实施例提供的基于卷积神经网络的牙周炎智能检测方法流程图。
图3是本发明实施例提供的Relu激活函数示意图。
图4是本发明实施例提供的标准神经网络结构以及Dropout网络结构示意图。
图5-图6是本发明实施例提供的全景片准确度分析示意图。
图7是本发明实施例提供的牙周炎的严重程度与评分示意图。
图8是本发明实施例提供的根尖片的准确度分析示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于卷积神经网络的牙周炎智能检测系统,下面结合附图对本发明作详细的描述。
如图1-图2所示,本发明实施例提供的基于卷积神经网络的牙周炎智能检测系统,执行以下步骤,包括:
S101,获取牙周炎患者的全景片图像、根尖片图像以及患者的相关资料数据;并对获取的图像数据进行筛选;
S102,对筛选后的图像数据进行预处理;
S103,将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
S104,基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
S105,利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;
S106,利用经过检测的卷积神经网络进行牙周炎的智能检测。
步骤S101中,本发明实施例提供的对获取的图像数据进行筛选包括:
结合获取的患者相关资料,排除14岁以下患者的全景及根尖片图像、排除严重噪音或模糊或严重扭曲的牙齿图像、排除已接受根管治疗的牙齿图像、排除已进行根切除术的根尖手术的牙齿图像、排除具有中度至重度龋齿的牙齿图像、排除具有修复全冠的牙齿以及形状偏离正常解剖结构的牙齿图像、排除已行全口托槽粘接的牙齿图像;同时3名经过认证的牙周病专家对所有的全景及根尖片图像进行评估,将片子分为牙周炎组及正常组,排除3名专家诊断不完全一致的图像。
步骤S102中,本发明实施例提供的对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效信息,对根尖片上牙进行180°翻转。
本发明实施例提供的卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132× 132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函数 2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,最后得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU 激活函数6处理,再经过dropout2处理,最后得到50数据;
第七层:输入数据50,L2正则化后全连接,得到2个特征数据。
本发明提供一种一种实施所述基于卷积神经网络的牙周炎智能检测方法的基于卷积神经网络的牙周炎智能检测系统,所述基于卷积神经网络的牙周炎智能检测系统包括:
牙周炎图像数据处理模块,获取牙周炎的全景片图像、根尖片图像;并对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
牙周炎智能检测模块,用于利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;利用经过检测的卷积神经网络进行牙周炎的智能检测。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例:
数据集收集
收集在南昌大学第二附属医院口腔科2016年1月至2019年12月牙周炎患者的全景片与根尖片,并对所有片子进行了筛选,排除了14岁以下患者的全景及根尖片,以及严重噪音或模糊或严重扭曲的牙齿,已接受根管治疗的牙齿,已进行根切除术的根尖手术的牙齿,具有中度至重度龋齿的牙齿,具有修复全冠的牙齿以及形状偏离正常解剖结构的牙齿,已行全口托槽粘接的牙齿,并获取患者相关资料。
牙周炎诊断
由3名经过认证的牙周病医师均对所有的全景及根尖片进行了评估,将片子分为牙周炎组及正常组,3名检查者的诊断不完全一致的片子被排除在外。
图片预处理
利用PIL图像处理库切除图像边缘无效信息,对根尖片上牙进行180°翻转,将处理后的图像输入网络进行训练或测试。
卷积神经网络结构:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132× 132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函数 2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,最后得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU 激活函数6处理,再经过dropout2处理,最后得到50数据;
第七层:输入数据50,L2正则化后全连接,得到2个特征数据。
本网络除池化层外均使用Relu激活函数,由图3所示,坐标轴左侧(负值) 的值都为0,右侧(正值)的值不变,这就是Relu的单侧抑制。单侧抑制让神经网络具有了稀疏激活性,不仅可以增加数据的多样性,也可以挖掘原始特征中的更深的特征。Relu函数将稠密的特征转化成稀疏特征是有限制的,在网络训练的时,网络会自动控制稀疏的比例,保证网络学习到有效的特征。Relu函数在反向传播中可以让梯度不会大幅度的降低,出现梯度消失,很好的解决了深度学习中梯度弥散问题。
Dropout是在模型训练时随机地使网络中某些隐含层节点的权重不工作,这些节点虽然权重不工作,但是它们仍然存在于网络之中,只是暂时不更新它的权重,再下一次更新的时候,这些权重又可以再次工作。如图4所示。
下面结合实验对本发明的技术效果作进一步说明。
针对全景片的准确度分析
对测试集进行测试,其效果如图5-图6所示:
ROC曲线下面积(AUC)为0.843(0.803,0.878),灵敏度为0.793,特异度为 0.780;
同时发现牙周炎的严重程度与评分相关,如图7所示。
针对根尖片的准确度分析,如图8所示。
ROC曲线下面积(AUC)为0.905(0.879,0.928),灵敏度为0.831,特异度为 0.800。
下面结合具体实验对本发明作进一步描述。
本发明共纳入口腔全景片共1958张,其中患牙周炎患者图片1230张,非牙周炎患者图片728张。将数据集分为训练集(64%),验证集(16%),测试集(20%)。口腔根尖片2967张(共416人),其中患牙周炎患者图片2025 张(共297人),非牙周炎患者图片942张(共119人)。将数据集分为训练集(64%),验证集(16%),测试集(20%)。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网络的牙周炎智能检测系统,其特征在于,所述基于卷积神经网络的牙周炎智能检测系统执行以下步骤,包括:
获取牙周炎患者的全景片图像、根尖片图像;并对获取的图像数据进行筛选;
对筛选后的图像数据进行预处理;
将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;
利用经过检测的卷积神经网络进行牙周炎的智能检测;
所述卷积神经网络结构包括:
第一层:输入数据为400×400×1,填充值是4,100个卷积核,卷积核大小为11×11,步长为3,得到[(400-11+2×2)/3]+1=132个特征,输出特征为132×132×100,然后进行ReLU激活函数1处理,得到132×132×100数据;
第二层:经池化层1最大池化5×5的核,步长为3,得到[(132-5+2×1)/3+1]=44个特征,得到44×44×100数据;
第三层:输入数据为44×44×100,填充值是0,150个卷积核,卷积核大小为5×5,步长为3,得到[(44-5+2×0)/3]+1=14个特征,输出特征为14×14×150,然后进行ReLU激活函数 2处理,得到14×14×150数据;
第四层:经池化层2最大池化3×3的核,步长为2,得到[(14-3)/2+1]=7个特征,得到7×7×150数据;
第五层:输入数据7×7×150,L2正则化后全连接,得到100个特征,然后进行ReLU激活函数5处理,再经过dropout1处理,最后得到150数据;
第六层:输入数据100,L2正则化后全连接,得到50个特征,然后进行ReLU 激活函数6处理,再经过dropout2处理,最后得到50数据;
第七层:输入数据50,L2正则化后全连接,得到2个特征数据。
2.如权利要求1所述基于卷积神经网络的牙周炎智能检测系统,其特征在于,所述对获取的图像数据进行筛选包括:
结合获取的相关资料,排除14岁以下患者的全景片及根尖片图像、排除严重噪点或模糊或严重扭曲的牙齿图像、排除已接受根管治疗的牙齿图像、排除已进行根尖切除术的牙齿图像、排除具有中龋至深龋的牙齿图像、排除具有修复全冠的牙齿以及形状偏离正常解剖结构的牙齿图像、排除已行全口托槽粘接的牙齿图像;同时经过认证的牙周病专家对所有的全景及根尖片图像进行评估,将片子分为牙周炎组及正常组,排除专家诊断不完全一致的图像。
3.如权利要求1所述基于卷积神经网络的牙周炎智能检测系统,其特征在于,所述对筛选后的图像数据进行预处理包括:
利用PIL图像处理库切除图像边缘无效信息,对根尖片上牙进行180°翻转。
4.如权利要求1所述的基于卷积神经网络的牙周炎智能检测系统,其特征在于,所述基于卷积神经网络的牙周炎智能检测系统包括:
牙周炎图像数据处理模块,获取牙周炎的全景片图像、根尖片图像;并对获取的图像数据进行筛选;对筛选后的图像数据进行预处理;
图像训练验证模块,用于将预处理后的图像分为训练集、测试集以及验证集,并输入构建的卷积神经网络进行训练、验证;
卷积神经网络参数优化模块,用于基于验证结果对训练的卷积神经网络的参数进行优化,得到优化后的卷积神经网络;
牙周炎智能检测模块,用于利用测试集数据对优化后的卷积神经网络进行预测,检测卷积神经网络的准确度;利用经过检测的卷积神经网络进行牙周炎的智能检测。
5.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器运行权利要求1~4任意一项所述基于卷积神经网络的牙周炎智能检测系统。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器运行权利要求1~4任意一项所述基于卷积神经网络的牙周炎智能检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966941.6A CN112037913B (zh) | 2020-09-15 | 2020-09-15 | 一种基于卷积神经网络的牙周炎智能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966941.6A CN112037913B (zh) | 2020-09-15 | 2020-09-15 | 一种基于卷积神经网络的牙周炎智能检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037913A CN112037913A (zh) | 2020-12-04 |
CN112037913B true CN112037913B (zh) | 2022-08-30 |
Family
ID=73589748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010966941.6A Active CN112037913B (zh) | 2020-09-15 | 2020-09-15 | 一种基于卷积神经网络的牙周炎智能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037913B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313021B (zh) * | 2021-05-27 | 2023-05-30 | 云南电网有限责任公司电力科学研究院 | 一种基于低质量影像识别的深度学习模型构建方法 |
CN113425440A (zh) * | 2021-06-24 | 2021-09-24 | 广州华视光学科技有限公司 | 一种基于人工智能检测龋病及其位置的系统和方法 |
CN113658679B (zh) * | 2021-07-13 | 2024-02-23 | 南京邮电大学 | 一种医学图像下牙槽神经损伤风险自动评估方法 |
KR20230102720A (ko) * | 2021-12-30 | 2023-07-07 | 주식회사 큐티티 | 구강 이미지 학습 및 분류 장치 및 방법 |
CN114582517A (zh) * | 2022-03-04 | 2022-06-03 | 四川大学 | 一种牙周炎早期预判打分表的构建方法和应用 |
TWI807809B (zh) * | 2022-05-04 | 2023-07-01 | 國立東華大學 | 利用深度學習之卷積神經網路輔助辨識牙周病及齲齒之系統、電腦程式及電腦可讀取媒體 |
TR2022012385A2 (tr) * | 2022-08-04 | 2022-08-22 | Atatuerk Ueniversitesi Rektoerluegue Bilimsel Arastirma Projeleri Bap Koordinasyon Birimi | Yapay zeka i̇le peri̇odontal sağliğin tespi̇ti̇ si̇stemi̇ |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
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 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
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 |
-
2020
- 2020-09-15 CN CN202010966941.6A patent/CN112037913B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
CN109086836A (zh) * | 2018-09-03 | 2018-12-25 | 淮阴工学院 | 一种基于卷积神经网络的食管癌病理图像自动甄别装置及其甄别方法 |
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 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络成人肋骨骨折CT自动检测和分类的应用研究;周清清等;《影像诊断与介入放射学》;20200225(第01期);29-33 * |
基于深度学习的胃癌病理图像分类方法;张泽中等;《计算机科学》;20181115;273-278 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037913A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037913B (zh) | 一种基于卷积神经网络的牙周炎智能检测系统 | |
JP5763172B2 (ja) | パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム | |
CN111047524A (zh) | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 | |
WO2020001086A1 (zh) | 基于深度学习的心脏ct图像分割方法、装置、设备及介质 | |
CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
Tian et al. | Efficient computer-aided design of dental inlay restoration: a deep adversarial framework | |
CN110503652A (zh) | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 | |
CN112419248B (zh) | 基于小目标检测神经网络的耳硬化病灶检测及诊断系统 | |
CN110189324B (zh) | 一种医学图像处理方法及处理装置 | |
CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
CN112819818B (zh) | 图像识别模块训练方法和装置 | |
CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
Lin et al. | Tooth numbering and condition recognition on dental panoramic radiograph images using CNNs | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN114332123A (zh) | 基于全景片的龋病自动分级方法及系统 | |
CN114119950A (zh) | 一种基于人工智能的口腔曲面断层片牙齿图像分割方法 | |
CN116258726A (zh) | 基于深度学习的颞下颌关节mri图像重要结构分割方法 | |
CN112465773A (zh) | 一种基于人脸面部肌肉运动特征的面部神经麻痹疾病检测方法 | |
Tian et al. | A dual discriminator adversarial learning approach for dental occlusal surface reconstruction | |
CN112102234B (zh) | 基于目标检测神经网络的耳硬化病灶检测及诊断系统 | |
CN114159071A (zh) | 一种基于心电图像的帕金森预测智能化方法及系统 | |
CN114831596A (zh) | 一种基于深度学习的睡眠监测网络模型的构建方法及系统、睡眠监测方法 | |
CN113570724A (zh) | 基于逆球极投影的网格球面保角参数化方法及其应用 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |