CN112150422A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112150422A CN112150422A CN202010969993.9A CN202010969993A CN112150422A CN 112150422 A CN112150422 A CN 112150422A CN 202010969993 A CN202010969993 A CN 202010969993A CN 112150422 A CN112150422 A CN 112150422A
- Authority
- CN
- China
- Prior art keywords
- oral health
- picture
- oral
- health self
- multitask learning
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 208000024891 symptom Diseases 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000000049 pigment Substances 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 241001415288 Coccidae Species 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 208000025157 Oral disease Diseases 0.000 abstract description 5
- 208000030194 mouth disease Diseases 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 9
- 208000028169 periodontal disease Diseases 0.000 description 7
- 208000002925 dental caries Diseases 0.000 description 6
- 210000000214 mouth Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 206010044029 Tooth deposit Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 208000006558 Dental Calculus Diseases 0.000 description 2
- 208000002064 Dental Plaque Diseases 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- YLRFCQOZQXIBAB-RBZZARIASA-N fluoxymesterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1CC[C@](C)(O)[C@@]1(C)C[C@@H]2O YLRFCQOZQXIBAB-RBZZARIASA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C19/00—Dental auxiliary appliances
- A61C19/04—Measuring instruments specially adapted for dentistry
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开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，包括：根据标注过的口腔问题的样本图像和图像对应的用户提供的先验信息训练卷积神经网络模型，其中，卷积神经网络模型在训练的过程中不仅考虑了先验信息，而且对图片清晰度有影响的症状进行单独考虑。有效提高了模型的准确性。本发明还提供了一种基于多任务学习的口腔健康自我检测模型的建模装置和一种基于多任务学习的口腔健康自我检测方法及装置。本发明不仅能成功评估口腔疾病检测信息，且能准确定位；更加智能化。
Description
技术领域
本发明属于计算机数据处理领域，特别涉及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。
背景技术
牙周病和龋病是口腔中发病率最高的两大类疾病，是成年人失牙的主要原因，菌斑是导致牙周病和龋病的病因，牙石、软垢及色素是加重菌斑堆积的危险因素。由于公众的口腔健康意识较低，降低牙周病和龋病的发病率是全球面对的一项重大挑战，要达到口腔健康，预防是关键。目前患者检查口腔健康状况依然主要依赖医生的临床检查，但只通过医生临床检查评估的技术路线极大地延滞了牙周病、龋病的治疗和群体口腔健康的实现，不能满足患者需求。当前我国口腔疾病人数众多、口腔医生人数相对较少，患者的主动性、自我口腔健康检测手段尤为重要。
近年来，随着医学人工智能的快速发展，深度学习、大数据分析等方法对于医学图像的识别和处理具有重要价值。深度学习(Deep Learning，DL)方法是近年来备受瞩目的一种人工智能(Artificial Intelligence,AI)机器学习研究中的一个新领域，目前深度学习技术在口腔医学领域的应用则相对滞后，迄今为止仅有少量的临床病例报道。中国专利文献CN109360196A中公开了一种基于深度学习处理口腔放射图像的方法及装置，包括分割样本牙齿牙根区域、输入卷积神经网络中进行训练，得到检测模型、输入测试牙齿图像、输出整张测试口腔放射图像预测结果。中国专利文献CN109859203A中公开了一种基于深度学习的缺陷牙齿图像识别方法，基于深度学习的缺陷牙齿图像识别方法，包括对缺陷牙齿图像数据集合进行区域分割、边缘提取、建立深度学习的图像训练数据集、选取cifar10Net的深度学习网络模型，对全连接层参数微调、对牙齿图像数据集进行迁移学习，训练并优化网络结构与参数；最后，保存训练好的神经网络模型，输入待判别的新图像，完成图像预处理及牙齿图像的缺陷区域建议。但是，以上专利文献使用的技术为深度神经网络单任务学习，无法同时执行多种任务，且不能将预测结果准确定位。现有技术在同时预估口腔多种疾病及给予准确的位置判定上具有一定的局限型。
发明内容
发明目的：本发明针对现有技术存在的问题，提出了一种能够准确的对多种口腔疾病进行同时检测的基于多任务学习的口腔健康自我检测模型的建模方法。
技术方案：为实现上述目的，本发明提供了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，包括：
根据标注过口腔问题的样本图片建立样本数据集；
将建立的样本数据集输入到卷积神经网络模型中进行训练；其中，先对样本数据集进行归一化数据处理；再采用camshift算法对处理后的样本数据集中的每一个样本图片进行优化；将优化后的样本数据集中的样本图片进行卷积层中的降维迭代计算得到样本图片的特征向量；在得到的样本图片的特征向量中增加先验特征信息矩阵后输入到dense层中的Softmax函数进行计算，最后输出的值根据与样本图片标注的疾病进行对应，最终每个口腔问题对应输出值得到一个范围，则得到的范围为对应口腔问题的参考范围，从而完成卷积神经网络模型的训练，得到口腔健康自我检测模型。
进一步，所述在采用camshift算法对处理后的样本数据集中的每一个样本图片进行优化时，增加症状判断矩阵，所述症状判断矩阵中的参数值根据需要判断的症状的有无确定。增加症状判断矩阵能够在对样本图片进行优化的时候更加有针对性，从而使优化后的样本图片中有症状的部分更加清晰，该方法能够有效的增加整个模型在训练过程中的准确性。
进一步，所述症状判断矩阵中的症状选择为软垢、色素。软垢和色素这两种症状会对图片本身的清晰度产生影响，选择这两种症状能够增加整个模型检测的准确性，提高识别精度。
进一步，所述先验特征信息矩阵为一维矩阵，矩阵中的参数值为每个先验特征信息的权重值；所述每个先验特征权重值的获取方法为：先计算出每个先验信息在总的样本中比值，再将所有先验信息的比值相加作为分母，每个先验信息的比值作为分子，计算出的比值得到每个先验信息的权重初值；然后根据卷积神经网络模型中的Relu函数不断的更新权重值。采用Relu函数不断的更新权重值可以提高模型在训练过程中的稳定性。
进一步，所述先验特征信息矩阵中参数的数量与样本图片的特征向量中的列数相同。
本发明还提供了一种基于多任务学习的口腔健康自我检测方法，将先验信息的相关数据和待识别图片输入到权利要求1中得到口腔健康自我检测模型中，其中，口腔健康自我检测模型先对待识别图片进行归一化数据处理；再采用camshift算法对处理后的待识别图片进行优化；将优化后的待识别图片进行卷积层中的降维迭代计算得到待识别图片特征向量；在得到的待识别图片特征向量中增加先验特征信息矩阵后输入到dense层中的Softmax函数进行计算，最后输出的值与口腔健康自我检测模型中每种口腔问题对应的参考范围进行对比，最后输出的值落入在参考范围内，则口腔健康自我检测模型输出对应的口腔问题。
本发明还提供了一种基于多任务学习的口腔健康自我检测模型的建模装置，用于执行上述基于多任务学习的口腔健康自我检测模型的建模方法。
本发明还提供了一种基于多任务学习的口腔健康自我检测装置，用于执行上述基于多任务学习的口腔健康自我检测的方法工作原理：本发明在建模的过程中考虑了患者的自我评估的信息以及患者可能对口腔产生影响的行为习惯等，从而能够有效的提高整个模型检测的准确度。同时在建模的过程中还考虑到了对图片本身清晰度会产生影响的症状，从而也可以很好的提高检测的精度。
有益效果：与现有技术相比，本发明具有以下优点：(a).本发明不仅能成功评估口腔疾病检测信息，且能准确定位，可以让用户自我排除明显的模型错误预测，也可以让患者理解模型的结果。
(b).本发明是基于深度神经网络多任务学习，增加的先验信息模块为临床工作中医生需要了解的内容，模仿了医生的综合判断，增强模型的精确性和鲁棒性。
(c).本发明采取自我更新学习，随着输入图像的改变，模型可以自我更新，不断改善自身的性能，提高精确度。
(d)更加智能化，用户在家拍个照片再填一个信息表，就可以进行口腔状况的自我评估。
附图说明
图1为本发明中卷积神经网络模型VGG16初始模型结构示意图；
图2为样本图片；
图3为优化后的样本图片；
图4为先验信息层示意图。
具体实施方式
下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了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，包括以下步骤：
步骤10：提供口内照片原始图像进行标注后作为样本图片，建立样本数据集，其中样本数据集中为每个样本图片的像素矩阵：采用labelbox对样本图片进行标注，标识例如牙周病、龋病、牙结石、软垢及色素等常见口腔问题。
步骤20：如图1所示，基于深度学习的卷积神经网络模型VGG16建立初始模型，将步骤10中的样本数据集输入到初始模型中进行训练得到口腔健康检测模型，如图2所示，具体模型结构如下：
步骤201：对步骤1输入的样本数据集进行归一化数据处理，主要根据公式(行数-行数均值)/标准差和公式(列数-列数均值)/标准差使输入的样本图片的大小在同一范围内；分别对输入图片的像素矩阵中的行数和列数分别计算，从而使每个输入的样本图片的像素矩阵中的行数相同，列数也相同。
步骤202：如图3所示，根据改进后的camshift算法对步骤201处理后的样本数据集中的每一张样本图片进行优化。主要的优化方法包括以下步骤：
步骤2021：初始化搜索窗；
步骤2022：根据公式xc＝M10/M00；yc＝M01/M00计算搜索窗的质心C(xc，yc)；其中，根据公式计算零阶距M00：
分别根据以下公式计算两个一阶距M10和M01：
公式中，像素点(x，y)位于搜索窗内，其中，x为像素点的横坐标，y为像素点的纵坐标，X表示在搜索窗内每行像素点的总数，Y表示在搜索窗内每列像素点的总数，I(x,y)表示颜色直方图的反向投影图中像素点(x，y)对应的值；二维矩阵
为症状判断矩阵，其中ax表示像素点(x，y)所在的x轴上是否有第一种症状，如果有则该值为0，没有则该值为1；bx表示像素点(x，y)所在的x轴上是否有第二种症状，如果有则该值为0，没有则该值为1；ay表示像素点(x，y)所在的y轴上是否有第一种症状，如果有则该值为0，没有则该值为1；by表示像素点(x，y)所在的y轴上是否有第二种症状，如果有则该值为0，没有则该值为1。症状判断矩阵中选择的症状一般为直接可以从图片中看出的症状，本实施例中，判断的第一症状为牙齿上是否有软后，第二症状为牙齿上是否有色素。在质心的计算中考虑软垢和色素因素，这样有利于图片预处理在还原失真像素的时候，更有利于还原软垢和色素对应的像素值。
步骤2023：运行meanshift算法，获得搜索窗新的大小和位置；
步骤2024：下一帧样本图片中用步骤2022中获得的值重新初始化搜索窗的大小和位置，再重新运行步骤2023；直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算。本实施例中固定阈值取2，单位是一个像素点。
步骤203：将步骤202优化后的样本数据集中的样本图片进行卷积层中的降维迭代计算得到M×N的样本图片的特征向量；其中M的值优选为5以下。
步骤204：在步骤203中得到M×N的样本图片的特征向量中增加先验特征信息矩阵后输入到dense层中的Softmax函数进行计算，最后输出的值根据对应样本图片标签的疾病进行调整，最终会落在一定范围内达到平衡，则该范围为对应疾病的参考范围，从而完成卷积神经网络模型VGG16的训练，得到口腔健康检测模型。其中，在步骤203中得到M×N的样本图片的特征向量中增加先验特征信息的方法为：
步骤2041：如图4所示，将相关现病史、吸烟史及口腔卫生习惯等信息进行编码构成1×L的先验特征信息特征向量；其中，1×L的先验特征信息特征向量中的参数为每个先验特征的信息的权重值；权重值的初值的获取方法为：先计算出每个先验信息在总的样本中比值，再将所有先验信息的比值相加作为分母，每个先验信息的比值作为分子，计算出的比值即为每个先验信息的权重初值；然后根据神经网络中的Relu函数不断的更新权重值。其中，L为选择的先验信息的总数，数值上L＝N。
本实施例中选择的先验信息有5个，分别为：有牙周病史，无吸烟习惯，有食物嵌塞，年龄阶段在20岁～30岁，年龄阶段在30岁～40岁；本实施例中有100个样本，其中，有牙周病史有10个，无吸烟习惯有20个，有食物嵌塞13个，年龄阶段在20岁～30岁有16个，年龄阶段在30岁～40岁有13个，则每个先验信息在样本中的占比分别为0.1，0.2，0.13，0.16，0.13；然后则可以得到1×5的先验特征信息特征向量[0.14,0.28,0.18,0.22,0.18]；
步骤2042：将步骤2041中得到的1×L的先验特征信息特征向量与M×N的样本图片的特征向量相乘得到1×M的向量输入到dense层中的Softmax函数进行计算。
本实施例还公开了一种基于多任务学习的口腔健康自我检测方法，包括以下步骤：
步骤1：将待识别的图片进行预处理，通过Matlab载入待识别图像采用CLAHE神经网络算法自适应地处理各种类型病症的图像，使其在动态范围、边缘和颜色上达到平衡。CLAHE算法主要内容是进行限制对比度对图像的直方图进行再一次分配处理，并且同时通过对每一个小块做直方图均衡化，最后将通过双线性插值方法将这些小块重新连接起来，进而达到消除块状效应的效果。
步骤2：将步骤1预处理后的图片输入到训练后得到的口腔健康检测模型中；
步骤3：将先验信息的相关数据输入到口腔健康检测模型中进行训练；
步骤4：口腔健康检测模型中根据输入的待识别图片进行处理和训练，将dense层中的Softmax函数最后输出的计算结果与疾病的参考范围进行比较，最后输出具体口腔问题的结果。
本实施例通过输入待检测的口内照片，输出例如牙周病、龋病、牙结石、软垢及色素的评估结果及位置信息。指导患者进行口腔状况的自我评估，通过公共卫生途径广泛性推广使用，实现国民口腔健康提升。
Claims (8)
1.一种基于多任务学习的口腔健康自我检测模型的建模方法，其特征在于：包括：
根据标注过口腔问题的样本图片建立样本数据集；
将建立的样本数据集输入到卷积神经网络模型中进行训练；其中，先对样本数据集进行归一化数据处理；再采用camshift算法对处理后的样本数据集中的每一个样本图片进行优化；将优化后的样本数据集中的样本图片进行卷积层中的降维迭代计算得到样本图片的特征向量；在得到的样本图片的特征向量中增加先验特征信息矩阵后输入到dense层中的Softmax函数进行计算，最后输出的值根据与样本图片标注的疾病进行对应，最终每个口腔问题对应输出值得到一个范围，则得到的范围为对应口腔问题的参考范围，从而完成卷积神经网络模型的训练，得到口腔健康自我检测模型。
2.根据权利要求1所述的基于多任务学习的口腔健康自我检测模型的建模方法，其特征在于：所述在采用camshift算法对处理后的样本数据集中的每一个样本图片进行优化时，增加症状判断矩阵，所述症状判断矩阵中的参数值根据需要判断的症状的有无确定。
3.根据权利要求2所述的基于多任务学习的口腔健康自我检测模型的建模方法，其特征在于：所述症状判断矩阵中的症状选择为软垢、色素。
4.根据权利要求1所述的基于多任务学习的口腔健康自我检测模型的建模方法，其特征在于：所述先验特征信息矩阵为一维矩阵，矩阵中的参数值为每个先验特征信息的权重值；所述每个先验特征权重值的获取方法为：先计算出每个先验信息在总的样本中比值，再将所有先验信息的比值相加作为分母，每个先验信息的比值作为分子，计算出的比值得到每个先验信息的权重初值；然后根据卷积神经网络模型中的Relu函数不断的更新权重值。
5.根据权利要求4所述的基于多任务学习的口腔健康自我检测模型的建模方法，其特征在于：所述先验特征信息矩阵中参数的数量与样本图片的特征向量中的列数相同。
6.一种基于多任务学习的口腔健康自我检测方法，其特征在于：将先验信息的相关数据和待识别图片输入到权利要求1中得到口腔健康自我检测模型中，其中，口腔健康自我检测模型先对待识别图片进行归一化数据处理；再采用camshift算法对处理后的待识别图片进行优化；将优化后的待识别图片进行卷积层中的降维迭代计算得到待识别图片特征向量；在得到的待识别图片特征向量中增加先验特征信息矩阵后输入到dense层中的Softmax函数进行计算，最后输出的值与口腔健康自我检测模型中每种口腔问题对应的参考范围进行对比，最后输出的值落入在参考范围内，则口腔健康自我检测模型输出对应的口腔问题。
7.一种基于多任务学习的口腔健康自我检测模型的建模装置，其特征在于：用于执行所述权利要求1-5中所述的基于多任务学习的口腔健康自我检测模型的建模方法。
8.一种基于多任务学习的口腔健康自我检测装置，其特征在于：用于执行所述权利要求6中所述的基于多任务学习的口腔健康自我检测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010969993.9A CN112150422B (zh) | 2020-09-15 | 2020-09-15 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010969993.9A CN112150422B (zh) | 2020-09-15 | 2020-09-15 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112150422A true CN112150422A (zh) | 2020-12-29 |
| CN112150422B CN112150422B (zh) | 2023-12-08 |
Family
ID=73892813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010969993.9A Active CN112150422B (zh) | 2020-09-15 | 2020-09-15 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112150422B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (10)
| 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 |
| KR101710357B1 (ko) * | 2016-05-31 | 2017-02-28 | (주)이너웨이브 | 구강 건강 관리 시스템, 구강 건강 관리 엔진 및 구강 건강 관리 방법 |
| CN106875386A (zh) * | 2017-02-13 | 2017-06-20 | 苏州江奥光电科技有限公司 | 一种利用深度学习自动进行牙齿健康状况检测的方法 |
| CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
| US20180137244A1 (en) * | 2016-11-17 | 2018-05-17 | Terarecon, Inc. | Medical image identification and interpretation |
| 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 |
| CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
| US20190340760A1 (en) * | 2018-05-03 | 2019-11-07 | Barking Mouse Studio, Inc. | Systems and methods for monitoring oral health |
| WO2020080819A1 (ko) * | 2018-10-16 | 2020-04-23 | 주식회사 큐티티 | 기계학습 알고리즘을 이용한 구강건강 예측장치 및 방법 |
| CN111369501A (zh) * | 2020-02-24 | 2020-07-03 | 武汉大学 | 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法 |
-
2020
- 2020-09-15 CN CN202010969993.9A patent/CN112150422B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101710357B1 (ko) * | 2016-05-31 | 2017-02-28 | (주)이너웨이브 | 구강 건강 관리 시스템, 구강 건강 관리 엔진 및 구강 건강 관리 방법 |
| 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 |
| US20180137244A1 (en) * | 2016-11-17 | 2018-05-17 | Terarecon, Inc. | Medical image identification and interpretation |
| CN106875386A (zh) * | 2017-02-13 | 2017-06-20 | 苏州江奥光电科技有限公司 | 一种利用深度学习自动进行牙齿健康状况检测的方法 |
| CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
| US20190340760A1 (en) * | 2018-05-03 | 2019-11-07 | Barking Mouse Studio, Inc. | Systems and methods for monitoring oral health |
| WO2020080819A1 (ko) * | 2018-10-16 | 2020-04-23 | 주식회사 큐티티 | 기계학습 알고리즘을 이용한 구강건강 예측장치 및 방법 |
| 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 |
| CN110148085A (zh) * | 2019-04-22 | 2019-08-20 | 智慧眼科技股份有限公司 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
| CN111369501A (zh) * | 2020-02-24 | 2020-07-03 | 武汉大学 | 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法 |
Non-Patent Citations (4)
| Title |
|---|
| BHORNSAWAN THANATHORNWONG等: "Automatic detection of periodontal compromised teeth in digital panoramic radiographs using faster regional convolutional neural networks", 《PMC》, pages 1 - 7 * |
| MIRCEA PAUL MURESAN等: "Teeth Detection and Dental Problem Classification in Panoramic X-Ray Images using Deep Learning and Image Processing Techniques", 《2020ICCP》, pages 1 - 8 * |
| YUMA MIKI等: "Classification of teeth in cone-beam CT using deep convolutional neural network", 《COMPUTERS IN BIOLOGY AND MEDICINE》, pages 1 - 6 * |
| 王丹峰等: "基于卷积神经网络的牙齿疾病识别系统", 《研究与开发》, pages 1 - 5 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112150422B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859203B (zh) | 基于深度学习的缺陷牙齿图像识别方法 | |
| CN109360196B (zh) | 基于深度学习处理口腔放射图像的方法及装置 | |
| US11250580B2 (en) | Method, system and computer readable storage media for registering intraoral measurements | |
| CN107766874B (zh) | 一种超声容积生物学参数的测量方法及测量系统 | |
| CN112967285B (zh) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 | |
| CN114365184A (zh) | 用于检测三维测量中的错误的方法、系统和计算机可读存储介质 | |
| CN114694236B (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| Lee et al. | Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches | |
| 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 | |
| CN109215035B (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
| CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
| CN113516639B (zh) | 基于全景x光片的口腔异常检测模型的训练方法及装置 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| AU2021100684A4 (en) | DEPCADDX - A MATLAB App for Caries Detection and Diagnosis from Dental X-rays | |
| CN112150422A (zh) | 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 | |
| CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
| Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
| Vera et al. | Artificial intelligence techniques for automatic detection of peri-implant marginal bone remodeling in intraoral radiographs | |
| CN114549523A (zh) | 基于单步深度网络的曲面体层图正中多生牙自动检测方法 | |
| Croquet et al. | Automated landmarking for palatal shape analysis using geometric deep learning | |
| CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
| CN113822904B (zh) | 一种图像标注装置、方法及可读存储介质 | |
| CN117152507B (zh) | 一种牙齿健康状态检测方法、装置、设备及存储介质 | |
| CN115578370B (zh) | 一种基于脑影像的代谢区域异常检测方法及装置 | |
| CN114463328B (zh) | 一种自动化正畸难度系数评估方法 |
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 |