CN112561864A - 龋齿图像分类模型的训练方法、系统和存储介质 - Google Patents
龋齿图像分类模型的训练方法、系统和存储介质 Download PDFInfo
- Publication number
- CN112561864A CN112561864A CN202011406994.9A CN202011406994A CN112561864A CN 112561864 A CN112561864 A CN 112561864A CN 202011406994 A CN202011406994 A CN 202011406994A CN 112561864 A CN112561864 A CN 112561864A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- classification model
- layer
- discriminator
- 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
- 238000012549 training Methods 0.000 title claims abstract description 62
- 238000013145 classification model Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 48
- 208000002925 dental caries Diseases 0.000 title claims description 29
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000013434 data augmentation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 201000004328 Pulpitis Diseases 0.000 description 1
- 206010037464 Pulpitis dental Diseases 0.000 description 1
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000004480 periapical periodontitis Diseases 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种龋齿图像分类模型的训练方法、系统和存储介质，分类模型包括生成器和鉴别器，方法包括以下步骤：获取牙齿图像和与牙齿图像对应的第一标签；采用牙齿图像对鉴别器进行第一训练；将牙齿图像和所述第一标签输入生成器，生成第一图像；采用第一图像对鉴别器进行第二训练；将第一图像和第一标签输入生成器，生成第二图像；根据第二图像计算牙齿图像的重构损失；以及根据第二图像计算牙齿图像的风格损失；根据重构损失和风格损失更新所述分类模型的参数。本发明训练后的分类模型在进行牙齿图像分类时，能降低图像质量、视觉角度、光照条件和目标重叠等对分类过程的影响，提高分类结果的准确度。本发明可应用于模型训练技术领域。
Description
技术领域
本发明涉及模型训练技术领域，尤其是一种龋齿图像分类模型的训练方法、系统和存储介质。
背景技术
龋齿俗称虫牙、蛀牙，是细菌性疾病，其可以继发牙髓炎和根尖周炎，甚至能引起牙槽骨和颌骨炎症。如不及时治疗，病变继续发展，形成龋洞，终至牙冠完全破坏消失。未经治疗的龋洞是不会自行愈合的，其发展的最终结果是牙齿丧失。
图像分类技术在对龋齿预防和诊断过程中具有重要作用。目前的图像分类技术主要采用传统机器学习分类器为主导地位的方式，并且使用的数据集大部分为X数字图像，虽然有些数据集为彩色图像，但是由于存在图像质量、视觉角度、光照条件和目标重叠等因素的影响，从而导致分类精度相对较低。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种龋齿图像分类模型的训练方法、系统和存储介质，其能有效提高分类精度。
第一方面，本发明实施例提供了：
一种龋齿图像分类模型的训练方法，所述分类模型包括生成器和鉴别器，所述方法包括以下步骤：
获取牙齿图像和与所述牙齿图像对应的第一标签；
采用所述牙齿图像对所述鉴别器进行第一训练；
将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
采用所述第一图像对所述鉴别器进行第二训练；
将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
根据所述重构损失和所述风格损失更新所述分类模型的参数。
进一步地，在所述获取牙齿图像和与所述牙齿图像对应的第一标签这一步骤后，还包括以下步骤：
对所述牙齿图像进行数据増广，并获取数据増广后的牙齿图像的第二标签。
进一步地，所述生成器包括18层；
其中，第一层包括64个卷积核、归一化模块和激励函数；
第二层和第三层包括归一化模块和激励函数，用于下采样；
第四层至第十五层包括残差单元、归一化模块和激励函数；
第十六层和第十七层包括转置卷积，用于上采样；
第十八层包括卷积层和激活函数。
进一步地，所述生成器的第一层的卷积核大小为7*7、步长为1、填充为3；所述生成器的第十八层的卷积层为尺寸不变的卷积。
进一步地，所述鉴别器包括8层；
其中，第一层至第七层均由卷积层和激活函数组成；
第八层包括卷积层，所述第八层的卷积层包括分类器和真伪鉴别器。
进一步地，所述鉴别器的第一层至第七层的卷积层的大小均为4*4、步长为2、填充为1；所述鉴别器的第八层的卷积层的大小为3*3、步长为1、填充为1。
进一步地，在所述分类模型训练过程中，还包括计算牙齿图像的对抗损失和分类损失。
第二方面，本发明实施例提供了：
一种龋齿图像分类模型的训练系统，所述分类模型包括生成器和鉴别器，所述系统包括：
获取模块，用于获取牙齿图像和与所述牙齿图像对应的第一标签；
第一训练模块，用于采用所述牙齿图像对所述鉴别器进行第一训练；
第一生成模块，用于将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
第二训练模块，用于采用所述第一图像对所述鉴别器进行第二训练；
第二生成模块，用于将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
计算模块，用于根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
参数更新模块，用于根据所述重构损失和所述风格损失更新所述分类模型的参数。
第三方面，本发明实施例提供了：
一种龋齿图像分类模型的训练系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行所述的龋齿图像分类模型的训练方法。
第四方面，本发明实施例提供了：
一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行所述的龋齿图像分类模型的训练方法。
本发明实施例的有益效果是：本发明实施例通过先获取牙齿图像和与牙齿图像对应的第一标签，接着采用牙齿图像对分类模型内的鉴别器进行第一训练，并将牙齿图像和所述第一标签输入所述生成器，生成第一图像，然后采用第一图像对分类模型内的鉴别器进行第二训练，并将第一图像和第一标签输入所述生成器，生成第二图像，最后计算牙齿图像的重构损失和风格损失，并根据重构损失和风格损失更新所述分类模型的参数，以使通过本发明实施例训练后的分类模型在进行牙齿图像分类时，降低图像质量、视觉角度、光照条件和目标重叠等因素对分类过程的影响，提高分类结果的准确度。
附图说明
图1为本发明一种具体实施例的分类模型的模块示意图；
图2为本发明一种具体实施例的龋齿图像分类模型的训练方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参照图1和图2，本发明实施例提供了一种龋齿图像分类模型的训练方法，本实施例可应用于服务端或者若干个类型的平台的后台处理器。具体地，分类模型为ISTGan模型，其基于StarGan模型进行改进得到。在本实施例中，分类模型包括生成器和鉴别器，其中，生成器一共设有18层，其中，第1层是将3通道的牙齿图像和5通道的标签的编码特征作为输入，其一共设置了64个卷积核，卷积核的大小为7*7、滑动步长为1、填充为3，并且使用了IN(Instance Normalization，在图像像素在对长宽做归一化操作)为归一化，使用Relu作为激励函数；第2-3层为两个下采样卷积层，步长为2、填充为1，使用了IN为归一化，以及使用Relu作为激励函数；第4-15层使用了6个残差单元作为等维输出，防止层数过深从而导致模型退化，每个残差单元为两层，使用的是步长为1，填充为1的卷积层，使用了IN为归一化，以及使用Relu作为激励函数；第16-17层使用了上采样层，使用转置卷积将图像特征放大了四倍；最后一层使用了尺寸不变的卷积层，将数值规范化到了(-1，1)，使用了tanh激活函数、输出维度为3。
鉴别器一共有8层，其中，前7层都为一层卷积再加激活函数，卷积层的大小为4*4、步长为2、填充为1，激活函数为泄露修正线性单元；第8层为一层3*3的卷积层，填充和步长都为1，其中第8层有两个类型，一个是用作图像分类的分类器，另一个是用作真伪图分类的真伪图分类器。
在训练过程中，训练方法包括以下步骤：
S1、获取牙齿图像和与牙齿图像对应的第一标签；在本步骤中，在获取到牙齿图像后，对牙齿图像进行编码，以得到标签的编码特征。
在一些实施例中，在执行步骤S1后，还包括以下步骤：
对牙齿图像进行数据増广，并获取数据増广后的牙齿图像的第二标签。在本实施例中，数据増广的方式可以为翻转、旋转等方式，以扩充数据集，提高模型训练精度。
S2、采用牙齿图像对所述鉴别器进行第一训练。在本步骤中，将牙齿图像输入到鉴别器进行训练，以使鉴别器判断牙齿图像的真假以及分类。具体地，由于牙齿图像是患者的实际牙齿，因此，该鉴别器判断牙齿图像肯定为真图像。
S3、将牙齿图像和第一标签输入生成器，生成第一图像。本步骤是生成一张与牙齿图像相近似的假图像，以便后续的训练过程。
S4、采用第一图像对鉴别器进行第二训练，以是鉴别器能够有效鉴别出假图像的类别并对假图像进行分类。
S5、将第一图像和第一标签输入生成器，生成第二图像。
S6、根据第二图像计算牙齿图像的重构损失；以及根据第二图像计算牙齿图像的风格损失。
S7、根据重构损失和风格损失更新分类模型的参数，使得训练后的分类模型在进行牙齿图像分类时，降低图像质量、视觉角度、光照条件和目标重叠等因素对分类过程的影响，提高分类结果的准确度。
在一些实施例中，在分类模型训练过程中，还包括计算牙齿图像的对抗损失和分类损失。
具体地，对抗损失的计算过程可采用公式1进行计算：
其中，Γadv为对抗损失；G表示生成器；D表示鉴别器；x表示输入的牙齿图像；c表示编码后的标签特征；λgp是超参数，其值为1；Ex为输入真实图像x时候判别真假的数学期望；
是促使不要让生成的图像过于相似原始图像所作的梯度惩戒的数学期望；Ex,c是在输入真实图像x和真实图像标签c为条件下生成目标图像的数学期望；
为求解鉴别器的梯度。
本实施例通过计算对抗损失，以防止模型坍塌和梯度消失。
分类损失的计算过程可采用公式2和公式3计算：
其中，
为真图像的分类损失；
为假图像的分类损失；c是是真实图像标签；c’是目标图像标签；Ex,c’是在输入真实图像x和真实图像标签c’为条件下生成目标图像的数学期望。
由于上述实施例中的对抗损失无法学习到如何生成某一个指定类别的图像，因此，本实施例通过分类损失的计算，使图像根据分类器反馈学习到不同类别图像的风格。
重构损失可采用公式4计算得到：
Γrec＝Ex,c,c’[||x-G(G(x,c),c’)||1] 公式4
其中，Γrec为重构损失；||x-G(G(x,c),c’)||1为求膜操作。Ex,c,c’表示利用生成的图像还原真实图像时候的数学期望。
本实施例通过计算重构损失，可使图像更加具有真实感，使生成的图像保留原原始图像的部分内容以及结构。在本实施例中，保留牙齿图像的部分内容以及结构。
风格损失可采用公式5、公式6和公式7计算得到：
其中，Γstyle(R,F)为风格损失；h、w和c分别对应特征图的长度、宽度和通道号；i,j,k分别对应于特征图的长度、宽度和通道的下标；a表示卷积层的特定层中图像的(i，j，k)位置的输出，A代表Gram矩阵，表示图像的样式。公式中R代表真实的图像，F代表假图像。
本实施例通过计算风格损失，以防止分类器对图像特征过度拟合。
通过上述计算得到的损失得到，通过公式8计算鉴别器的损失；通过公式9计算生成器的损失：
其中，λ为超参数。
在一些实施例中，将上述实施例应用于具体的操作中，包括以下内容：
假设只存在一个生成器和一个鉴别器。将数据分为真图像和假图像，真图像指的是原本数据集中的图像，假的图像指的是生成器所生成的图像。在生成器中，将真图像和编码后的对应图像标签特征一同放入到生成器G中得到假图像。分类模型中的鉴别器分两步训练，第一步将生成器生成的假图像和真图像一同放入到鉴别器中，训练鉴别器来判断图像是否为真，否之为假，同时将真的图像放入到分类器中判断图像类别。第二步，将假图像和对应图像标签一同放入到鉴别器中判别图像的真假以及分类。同时将真假图像分别放入鉴别器中生成图像特征，将鉴别器第7层的特征提取出来，然后利用风格损失对两张图像进行判断，得到表1所示结果：
表1
| Model | A | P<sub>c</sub> | P<sub>w</sub> | F<sub>c</sub> | F<sub>w</sub> |
| SqueezeNet | 76.3 | 95.6 | 70.2 | 95.7 | 77.8 |
| ShuffleNetV2 | 78.4 | 96.9 | 72.3 | 97.1 | 80.0 |
| MobileNetV3 | 82.2 | 97.2 | 74.2 | 97.8 | 81.2 |
| StarGan | 77.6 | 98.2 | 71.3 | 98.5 | 77.2 |
| 本发明实施例 | 85.6 | 98.7 | 80.6 | 98.9 | 85.8 |
其中，表1中的A表示准确率；Pc表示龋齿的准确度；Pw表示牙齿是否需要进行窝沟封闭的准确度；Fc和Fw分别代表牙齿为龋齿和牙齿需要窝沟封闭的F1分数。
通过表1可知，本发明实施例在常规分类器和GAN网络分类器之间进行了比较，GAN网络分类器的准确性是最好的。GAN网络的训练速度相对较慢，但其分类结果较好，并且不影响测试速度。从表1的实验结果可知，现有的分类模型的结果基本相同，并且很容易在训练过程中过度拟合，这是由于类别数量少和特征分布不均，而通过GAN网络增强数据后，分类结果得到了改善。
本发明实施例提供了一种与图2方法相对应的龋齿图像分类模型的训练系统，所述分类模型包括生成器和鉴别器，所述系统包括：
获取模块，用于获取牙齿图像和与所述牙齿图像对应的第一标签；
第一训练模块，用于采用所述牙齿图像对所述鉴别器进行第一训练；
第一生成模块，用于将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
第二训练模块，用于采用所述第一图像对所述鉴别器进行第二训练；
第二生成模块，用于将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
计算模块，用于根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
参数更新模块，用于根据所述重构损失和所述风格损失更新所述分类模型的参数。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种龋齿图像分类模型的训练系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行图2所示的龋齿图像分类模型的训练方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行图2所示的龋齿图像分类模型的训练方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图2所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种龋齿图像分类模型的训练方法，其特征在于，所述分类模型包括生成器和鉴别器，所述方法包括以下步骤：
获取牙齿图像和与所述牙齿图像对应的第一标签；
采用所述牙齿图像对所述鉴别器进行第一训练；
将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
采用所述第一图像对所述鉴别器进行第二训练；
将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
根据所述重构损失和所述风格损失更新所述分类模型的参数。
2.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，在所述获取牙齿图像和与所述牙齿图像对应的第一标签这一步骤后，还包括以下步骤：
对所述牙齿图像进行数据増广，并获取数据増广后的牙齿图像的第二标签。
3.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，所述生成器包括18层；
其中，第一层包括64个卷积核、归一化模块和激励函数；
第二层和第三层包括归一化模块和激励函数，用于下采样；
第四层至第十五层包括残差单元、归一化模块和激励函数；
第十六层和第十七层包括转置卷积，用于上采样；
第十八层包括卷积层和激活函数。
4.根据权利要求3所述的一种龋齿图像分类模型的训练方法，其特征在于，所述生成器的第一层的卷积核大小为7*7、步长为1、填充为3；所述生成器的第十八层的卷积层为尺寸不变的卷积。
5.根据权利要求1所述的一种龋齿图像分类模型的训练方法，其特征在于，所述鉴别器包括8层；
其中，第一层至第七层均由卷积层和激活函数组成；
第八层包括卷积层，所述第八层的卷积层包括分类器和真伪鉴别器。
6.根据权利要求5所述的一种龋齿图像分类模型的训练方法，其特征在于，所述鉴别器的第一层至第七层的卷积层的大小均为4*4、步长为2、填充为1；所述鉴别器的第八层的卷积层的大小为3*3、步长为1、填充为1。
7.根据权利要求1-6任一项所述的一种龋齿图像分类模型的训练方法，其特征在于，在所述分类模型训练过程中，还包括计算牙齿图像的对抗损失和分类损失。
8.一种龋齿图像分类模型的训练系统，其特征在于，所述分类模型包括生成器和鉴别器，所述系统包括：
获取模块，用于获取牙齿图像和与所述牙齿图像对应的第一标签；
第一训练模块，用于采用所述牙齿图像对所述鉴别器进行第一训练；
第一生成模块，用于将所述牙齿图像和所述第一标签输入所述生成器，生成第一图像；
第二训练模块，用于采用所述第一图像对所述鉴别器进行第二训练；
第二生成模块，用于将所述第一图像和所述第一标签输入所述生成器，生成第二图像；
计算模块，用于根据所述第二图像计算所述牙齿图像的重构损失；以及根据所述第二图像计算所述牙齿图像的风格损失；
参数更新模块，用于根据所述重构损失和所述风格损失更新所述分类模型的参数。
9.一种龋齿图像分类模型的训练系统，其特征在于，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的龋齿图像分类模型的训练方法。
10.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的龋齿图像分类模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406994.9A CN112561864B (zh) | 2020-12-04 | 2020-12-04 | 龋齿图像分类模型的训练方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011406994.9A CN112561864B (zh) | 2020-12-04 | 2020-12-04 | 龋齿图像分类模型的训练方法、系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561864A true CN112561864A (zh) | 2021-03-26 |
| CN112561864B CN112561864B (zh) | 2024-03-29 |
Family
ID=75048171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011406994.9A Active CN112561864B (zh) | 2020-12-04 | 2020-12-04 | 龋齿图像分类模型的训练方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561864B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298828A (zh) * | 2021-06-11 | 2021-08-24 | 上海交通大学医学院附属第九人民医院 | 一种基于卷积神经网络的颌骨自动分割方法 |
| CN113343853A (zh) * | 2021-06-08 | 2021-09-03 | 深圳格瑞健康管理有限公司 | 一种儿童牙龋齿智能筛查方法及装置 |
| CN113627503A (zh) * | 2021-07-30 | 2021-11-09 | 中国科学院计算技术研究所 | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 |
| CN116994070A (zh) * | 2023-09-25 | 2023-11-03 | 四川大学 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
| US20190198156A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator |
| CN110516201A (zh) * | 2019-08-20 | 2019-11-29 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110533579A (zh) * | 2019-07-26 | 2019-12-03 | 西安电子科技大学 | 基于自编码结构与梯度保序的视频风格转换方法 |
| CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
| CN111325661A (zh) * | 2020-02-21 | 2020-06-23 | 京工数演(福州)科技有限公司 | 一种名为msgan的图像的季节风格转换模型及方法 |
| CN111340785A (zh) * | 2020-02-27 | 2020-06-26 | 广州大学 | 模型训练方法、产品表面缺陷检测方法和存储介质 |
| WO2020200030A1 (zh) * | 2019-04-02 | 2020-10-08 | 京东方科技集团股份有限公司 | 神经网络的训练方法、图像处理方法、图像处理装置和存储介质 |
| CN111815523A (zh) * | 2020-06-08 | 2020-10-23 | 天津中科智能识别产业技术研究院有限公司 | 一种基于生成对抗网络的图像修复方法 |
| US20200364860A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Artificial Intelligence Architecture For Identification Of Periodontal Features |
| CN112001847A (zh) * | 2020-08-28 | 2020-11-27 | 徐州工程学院 | 相对生成对抗超分辨率重建模型生成高质量图像的方法 |
-
2020
- 2020-12-04 CN CN202011406994.9A patent/CN112561864B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190198156A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator |
| CN108334904A (zh) * | 2018-02-07 | 2018-07-27 | 深圳市唯特视科技有限公司 | 一种基于统一生成对抗网络的多域图像转换技术 |
| WO2020200030A1 (zh) * | 2019-04-02 | 2020-10-08 | 京东方科技集团股份有限公司 | 神经网络的训练方法、图像处理方法、图像处理装置和存储介质 |
| US20200364860A1 (en) * | 2019-05-16 | 2020-11-19 | Retrace Labs | Artificial Intelligence Architecture For Identification Of Periodontal Features |
| CN110533579A (zh) * | 2019-07-26 | 2019-12-03 | 西安电子科技大学 | 基于自编码结构与梯度保序的视频风格转换方法 |
| CN110516201A (zh) * | 2019-08-20 | 2019-11-29 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111242933A (zh) * | 2020-01-15 | 2020-06-05 | 华南理工大学 | 视网膜图像动静脉的分类装置、设备及存储介质 |
| CN111325661A (zh) * | 2020-02-21 | 2020-06-23 | 京工数演(福州)科技有限公司 | 一种名为msgan的图像的季节风格转换模型及方法 |
| CN111340785A (zh) * | 2020-02-27 | 2020-06-26 | 广州大学 | 模型训练方法、产品表面缺陷检测方法和存储介质 |
| CN111815523A (zh) * | 2020-06-08 | 2020-10-23 | 天津中科智能识别产业技术研究院有限公司 | 一种基于生成对抗网络的图像修复方法 |
| CN112001847A (zh) * | 2020-08-28 | 2020-11-27 | 徐州工程学院 | 相对生成对抗超分辨率重建模型生成高质量图像的方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113343853A (zh) * | 2021-06-08 | 2021-09-03 | 深圳格瑞健康管理有限公司 | 一种儿童牙龋齿智能筛查方法及装置 |
| CN113298828A (zh) * | 2021-06-11 | 2021-08-24 | 上海交通大学医学院附属第九人民医院 | 一种基于卷积神经网络的颌骨自动分割方法 |
| CN113298828B (zh) * | 2021-06-11 | 2023-09-22 | 上海交通大学医学院附属第九人民医院 | 一种基于卷积神经网络的颌骨自动分割方法 |
| CN113627503A (zh) * | 2021-07-30 | 2021-11-09 | 中国科学院计算技术研究所 | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 |
| CN113627503B (zh) * | 2021-07-30 | 2023-10-24 | 中国科学院计算技术研究所 | 生成图像溯源方法与装置、模型训练方法与装置、电子设备及存储介质 |
| CN116994070A (zh) * | 2023-09-25 | 2023-11-03 | 四川大学 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
| CN116994070B (zh) * | 2023-09-25 | 2023-12-01 | 四川大学 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561864B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561864B (zh) | 龋齿图像分类模型的训练方法、系统和存储介质 | |
| CN108492269B (zh) | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 | |
| CN108921851B (zh) | 一种基于3d对抗网络的医学ct图像分割方法 | |
| CN110473243B (zh) | 基于深度轮廓感知的牙齿分割方法、装置及计算机设备 | |
| Popescu et al. | Retinal blood vessel segmentation using pix2pix gan | |
| US11328402B2 (en) | Method and system of image based anomaly localization for vehicles through generative contextualized adversarial network | |
| Cui et al. | Toothpix: Pixel-level tooth segmentation in panoramic x-ray images based on generative adversarial networks | |
| Dimitrakopoulos et al. | ISING-GAN: annotated data augmentation with a spatially constrained generative adversarial network | |
| CN117409002A (zh) | 一种用于创伤的视觉识别检测系统及其检测方法 | |
| CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
| KR20230164633A (ko) | 3차원 치아 이미지 표시 장치 및 방법, 그리고 3차원 치아 이미지 표시 장치를 학습시키는 방법 | |
| CN116503506B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
| Gupta et al. | Medical image denoising using convolutional autoencoder with shortcut connections | |
| CN110910409B (zh) | 一种灰度图像处理方法、装置和计算机可读存储介质 | |
| CN117153394A (zh) | 一种预测恒牙发育的方法及系统 | |
| KR102647652B1 (ko) | 두경부 이미지 구획화 방법 및 장치 | |
| Chin et al. | Dentition labeling and root canal recognition using ganand rule-based system | |
| CN115439409A (zh) | 牙齿类型的识别方法和装置 | |
| CN115100045A (zh) | 影像数据的模态转换方法及装置 | |
| WO2022026661A1 (en) | Systems and methods for image denoising via adversarial learning | |
| DE102020216017A1 (de) | Bereitstellen von korrigierten medizinischen Bilddaten | |
| CN113689454A (zh) | 基于卷积神经网络的3d ct椎体分割算法 | |
| CN116721309B (zh) | 口腔语义模型训练方法及口腔锥形束ct图像优化方法 | |
| Hryniewska-Guzik et al. | A comparative analysis of deep learning models for lung segmentation on X-ray images | |
| US12029600B2 (en) | Method and system for material decomposition in dual-or multiple-energy x-ray based imaging |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 805, Building B, Second Unified Building, Houhai Neighborhood Committee, No.1 Nanyou Huaming Road, Nanshan District, Guangdong Province, 518000 Applicant after: Shenzhen Gree Health Technology Co.,Ltd. Address before: 805, block B, No.2 Tongjian building, Houhai neighborhood committee, No.1 Huayou Huaming Road, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Gree Health Management Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |