CN113344867B - 基于近中、远中关键点的牙周炎吸收程度鉴别方法 - Google Patents
基于近中、远中关键点的牙周炎吸收程度鉴别方法 Download PDFInfo
- Publication number
- CN113344867B CN113344867B CN202110589535.7A CN202110589535A CN113344867B CN 113344867 B CN113344867 B CN 113344867B CN 202110589535 A CN202110589535 A CN 202110589535A CN 113344867 B CN113344867 B CN 113344867B
- Authority
- CN
- China
- Prior art keywords
- feature map
- dimension
- inputting
- convolution
- periodontitis
- 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
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 42
- 201000001245 periodontitis Diseases 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims description 37
- 238000011176 pooling Methods 0.000 claims description 18
- 210000003298 dental enamel Anatomy 0.000 claims description 12
- 210000001909 alveolar process Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 7
- 208000028169 periodontal disease Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000007565 gingivitis Diseases 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003239 periodontal effect Effects 0.000 description 2
- 208000008274 Periodontal Attachment Loss Diseases 0.000 description 1
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002158 endotoxin Substances 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
一种基于近中、远中关键点的牙周炎吸收程度鉴别方法,首先获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,作为分割模型输入。然后将全景片输入至全牙齿分割模型,获得分割结果,同时对分割结果中的单颗牙齿区域进行裁剪,获得单颗牙齿图像。之后,将单颗牙齿图像输入至近中、远中关键点检测模型中,获得检测结果。最后,根据检测结果中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度。本发明可以提取到每颗牙齿的区域信息,使得全景片中牙齿之间的干扰信息大大减少,另外,可以从单颗牙齿图像中识别出判断牙周炎吸收程度所需的六个点位,提高了识别的准确度,从而满足医院的实际需求。
Description
技术领域
本发明涉及医疗图像处理领域,尤其涉及了基于近中、远中关键点的牙周炎吸收程度鉴别方法。
背景技术
牙周病是指牙周支持组织(包括牙龈、牙周膜、牙槽骨、牙骨质等)的炎性病变和破坏,是影响居民口腔健康的常见病、多发病,也是成年人牙齿丧失的主要原因。
第四次全国口腔健康流行病学调查结果显示,我国中老年人存在牙龈炎症者超过80%,40%以上存在牙槽骨吸收、牙周附着丧失。按此估计,牙周病患病人群数量巨大,消耗的医疗资源和经济花费难以估量。牙周病常累及口内多数牙齿,多无明显疼痛,早期症状易被患者忽视而延误治疗,多数患者就诊时已发展为中重度牙周病。此外,牙周病致病菌及产生的内毒素可进入呼吸道、消化道、血液循环中,与许多全身系统性疾病关系密切,促进疾病发生和加重。
目前中国专业口腔医师较少。2018年,我国每百万人拥有牙医数仅有156人,而我国农村几乎没有口腔治疗条件,绝大多数毕业生想留在条件较好的大城市工作,因此也造成了口腔医学毕业生就业难的假饱和现象。此外,高水平口腔医生的人力成本高,所以只有大型口腔医院才有资本配备专业医师,而一般的口腔诊所难以承受运营成本上的巨大压力。因此,如果可以借助人工智能技术对全景片进行预先的判读并自动识别出牙齿的牙周炎吸收程度,则可以辅助医生提高诊疗能力和工作效率,尤其能降低医疗资源需求,提升就诊效率。
专利标题,一种基于卷积神经网络的牙周炎智能检测方法及系统,申请号为CN112037913A,申请日期为2020.09.15;专利记载了基于卷积神经网络的牙周炎智能检测方法及系统,该方法首先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。
现有技术仅使用分类模型对牙周炎吸收程度进行分类,分类准确度不高,且没有考虑到牙周炎点位的特征信息,无法找出六个点的具体位置,无法满足医院要求。
发明内容
为了克服已有技术的不足,本发明提供了一种基于近中、远中关键点的牙周炎吸收程度鉴别方法,克服现有技术在遇到比较特殊的情况时无法利用特殊情况中常见的部分特征进行全景片中牙周炎吸收程度的问题。
本发明解决其技术问题所采用的技术方案是:
一种基于近中、远中关键点的牙周炎吸收程度鉴别方法,包括以下步骤:
步骤S1、获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,得到输入I;
步骤S2、将全景片I输入至全牙齿分割模型,获得分割结果S;
步骤S3、对分割结果S中的单颗牙齿区域进行裁剪,获得单颗牙齿图像T;
步骤S4、将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D;
步骤S5、根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度.
进一步,所述步骤S1中,所述获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,得到输入I,包括垂直翻转、水平翻转、仿射变换、随机旋转。
再进一步,所述步骤S2中,将全景片I输入至全牙齿分割模型,获得分割结果S,包括以下步骤:
步骤2.1、将全景片I输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F1,其维度大小为C1 X H1 X W1;
步骤2.2、将特征图F1进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F2,其维度大小为C2 X H2 X W2;
步骤2.3、将特征图F2进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F3,其维度大小为C3 X H3 X W3;
步骤2.4、将特征图F3进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F4,其维度大小为C4 X H4 X W4;
步骤2.5、将特征图F4进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F5,其维度大小为C5 X H5 X W5;
步骤2.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup1,其维度大小与F4一致;
步骤2.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup2,其维度大小与F3一致;
步骤2.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup3,其维度大小与F2一致;
步骤2.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup4,其维度大小与F1一致;
步骤2.10、将特征图Fup4输入至卷积核大小为1x1和3x3的卷积块,得到分割结果S;
更进一步,所述步骤S3中,对分割结果S中的单颗牙齿区域进行裁剪,获得单颗牙齿图像T的过程为:对分割结果S进行处理,求出每个编号所对应牙齿的左上角和右下角坐标值,并对应到牙齿全景片原图中进行裁剪,获得单颗牙齿图像T。
所述步骤S4中,将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D,包括以下步骤:
步骤4.1、将单颗牙齿图像传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd1,其维度大小为Cd1 X Hd1 X Wd1;
步骤4.2、将特征图Fd1传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd2,其维度大小为Cd2 X Hd2 X Wd2;
步骤4.3、将特征图Fd2传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd3,其维度大小为Cd3 X Hd3 X Wd3;
步骤4.4、将特征图Fd3传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd4,其维度大小为Cd4 X Hd4 X Wd4;
步骤4.5、将特征图Fd4传入至池化核大小分别为5X 5、9X 9、13X 13的最大池化层中,并使用零填充方法确保输出特征图高度和宽度相等,之后将三种输出特征图按通道进行拼接,得到特征图Fd5,其维度大小为Cd5 X Hd5 X Wd5;
步骤4.6、将特征图Fd5进行反卷积,之后输入至卷积核大小为3X 3、1X 1的卷积层,生成特征图Fd6,其维度大小为Cd6 X Hd6 X Wd6;
步骤4.7、将特征图Fd6进行反卷积,之后输入至卷积核大小为3X 3、1X 1的卷积层,生成特征图Fd7,其维度大小为Cd7 X Hd7 X Wd7;
步骤4.8、将特征图Fd7输入至特征级联提取模块,生成检测结果D,其维度大小为Cd8 X Hd8 X Wd8。
所述特征级联提取模块,包括两组串接的卷积核大小为3X 3的卷积层、批量归一化层和激活层。
所述步骤S5中,根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度,包括以下步骤:
步骤3.1、求出检测结果D中6个类别的中心点,并按照近中点和远中点分为两组;
步骤3.2、以近中点为例,首先计算出近中釉牙骨质界与近中牙槽嵴顶的距离d1,之后计算出近中釉牙骨质界与近中根尖点的距离d2,若d1小于d2的三分之一,判定为轻度吸收,若d1介于d2的三分之一至三分之二之间,则判定为中度吸收,若d1大于d2的三分之二,则判定为重度吸收;
步骤3.3、根据上一步骤中的公式分别算出两组点的吸收程度,取其中较大的吸收程度为牙齿的牙周炎吸收程度。
所述检测结果D中6个类别,包括近中釉牙骨质界、近中牙槽嵴顶、近中根尖点、远中釉牙骨质界、远中牙槽嵴顶以及远中根尖点。
本发明的有益效果主要表现在:一方面通过加入全牙齿分割模型,让模型得以提取到每颗牙齿的区域信息,使得全景片中牙齿之间的干扰信息大大减少,在全景片形态变化较大的情况时仍能从中提取出单颗牙齿图像。另一方面,通过使用目标检测模型,模型可以从单颗牙齿图像中识别出判断牙周炎吸收程度所需的六个点位,提高了识别的准确度,从而满足医院要求。
附图说明
图1是本申请基于近中、远中关键点的牙周炎吸收程度鉴别方法流程图;
图2是本申请的特征级联提取模块示意图;
图3是本申请的近中、远中关键点示意图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于近中、远中关键点的牙周炎吸收程度鉴别方法,包括以下步骤:
步骤S1、获取牙齿全景片,对每张全景片进行图像增强操作,并将原始全景片与增强后的全景片组合在一起,得到输入I。
本申请对于获取的牙齿全景片进行必要的预处理,所述获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,作为模型输入I,包括:
输入原始的牙齿全景片,对全景片进行图像增强,增强方法包括垂直翻转、水平翻转、仿射变换、随机旋转,之后将原始图像与增强图像组合在一起并进行归一化,得到模型输入I。
需要说明的是,本申请也可以不进行仿射变换操作,使用垂直翻转、水平翻转、随机旋转得到的图像即可进行后续的处理。
步骤S2、将全景片I输入至全牙齿分割模型,获得分割结果S。
本申请所述将全景片I输入至全牙齿分割模型,获得分割结果S,包括以下步骤:
步骤2.1、将全景片I输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F1,其维度大小为C1 X H1 X W1;
步骤2.2、将特征图F1进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F2,其维度大小为C2 X H2 X W2;
步骤2.3、将特征图F2进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F3,其维度大小为C3 X H3 X W3;
步骤2.4、将特征图F3进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F4,其维度大小为C4 X H4 X W4;
步骤2.5、将特征图F4进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F5,其维度大小为C5 X H5 X W5;
步骤2.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup1,其维度大小与F4一致;
步骤2.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup2,其维度大小与F3一致;
步骤2.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup3,其维度大小与F2一致;
步骤2.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup4,其维度大小与F1一致;
步骤2.10、将特征图Fup4输入至卷积核大小为1x1和3x3的卷积块,得到分割结果S;
步骤S3、对分割结果S中的单颗牙齿区域进行裁剪,获得单颗牙齿图像T。
本申请所述对分割结果S中的单颗牙齿区域进行裁剪,获得单颗牙齿图像T,过程为:
对分割结果S进行处理,求出每个编号所对应牙齿的左上角和右下角坐标值,并对应到牙齿全景片原图中进行裁剪,获得单颗牙齿图像T。
步骤S4、将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D。
本申请所述将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D,包括:
步骤4.1、将单颗牙齿图像传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd1,其维度大小为Cd1 X Hd1 X Wd1;
步骤4.2、将特征图Fd1传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd2,其维度大小为Cd2 X Hd2 X Wd2;
步骤4.3、将特征图Fd2传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd3,其维度大小为Cd3 X Hd3 X Wd3;
步骤4.4、将特征图Fd3传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd4,其维度大小为Cd4 X Hd4 X Wd4;
步骤4.5、将特征图Fd4传入至池化核大小分别为5X 5、9X 9、13X 13的最大池化层中,并使用零填充方法确保输出特征图高度和宽度相等,之后将三种输出特征图按通道进行拼接,得到特征图Fd5,其维度大小为Cd5 X Hd5 X Wd5;
步骤4.6、将特征图Fd5进行反卷积,之后输入至卷积核大小为3X 3、1X 1的卷积层,生成特征图Fd6,其维度大小为Cd6 X Hd6 X Wd6;
步骤4.7、将特征图Fd6进行反卷积,之后输入至卷积核大小为3X 3、1X 1的卷积层,生成特征图Fd7,其维度大小为Cd7 X Hd7 X Wd7;
步骤4.8、将特征图Fd7输入至特征级联提取模块,生成检测结果D,其维度大小为Cd8 X Hd8 X Wd8;
其中,所述特征级联提取模块,如图2所示,包括两组串接的卷积核大小为3X 3的卷积层、批量归一化层和激活层。
步骤S5、根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度。
本申请所述根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度,包括以下步骤:
步骤5.1、求出检测结果D中6个类别的中心点,并按照近中点和远中点分为两组;
步骤5.2、以近中点为例,首先计算出近中釉牙骨质界与近中牙槽嵴顶的距离d1,之后计算出近中釉牙骨质界与近中根尖点的距离d2,若d1小于d2的三分之一,判定为轻度吸收,若d1介于d2的三分之一至三分之二之间,则判定为中度吸收,若d1大于d2的三分之二,则判定为重度吸收;
步骤5.3、根据上一步骤中的公式分别算出两组点的吸收程度,取其中较大的吸收程度为牙齿的牙周炎吸收程度;
进一步的,所述检测结果D中6个类别,如图3所示,包括近中釉牙骨质界、近中牙槽嵴顶、近中根尖点、远中釉牙骨质界、远中牙槽嵴顶以及远中根尖点。
需要说明的是,本申请中C为通道数,H为图片的高度,W为图片的宽度,字母的下标表示序号,用以区别不同特征图的维度。
本申请通过加入全牙齿分割模型,让模型得以提取到每颗牙齿的区域信息,使得全景片中牙齿之间的干扰信息大大减少,在全景片形态变化较大的情况时仍能从中提取出单颗牙齿图像,提高了图像在面对不同形态全景片时的识别能力,能够更有效地找到目标区域。此外,通过使用目标检测模型,可以从单颗牙齿图像中识别出判断牙周炎吸收程度所需的六个点位,提高了识别的准确度,增强了模型在处理不同全景片时的扩展能力,从而满足医院要求。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于近中、远中关键点的牙周炎吸收程度鉴别方法,其特征在于,所述方法包括以下步骤:
步骤S1、获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,得到输入I;
步骤S2、将全景片I输入至全牙齿分割模型,获得分割结果S;
步骤S3、对分割结果S中的单颗牙齿区域进行裁剪,获得单颗牙齿图像T;
步骤S4、将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D;
步骤S5、根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度;
所述步骤S5中,根据检测结果D中关键点之间的距离关系,计算出牙齿的牙周炎吸收程度,包括以下步骤:
步骤3.1、求出检测结果D中6个类别的中心点,并按照近中点和远中点分为两组;
步骤3.2、以近中点为例,首先计算出近中釉牙骨质界与近中牙槽嵴顶的距离d1,之后计算出近中釉牙骨质界与近中根尖点的距离d2,若d1小于d2的三分之一,判定为轻度吸收,若d1介于d2的三分之一至三分之二之间,则判定为中度吸收,若d1大于d2的三分之二,则判定为重度吸收;
步骤3.3、根据上一步骤中的公式分别算出两组点的吸收程度,取其中较大的吸收程度为牙齿的牙周炎吸收程度;
所述检测结果D中6个类别,包括近中釉牙骨质界、近中牙槽嵴顶、近中根尖点、远中釉牙骨质界、远中牙槽嵴顶以及远中根尖点。
2.如权利要求1所述的基于近中、远中关键点的牙周炎吸收程度鉴别方法,其特征在于,所述步骤S1中,所述获取牙齿全景片,对每张全景片进行图像增强操作,并将初始全景片与增强后的全景片组合在一起,得到输入I,包括垂直翻转、水平翻转、仿射变换、随机旋转。
3.如权利要求1或2所述的基于近中、远中关键点的牙周炎吸收程度鉴别方法,其特征在于,所述步骤S2中,将全景片I输入至全牙齿分割模型,获得分割结果S,包括以下步骤:
步骤2.1、将全景片I输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F1,其维度大小为C1 X H1 X W1;
步骤2.2、将特征图F1进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F2,其维度大小为C2 X H2 X W2;
步骤2.3、将特征图F2进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F3,其维度大小为C3 X H3 X W3;
步骤2.4、将特征图F3进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F4,其维度大小为C4 X H4 X W4;
步骤2.5、将特征图F4进行最大池化,并输入至卷积核大小为1x1和3x3的卷积块,得到输出特征图F5,其维度大小为C5 X H5 X W5;
步骤2.6、将特征图F5进行上采样,之后与特征图F4进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup1,其维度大小与F4一致;
步骤2.7、将特征图Fup1进行上采样,之后与特征图F3进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup2,其维度大小与F3一致;
步骤2.8、将特征图Fup2进行上采样,之后与特征图F2进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup3,其维度大小与F2一致;
步骤2.9、将特征图Fup3进行上采样,之后与特征图F1进行通道级拼接,并输入至卷积核大小为1x1和3x3的卷积块,得到特征图Fup4,其维度大小与F1一致;
步骤2.10、将特征图Fup4输入至卷积核大小为1x1和3x3的卷积块,得到分割结果S,得单颗牙齿图像T的过程为:对分割结果S进行处理,求出每个编号所对应牙齿的左上角和右下角坐标值,并对应到牙齿全景片原图中进行裁剪,获得单颗牙齿图像T。
4.如权利要求1或2所述的基于近中、远中关键点的牙周炎吸收程度鉴别方法,其特征在于,所述步骤S4中,将单颗牙齿图像T输入至近中、远中关键点检测模型中,获得检测结果D,包括以下步骤:
步骤4.1、将单颗牙齿图像传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd1,其维度大小为Cd1XHd1XWd1;
步骤4.2、将特征图Fd1传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd2,其维度大小为Cd2XHd2XWd2;
步骤4.3、将特征图Fd2传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd3,其维度大小为Cd3XHd3XWd3;
步骤4.4、将特征图Fd3传入至卷积核大小为1x1、3x3和1x1的卷积块,生成特征图Fd4,其维度大小为Cd4XHd4XWd4;
步骤4.5、将特征图Fd4传入至池化核大小分别为5X5、9X9、13X13的最大池化层中,并使用零填充方法确保输出特征图高度和宽度相等,之后将三种输出特征图按通道进行拼接,得到特征图Fd5,其维度大小为Cd5XHd5XWd5;
步骤4.6、将特征图Fd5进行反卷积,之后输入至卷积核大小为3X3、1X1的卷积层,生成特征图Fd6,其维度大小为Cd6XHd6XWd6;
步骤4.7、将特征图Fd6进行反卷积,之后输入至卷积核大小为3X3、1X1的卷积层,生成特征图Fd7,其维度大小为Cd7XHd7XWd7;
步骤4.8、将特征图Fd7输入至特征级联提取模块,生成检测结果D,其维度大小为Cd8XHd8XWd8。
5.如权利要求4所述的基于近中、远中关键点的牙周炎吸收程度鉴别方法,其特征在于,所述特征级联提取模块,包括两组串接的卷积核大小为3X3的卷积层、批量归一化层和激活层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589535.7A CN113344867B (zh) | 2021-05-28 | 2021-05-28 | 基于近中、远中关键点的牙周炎吸收程度鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589535.7A CN113344867B (zh) | 2021-05-28 | 2021-05-28 | 基于近中、远中关键点的牙周炎吸收程度鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344867A CN113344867A (zh) | 2021-09-03 |
CN113344867B true CN113344867B (zh) | 2024-03-26 |
Family
ID=77472531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589535.7A Active CN113344867B (zh) | 2021-05-28 | 2021-05-28 | 基于近中、远中关键点的牙周炎吸收程度鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116309522B (zh) * | 2023-04-06 | 2024-01-26 | 浙江大学 | 基于二阶段深度学习模型的全景片牙周炎智能分级系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046750A (zh) * | 2015-08-24 | 2015-11-11 | 杭州美齐科技有限公司 | 一种自动分割全颌牙齿三角网格模型的方法 |
CN107949339A (zh) * | 2015-10-07 | 2018-04-20 | 友莱博系统公司 | 用于作为群体的牙齿移动的系统和方法 |
CN112052843A (zh) * | 2020-10-14 | 2020-12-08 | 福建天晴在线互动科技有限公司 | 一种从粗到精的人脸关键点检测方法 |
CN112785569A (zh) * | 2021-01-19 | 2021-05-11 | 浙江工业大学 | 基于边缘指导和多尺度融合的全景片龋齿分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180318191A1 (en) * | 2017-05-04 | 2018-11-08 | Phoenix Dental, Inc. | Dental Composition and Method |
-
2021
- 2021-05-28 CN CN202110589535.7A patent/CN113344867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046750A (zh) * | 2015-08-24 | 2015-11-11 | 杭州美齐科技有限公司 | 一种自动分割全颌牙齿三角网格模型的方法 |
CN107949339A (zh) * | 2015-10-07 | 2018-04-20 | 友莱博系统公司 | 用于作为群体的牙齿移动的系统和方法 |
CN112052843A (zh) * | 2020-10-14 | 2020-12-08 | 福建天晴在线互动科技有限公司 | 一种从粗到精的人脸关键点检测方法 |
CN112785569A (zh) * | 2021-01-19 | 2021-05-11 | 浙江工业大学 | 基于边缘指导和多尺度融合的全景片龋齿分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344867A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anantharaman et al. | Utilizing mask R-CNN for detection and segmentation of oral diseases | |
CN113344867B (zh) | 基于近中、远中关键点的牙周炎吸收程度鉴别方法 | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
Kong et al. | Automated maxillofacial segmentation in panoramic dental x-ray images using an efficient encoder-decoder network | |
Lakshmi et al. | Classification of Dental Cavities from X-ray images using Deep CNN algorithm | |
KR102461343B1 (ko) | 금속 인공 음영이 포함된 의료영상에서 치아 랜드마크 자동 검출 방법 및 시스템 | |
Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
ALbahbah et al. | Detection of caries in panoramic dental X-ray images using back-propagation neural network | |
Lin et al. | Tooth numbering and condition recognition on dental panoramic radiograph images using CNNs | |
CN114820603B (zh) | 基于ai舌诊图像处理的智能健康管理方法及相关装置 | |
CN114627067A (zh) | 一种基于图像处理的伤口面积测量及辅助诊疗方法 | |
Jusman et al. | Analysis of features extraction performance to differentiate of dental caries types using gray level co-occurrence matrix algorithm | |
Megalan Leo et al. | Dental caries classification system using deep learning based convolutional neural network | |
CN112837278B (zh) | 基于深度边界监督的牙齿全景片龋齿识别方法 | |
Xu et al. | Artificial intelligence assisted identification of therapy history from periapical films for dental root canal | |
Hasnain et al. | Deep learning-based classification of dental disease using X-rays | |
Helli et al. | Tooth instance segmentation on panoramic dental radiographs using u-nets and morphological processing | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
CN112785569A (zh) | 基于边缘指导和多尺度融合的全景片龋齿分割方法 | |
Kumar et al. | Automated recognition of dental caries using K-Means and PCA based algorithm | |
CN116205925A (zh) | 基于改进U-Net网络的牙齿咬合翼片龋齿分割方法 | |
Jaiswal et al. | A cropping algorithm for automatically extracting regions of ınterest from panoramic radiographs based on maxilla and mandible parts | |
Padalia et al. | An attention u-net for semantic segmentation of dental panoramic X-Ray images | |
Bui et al. | Tooth localization using YOLOv3 for dental diagnosis on panoramic radiographs | |
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 |
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 |