CN113658679A - 一种医学图像下牙槽神经损伤风险自动评估方法 - Google Patents
一种医学图像下牙槽神经损伤风险自动评估方法 Download PDFInfo
- Publication number
- CN113658679A CN113658679A CN202110787244.9A CN202110787244A CN113658679A CN 113658679 A CN113658679 A CN 113658679A CN 202110787244 A CN202110787244 A CN 202110787244A CN 113658679 A CN113658679 A CN 113658679A
- Authority
- CN
- China
- Prior art keywords
- image
- mandibular
- target detection
- alveolar
- detection model
- 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
- 208000028389 Nerve injury Diseases 0.000 title claims abstract description 18
- 230000008764 nerve damage Effects 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 title claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 210000004357 third molar Anatomy 0.000 claims abstract description 56
- 210000000276 neural tube Anatomy 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 24
- 210000005036 nerve Anatomy 0.000 claims abstract description 23
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 16
- 206010044042 Tooth impacted Diseases 0.000 claims abstract description 13
- 230000005764 inhibitory process Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 9
- 210000004373 mandible Anatomy 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002601 radiography Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001054 cortical effect Effects 0.000 claims description 3
- 210000002698 mandibular nerve Anatomy 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 101710095920 Competence-stimulating peptide type 1 Proteins 0.000 claims description 2
- 101000858646 Streptococcus pneumoniae serotype 4 (strain ATCC BAA-334 / TIGR4) Competence-stimulating peptide type 2 Proteins 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 208000027418 Wounds and injury Diseases 0.000 claims 2
- 208000014674 injury Diseases 0.000 claims 2
- 230000006870 function Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010066995 Alveolar osteitis Diseases 0.000 description 1
- 208000001695 Dry Socket Diseases 0.000 description 1
- 208000006153 Mandibular Fractures Diseases 0.000 description 1
- 238000012274 Preoperative evaluation Methods 0.000 description 1
- 201000002820 alveolar periostitis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
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
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种医学图像下牙槽神经损伤风险自动评估方法，包括以下步骤：获取训练集，所述训练集包括CBCT图像和曲面断层片图像；对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；对训练集图像进行数据增强的方式进行扩充；获取多分辨率目标检测模型；训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置；使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系；本发明能全自动判断曲面断层片图像中智齿与神经管的具体位置，同时，对智齿与神经管的接触关系进行预测，有效地降低了口腔颌面科医生人工定位的工作量与消耗时间。
Description
技术领域
本发明涉及一种医学图像下牙槽神经损伤风险自动评估方法，属于医学图像质控技术领域。
背景技术
在近些年中，下颌智齿拔除手术逐渐成口腔颌面外科临床门诊中最为常见的手术。由于智齿牙根的位置与下牙槽神经相当接近，在手术过程中若未能准确判断毗邻关系就进行操作，极其容易对下牙槽神经管造成损伤，造成的损伤包括：拔牙术后出血、肿胀、疼痛、张口受限、感染、干槽症、下牙槽神经损伤、舌神经损伤、舌侧骨板损伤、牙根移位进入舌侧间隙以及罕见而严重的下颌骨骨折等，严重影响患者的生活质量。因此，为了防止下牙槽神经管损伤，对下颌智齿拔除手术的术前评估在临床上极为重要。
而在口腔临床治疗中，对下颌智齿拔除手术的术前评估仍然采用人工方式。人工定位不仅工作量大、消耗时间长，而且不同医生的临床经验、个人精力和所受压力的差异性也会直接影响到下颌智齿与神经管关系判断的准确性，评估智齿和下牙槽神经的位置关系仍采用人工方式，耗时费力，同样受人为因素影响很大。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种医学图像下牙槽神经损伤风险自动评估方法，能全自动判断曲面断层片图像中智齿与神经管的具体位置，同时，对智齿与神经管的接触关系进行预测，有效地降低了口腔颌面科医生人工定位的工作量与消耗时间。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种医学图像下牙槽神经损伤风险自动评估方法，包括以下步骤：
获取训练集，所述训练集包括CBCT图像和曲面断层片图像；
对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；
利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注；
对训练集图像进行数据增强的方式进行扩充；
获取多分辨率目标检测模型，所述多分辨率目标检测模型是基于卷积神经网络模型构建获得；
将扩充的训练集数据作为输入，训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置，并检测两者的接触关系；
当获得新的X射线头影图像时，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置，并预测下颌阻生智齿与下牙槽神经管的接触关系；
使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系。
进一步的，对训练集图像进行数据增强的方式包括：线性亮度变换、随机噪声干扰、图像小角度旋转、图像翻转、图像融合和/或马赛克增强。
进一步的，对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断包括：利用CBCT图像的原始数据结合NewTom系统软件，通过横断面、冠状面图像评估牙根与下牙槽神经管的三维空间关系、观察两者是否接触、下牙槽神经管皮质骨是否完整，由此判断下颌阻生智齿与神经管的接触关系。
进一步的，利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注包括：
将曲面断层片ROI的标注分为两个部分，分别是：
ROI-1:包含下颌第一、二、三磨牙所在的下颌体及升支区域，具体为：上缘：下颌磨牙合面最高点；前缘：下颌第一磨牙最近中点；后缘：下颌升支后缘；下缘：下颌体部下缘；
ROI-2:包含下颌智齿及其下方的下颌管，具体为：上缘：下颌智齿最高点；前缘：下颌智齿牙冠最前点；后缘：上缘标记线与下颌管下缘的交点；下缘：前缘标记线与下颌管下缘的交点；
记Ri为图像第i个ROI，提取图像中所有Ri的中心点坐标(xi,yi)与宽高(wi,hi)作为检测框标注，将步骤1中得到的接触关系作为分类标注。
进一步的，所述多分辨率目标检测模型的结构分为三部分，分别为骨架、多重采样端以及多分辨率输出端，其中，所述骨架由一个聚焦层，S1个卷积层、S2个CSP-1模块、一个SPP模块与一个CSP-2模块连接而成，每层卷积层均需要经过批量归一化和Leaky Relu激活函数，所述多重采样端由三层特征金字塔网络和三层金字塔注意力网络并行连接而成，最终每一层后连接一层卷积层，其三个特征图作为最终的模型输出，再对多分辨率目标检测模型进行训练，其总损失函数Ltotal包括检测框损失Lbox、目标损失Lobj和分类损失Lcls：
Ltotal＝Lbox+Lobj+Lcls (1)
其中Lbox为GIOU损失，记Blabel为标注检测框，Bpred为预测检测框，C为Blabel和Bpred的最小包围框；则GIOU和Lbox为：
Lbox＝1-GIOU (3)
其中Lobj与Lcls为BCELogit损失函数
记N是小批量中的样本数，y∈[0,1]表示输入的标签数据，
是多分辨率目标检测模型输出，sigmoid为激活函数，公式如下：
进一步的，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置包括：
根据训练完成的多分辨率目标检测模型，输入新获取的测试图像，设测试图像为I，检测到图像I中含有数量为n的检测框为
进一步的，使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系包括：
采用非极大值抑制算法确定所有的目标的检测框，再遍历计算所有检测框中心点{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)}两两之间的L2范数距离
当距离d小于特定阈值t时，取两个检测框之间置信度较高的一个，保证同一个位置不会出现两个检测框，由此遍历完所有的检测框之后，得到最终的检测结果。
第二方面，本发明提供一种医学图像下牙槽神经损伤风险自动评估装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述任一项所述方法的步骤。
第三方面，本发明提供计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：本发明提供的一种医学图像下牙槽神经损伤风险自动评估方法，能全自动判断曲面断层片图像中智齿与神经管的具体位置，同时，对智齿与神经管的接触关系进行预测，有效地降低了口腔颌面科医生人工定位的工作量与消耗时间，可以有效地避免由于不同医生的临床经验、个人精力和所受压力差异对诊断结果造成的影响。
附图说明
图1是本发明实施例提供的一种医学图像下牙槽神经损伤风险自动评估方法的方法流程图。
图2是本发明实施例提供的检测曲面断层片图像下颌阻生智齿与神经管接触情况示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1、图2所示，本实施例提供的医学图像下牙槽神经损伤风险自动评估方法，针对某一张待检测的曲面断层片图像，实际应用中，具体包括以下步骤：
(1)数据集为1535个研究病例的CBCT与曲面断层片图像，其中用于的训练的曲面断层片图像尺寸为2976×1536，像素尺寸为0.07×0.07mm2；
(2)口腔颌面科医生根据1535个研究病例的CBCT图像，结合NewTom系统软件，通过横断面、冠状面图像评估牙根与下牙槽神经管的三维空间关系、观察两者是否接触、下牙槽神经管皮质骨是否完整，由此判断下颌阻生智齿与神经管的接触关系。
(3)口腔颌面科医生对1535个研究病例的曲面断层片图像进行标注，每一个下颌阻生智齿与神经管都标注两个ROI，分别为：
ROI-1：包含下颌第一、二、三磨牙所在的下颌体及升支区域，上缘：下颌磨牙合面最高点；前缘：下颌第一磨牙最近中点；后缘：下颌升支后缘；下缘：下颌体部下缘
ROI-2:包含下颌智齿及其下方的下颌管。上缘：下颌智齿最高点；前缘：下颌智齿牙冠最前点；后缘：上缘标记线与下颌管下缘的交点；下缘：前缘标记线与下颌管下缘的交点。
其中对于每一个ROI的具体标注方式为，记Ri为图像第i个ROI，提取图像中所有Ri的中心点坐标(xi,yi)与宽高(wi,hi)作为检测框标注，将步骤(2)中得到的接触关系作为分类标注。此外，训练集与测试集的划分比例为9：1，训练图像数量为1381幅，测试图像共154幅。
(4)对训练集图像进行数据增强的方式进行扩充，其方式有：线性亮度变换、随机噪声干扰、图像小角度旋转、图像翻转、图像融合以及马赛克增强。
(5)多分辨率目标检测模型的深度系数为1.66，宽度系数1.50，初始学习率设置0.0032，融合概率设置0.243，训练轮数设置1200，采用自动学习anchor分布与Adam优化器。模型损失函数如下：
其总损失函数Ltotal包括检测框损失Lbox、目标损失Lobj和分类损失Lcls：
Ltotal＝Lbox+Lobj+Lcls (1)
其中Lbox为GIOU损失，记Blabel为标注检测框，Bpred为预测检测框，C为Blabel和Bpred的最小包围框；则GIOU和Lbox为：
Lbox＝1-GIOU (3)
其中Lobj与Lcls为BCELogit损失函数
记N是小批量中的样本数，y∈[0,1]表示输入的标签数据，
是多分辨率目标检测模型输出，其中sigmoid为激活函数，公式如下：
(6)重复上述步骤(4)～(5)作为多分辨率目标检测模型的训练阶段，获得最终的模型权重。
(7)利用步骤(6)已训练的多分辨目标检测模型对测试图像进行测试。对测试图像中生成的某类检测框采用非极大值抑制算法确定该类的最后检测框。最后遍历计算所有检测框中心点{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)}两两之间的L2范数距离
当距离d小于特定阈值t时，取两个检测框之间置信度较高的一个，保证同一个位置不会出现两个检测框，由此遍历完所有检测框之后即可得到最终检测结果。
本实施例提供的一种医学图像下牙槽神经损伤风险自动评估方法，能全自动判断曲面断层片图像中智齿与神经管的具体位置，同时，对智齿与神经管的接触关系进行预测，有效地降低了口腔颌面科医生人工定位的工作量与消耗时间，可以有效地避免由于不同医生的临床经验、个人精力和所受压力差异对诊断结果造成的影响。
实施例2
本实施例提供一种医学图像下牙槽神经损伤风险自动评估装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取训练集，所述训练集包括CBCT图像和曲面断层片图像；
对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；
利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注；
对训练集图像进行数据增强的方式进行扩充；
获取多分辨率目标检测模型，所述多分辨率目标检测模型是基于卷积神经网络模型构建获得；
将扩充的训练集数据作为输入，训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置，并检测两者的接触关系；
当获得新的X射线头影图像时，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置，并预测下颌阻生智齿与下牙槽神经管的接触关系；
使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系。
实施例3
本实施例提供计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：
获取训练集，所述训练集包括CBCT图像和曲面断层片图像；
对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；
利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注；
对训练集图像进行数据增强的方式进行扩充；
获取多分辨率目标检测模型，所述多分辨率目标检测模型是基于卷积神经网络模型构建获得；
将扩充的训练集数据作为输入，训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置，并检测两者的接触关系；
当获得新的X射线头影图像时，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置，并预测下颌阻生智齿与下牙槽神经管的接触关系；
使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种医学图像下牙槽神经损伤风险自动评估方法，其特征是，包括以下步骤：
获取训练集，所述训练集包括CBCT图像和曲面断层片图像；
对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断；
利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注；
对训练集图像进行数据增强的方式进行扩充；
获取多分辨率目标检测模型，所述多分辨率目标检测模型是基于卷积神经网络模型构建获得；
将扩充的训练集数据作为输入，训练多分辨率目标检测模型预测下颌阻生智齿与下牙槽神经管的图像位置，并检测两者的接触关系；
当获得新的X射线头影图像时，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置，并预测下颌阻生智齿与下牙槽神经管的接触关系；
使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系。
2.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，对训练集图像进行数据增强的方式包括：线性亮度变换、随机噪声干扰、图像小角度旋转、图像翻转、图像融合和/或马赛克增强。
3.根据权利要求2所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，对CBCT图像的下颌阻生智齿与下牙槽神经管的接触关系进行判断包括：利用CBCT图像的原始数据结合NewTom系统软件，通过横断面、冠状面图像评估牙根与下牙槽神经管的三维空间关系、观察两者是否接触、下牙槽神经管皮质骨是否完整，由此判断下颌阻生智齿与神经管的接触关系。
4.根据权利要求3所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，利用判定得到的结果对曲面断层片图像中下颌阻生智齿与下牙槽神经管位置进行标注包括：
将曲面断层片ROI的标注分为两个部分，分别是：
ROI-1:包含下颌第一、二、三磨牙所在的下颌体及升支区域，具体为：上缘：下颌磨牙合面最高点；前缘：下颌第一磨牙最近中点；后缘：下颌升支后缘；下缘：下颌体部下缘；
ROI-2:包含下颌智齿及其下方的下颌管，具体为：上缘：下颌智齿最高点；前缘：下颌智齿牙冠最前点；后缘：上缘标记线与下颌管下缘的交点；下缘：前缘标记线与下颌管下缘的交点；
记Ri为图像第i个ROI，提取图像中所有Ri的中心点坐标(xi,yi)与宽高(wi,hi)作为检测框标注，将步骤1中得到的接触关系作为分类标注。
5.根据权利要求4所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，所述多分辨率目标检测模型的结构分为三部分，分别为骨架、多重采样端以及多分辨率输出端，其中，所述骨架由一个聚焦层，S1个卷积层、S2个CSP-1模块、一个SPP模块与一个CSP-2模块连接而成，每层卷积层均需要经过批量归一化和Leaky Relu激活函数，所述多重采样端由三层特征金字塔网络和三层金字塔注意力网络并行连接而成，最终每一层后连接一层卷积层，其三个特征图作为最终的模型输出，再对多分辨率目标检测模型进行训练，其总损失函数Ltotal包括检测框损失Lbox、目标损失Lobj和分类损失Lcls：
Ltotal＝Lbox+Lobj+Lcls (1)
其中Lbox为GIOU损失，记Blabel为标注检测框，Bpred为预测检测框，C为Blabel和Bpred的最小包围框；则GIOU和Lbox为：
Lbox＝1-GIOU (3)
其中Lobj与Lcls为BCELogit损失函数
记N是小批量中的样本数，y∈[0,1]表示输入的标签数据，
是多分辨率目标检测模型输出，sigmoid为激活函数，公式如下：
6.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，将训练好的多分辨率目标检测模型作用于新的图像，以获得目标检测框位置包括：
根据训练完成的多分辨率目标检测模型，输入新获取的测试图像，设测试图像为I，检测到图像I中含有数量为n的检测框为
7.根据权利要求1所述的医学图像下牙槽神经损伤风险自动评估方法，其特征是，使用非极大值抑制算法求得最终下颌阻生智齿与下牙槽神经管位置以及两者的接触关系包括：
采用非极大值抑制算法确定所有的目标的检测框，再遍历计算所有检测框中心点{(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)}两两之间的L2范数距离
当距离d小于特定阈值t时，取两个检测框之间置信度较高的一个，保证同一个位置不会出现两个检测框，由此遍历完所有的检测框之后，得到最终的检测结果。
8.一种医学图像下牙槽神经损伤风险自动评估装置，其特征是，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
9.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110787244.9A CN113658679B (zh) | 2021-07-13 | 2021-07-13 | 一种医学图像下牙槽神经损伤风险自动评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110787244.9A CN113658679B (zh) | 2021-07-13 | 2021-07-13 | 一种医学图像下牙槽神经损伤风险自动评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113658679A true CN113658679A (zh) | 2021-11-16 |
| CN113658679B CN113658679B (zh) | 2024-02-23 |
Family
ID=78489332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110787244.9A Active CN113658679B (zh) | 2021-07-13 | 2021-07-13 | 一种医学图像下牙槽神经损伤风险自动评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658679B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830034A (zh) * | 2023-02-24 | 2023-03-21 | 淄博市中心医院 | 一种用于口腔健康管理的数据分析系统 |
| CN116543914A (zh) * | 2023-05-12 | 2023-08-04 | 广州医科大学附属口腔医院（广州医科大学羊城医院） | 基于cbct图像评估第二磨牙牙根吸收程度的模型构建方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110503652A (zh) * | 2019-08-23 | 2019-11-26 | 北京大学口腔医学院 | 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 |
| CN110610198A (zh) * | 2019-08-22 | 2019-12-24 | 浙江工业大学 | 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法 |
| CN110738661A (zh) * | 2019-09-23 | 2020-01-31 | 山东工商学院 | 一种基于神经网络的口腔ct下颌神经管的分割方法 |
| US20200175678A1 (en) * | 2018-11-28 | 2020-06-04 | Orca Dental AI Ltd. | Dental image segmentation and registration with machine learning |
| CN111328397A (zh) * | 2017-10-02 | 2020-06-23 | 普罗马顿控股有限责任公司 | 使用深度学习方法对3d牙齿数据进行自动分类和归类 |
| CN112037913A (zh) * | 2020-09-15 | 2020-12-04 | 南昌大学 | 一种基于卷积神经网络的牙周炎智能检测方法及系统 |
| US20200411201A1 (en) * | 2019-06-27 | 2020-12-31 | Retrace Labs | Systems And Method For Artificial-Intelligence-Based Dental Image To Text Generation |
| US20200410649A1 (en) * | 2019-06-27 | 2020-12-31 | Retrace Labs | Inpainting Dental Images With Missing Anatomy |
| CN112638312A (zh) * | 2018-09-04 | 2021-04-09 | 普罗马顿控股有限责任公司 | 使用深度学习的自动化正畸治疗计划 |
-
2021
- 2021-07-13 CN CN202110787244.9A patent/CN113658679B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111328397A (zh) * | 2017-10-02 | 2020-06-23 | 普罗马顿控股有限责任公司 | 使用深度学习方法对3d牙齿数据进行自动分类和归类 |
| CN112638312A (zh) * | 2018-09-04 | 2021-04-09 | 普罗马顿控股有限责任公司 | 使用深度学习的自动化正畸治疗计划 |
| US20200175678A1 (en) * | 2018-11-28 | 2020-06-04 | Orca Dental AI Ltd. | Dental image segmentation and registration with machine learning |
| US20200411201A1 (en) * | 2019-06-27 | 2020-12-31 | Retrace Labs | Systems And Method For Artificial-Intelligence-Based Dental Image To Text Generation |
| US20200410649A1 (en) * | 2019-06-27 | 2020-12-31 | Retrace Labs | Inpainting Dental Images With Missing Anatomy |
| CN110610198A (zh) * | 2019-08-22 | 2019-12-24 | 浙江工业大学 | 一种基于Mask RCNN的口腔CBCT影像下颌神经管自动识别方法 |
| CN110503652A (zh) * | 2019-08-23 | 2019-11-26 | 北京大学口腔医学院 | 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 |
| CN110738661A (zh) * | 2019-09-23 | 2020-01-31 | 山东工商学院 | 一种基于神经网络的口腔ct下颌神经管的分割方法 |
| CN112037913A (zh) * | 2020-09-15 | 2020-12-04 | 南昌大学 | 一种基于卷积神经网络的牙周炎智能检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| S. LEE ET AL.: "Automated CNN-Based Tooth Segmentation in Cone-Beam CT for Dental Implant Planning", 《IEEE ACCESS》, vol. 8 * |
| 王东苗;金致纯;丁旭;杜一飞;袁冶;吴煜农;江宏兵;程杰;: "锥形束CT评估下颌阻生智齿拔除术后下牙槽神经损伤的风险", 南京医科大学学报(自然科学版), no. 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830034A (zh) * | 2023-02-24 | 2023-03-21 | 淄博市中心医院 | 一种用于口腔健康管理的数据分析系统 |
| CN116543914A (zh) * | 2023-05-12 | 2023-08-04 | 广州医科大学附属口腔医院（广州医科大学羊城医院） | 基于cbct图像评估第二磨牙牙根吸收程度的模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113658679B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503652B (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 | |
| US11464467B2 (en) | Automated tooth localization, enumeration, and diagnostic system and method | |
| US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
| Hosntalab et al. | Segmentation of teeth in CT volumetric dataset by panoramic projection and variational level set | |
| CN113658679A (zh) | 一种医学图像下牙槽神经损伤风险自动评估方法 | |
| US20220084267A1 (en) | Systems and Methods for Generating Quick-Glance Interactive Diagnostic Reports | |
| CN112950737B (zh) | 基于深度学习的眼底荧光造影图像生成方法 | |
| US20210217170A1 (en) | System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements. | |
| CN113223010A (zh) | 口腔图像多组织全自动分割的方法和系统 | |
| CN112037913A (zh) | 一种基于卷积神经网络的牙周炎智能检测方法及系统 | |
| CN114332123A (zh) | 基于全景片的龋病自动分级方法及系统 | |
| Kondo et al. | Computer-based extraction of the inferior alveolar nerve canal in 3-D space | |
| Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
| CN113469987A (zh) | 基于深度学习的牙科x射线图像病变区域定位系统 | |
| CN111513743B (zh) | 一种骨折检测方法及装置 | |
| CN111986217A (zh) | 一种图像处理方法、装置及设备 | |
| CN115602320B (zh) | 一种困难气道评估方法和系统 | |
| CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
| US9014440B2 (en) | Dental cysts detector | |
| Hu et al. | Photographic analysis and machine learning for diagnostic prediction of adenoid hypertrophy | |
| CN109993754B (zh) | 从图像上进行颅骨分割的方法和系统 | |
| CN112420171A (zh) | 一种基于人工智能的上颌窦底骨质分类方法及系统 | |
| CN114255350B (zh) | 一种腭部软硬组织厚度测量方法和系统 | |
| CN113822904B (zh) | 一种图像标注装置、方法及可读存储介质 | |
| TWI807809B (zh) | 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 |
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 |