CN113672753A - 一种正畸影像资料的分类保存方法 - Google Patents

一种正畸影像资料的分类保存方法 Download PDF

Info

Publication number
CN113672753A
CN113672753A CN202110974454.9A CN202110974454A CN113672753A CN 113672753 A CN113672753 A CN 113672753A CN 202110974454 A CN202110974454 A CN 202110974454A CN 113672753 A CN113672753 A CN 113672753A
Authority
CN
China
Prior art keywords
image data
orthodontic
image
storing
neural network
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.)
Pending
Application number
CN202110974454.9A
Other languages
English (en)
Inventor
包雷
周建峰
成方元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Boltzmann Zhibei Technology Co ltd
Original Assignee
Chengdu Boltzmann Zhibei Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Boltzmann Zhibei Technology Co ltd filed Critical Chengdu Boltzmann Zhibei Technology Co ltd
Priority to CN202110974454.9A priority Critical patent/CN113672753A/zh
Publication of CN113672753A publication Critical patent/CN113672753A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种正畸影像资料的分类保存方法，包括建立神经网络图像分类模型；获得批量正畸影像资料图片；采用神经网络图像分类模型对正畸影像资料图片进行图像分类；根据类别数据将正畸影像资料图片保存至对应的分类文件夹中。本申请采用深度学习技术，将上传的正畸影像资料分类保存过程自动化、智能化，方法简单易行，便于实现，有效解决了现行上传的正畸影像资料分类保存方法存在的医生工作效率低、且易出错问题。

Description

一种正畸影像资料的分类保存方法
技术领域
本发明涉及口腔正畸技术领域，尤其涉及一种正畸影像资料的分类保存方法。
背景技术
正畸治疗过程是一个漫长的过程，通常情况下，所需花费的时间在6个月到2，3年不等。在整个治疗过程中，除首次诊疗外，还需要多次到医院或诊所复诊(通常3至4周复诊一次)。在每次诊疗中，为制定(修订)适合患者的治疗方案，需要拍摄各种正畸影像资料，通常有：X线片，包括头颅定位片(正位片、侧位片)、全景片、颞颌关节片、手腕骨片(青少年)、全口牙片等；照片，包括正面照、侧面照、微笑照、右侧咬合照、正面咬合照、左侧咬合照、上颌牙合照、覆颌牙合照、下颌覆盖照等。
正畸影像资料是患者病历中重要的组成部分，在整个正畸生命周期中，由于其数量多，且种类多，给正畸医生管理使用带来诸多不便。虽然目前绝大部分口腔医疗机构都部署有患者病历管理系统，一定程度上提高了医生的工作效率，但多数系统对影像资料的分类保存方法，采用人机交互实现，此类方法仍然存在医生工作效率低、且易出错问题，尤其是大型医院，由于采用的是影像资料集中采集后批量上传的方式，问题更为突出。
因此需要研发出一种正畸影像资料的分类保存方法来解决上述问题。
发明内容
本发明的目的就在于为了解决上述问题设计了一种正畸影像资料的分类保存方法。
本发明通过以下技术方案来实现上述目的：
一种正畸影像资料的分类保存方法，包括：
建立神经网络图像分类模型；
获得批量正畸影像资料图片；
采用神经网络图像分类模型对正畸影像资料图片进行图像分类；
根据类别数据将正畸影像资料图片保存至对应的分类文件夹中。
具体地，神经网络图像分类模型的建立包括步骤：
S1、构建训练样本集、验证样本集和测试样本集；
S2、数据预处理；
S3、构建神经网络；
S4、用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的图像分类模型。
进一步地，神经网络图像分类模型的建立还包括步骤S5：使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络图像分类模型。
具体地，步骤S1包括：
获取原始图像样本集；包括对各类图像正畸影像资料图片集进行手工分类、贴标签，得到分类图像样本集；
获取训练样本集、验证样本集和测试样本集；将各类图像样本集中的多数图像样本作为训练样本集，将剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
具体地，步骤S2包括如下步骤：
S21、将所有样本集预处理成为可以被神经网络读取的格式/类型；
S22、对所有样本集进行提纯，剔除异常数据；
S23、对所有样本集，通过旋转、镜像、裁切手段，将图片的空间多样性呈现出来；
S24、将不同规格的数据转换成相同规格的数据。
具体地，步骤S3包括定义网络结构和定义损失函数；其中网络结构采用的是Resnet50；定义损失函数使用pytorch深度学习框架，计算损失函数的时候使CrossEntropyLoss，该损失函数结合了LogSoftmax和NLLLoss两个函数。
本发明的有益效果在于：
本申请采用深度学习技术，将上传的正畸影像资料分类保存过程自动化、智能化，方法简单易行，便于实现，有效解决了现行上传的正畸影像资料分类保存方法存在的医生工作效率低、且易出错问题。
附图说明
图1是本申请的流程示意图；
图2是本申请中神经网络图像分类模型的建立流程示意图；
图3是本申请中数据预处理的流程示意图；
图4是本申请中一个具体的残差模块的定义示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“上”、“下”、“内”、“外”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图，对本发明的具体实施方式进行详细说明。
如图1所示，一种正畸影像资料的分类保存方法，包括：
建立神经网络图像分类模型；
获得批量正畸影像资料图片；
采用神经网络图像分类模型对正畸影像资料图片进行图像分类；
根据类别数据将正畸影像资料图片保存至对应的分类文件夹中。
如图2所示，神经网络图像分类模型的建立包括步骤：
S1、构建训练样本集、验证样本集和测试样本集；具体包括包括：
获取原始图像样本集；包括对各类图像正畸影像资料图片集进行手工分类、贴标签，得到分类图像样本集；
获取训练样本集、验证样本集和测试样本集；将各类图像样本集中的多数图像样本作为训练样本集，将剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
S2、数据预处理；如图3所示，包括：
S21、将所有样本集预处理成为可以被神经网络读取的格式/类型；
S22、对所有样本集进行提纯，剔除异常数据；
S23、对所有样本集，通过旋转、镜像、裁切手段，将图片的空间多样性呈现出来；
S24、将不同规格的数据转换成相同规格的数据。
S3、构建神经网络；包括：
①定义网络结构
网络结构采用的是Resnet50的结构，其中的残差层是一个很重要的模块。
残差网络依旧让非线形层满足H(x，wh)，然后从输入直接引入一个短连接到非线形层的输出上，使得整个映射变为y＝H(x，wh)+x。一个具体的残差模块的定义如图4所示；
整个残差卷积神经网络是由以上的残差卷积子模块堆积而成。如上所定义的，假设第l层的残差卷积字子模块的映射为F(xl，wf)＝xl+H(xl，wl)，xl是第l层的输入，wl＝{wl，k|l≤k≤K}是第l层的参数，K是残差单元层数。第l+1层的输入为xl+1＝F(xl，wf)，因此得到xl+1＝xl+H(xl，wl)循环带入这个式子
xl+2＝xl+1+H(xl+1，wl+1)＝xl+H(xl，wl)+H(xl+1，wl+1)
我们可以得到：
Figure BDA0003227136440000061
第L层的特征xL可以分为两个部分，第一部分是浅层的网络表示xl加上一个残差函数映射
Figure BDA0003227136440000062
表明模型在任意单元内都是一个残差的形式。
对于任意深度L的特征xL来讲，它是前面所有残差模块的和，这与简单的不加短连接的网络完全相反。原因是，不加短连接的网络在第L层的特征xL是一系列的向量乘的结果，即
Figure BDA0003227136440000063
(在忽略batch normalization和激活函数的情况下)。同样，上述式子显示有非常好的反向传播特性，假设损失为ε，根据链式求导法则，我们可以得到：
Figure BDA0003227136440000064
显示梯度
Figure BDA0003227136440000065
由两个部分组成，一部分
Figure BDA0003227136440000066
是不用经过任何权重加权的信息流，另一部分是通过加权层的
Figure BDA0003227136440000067
两部分连接的线形特性保证了信息可以直接反向传播到浅层。同时式子还说明对于小的batch而言，梯度[公式]不太可能会消失，因为通常对于小的batch来讲不会总是为1，那么这表示即使权重非常小，梯度也不会为0，不存在梯度消失的问题。
②定义损失函数
在使用pytorch深度学习框架，计算损失函数的时候使用nn.CrossEntropyLoss()，该损失函数结合了nn.LogSoftmax()和nn.NLLLoss()两个函数。它在做分类训练的时候是非常有用的。在训练过程中，对于每个类分配权值，可选的参数权值应该是一个1D张量。当有一个不平衡的训练集时，这是非常有用的。
交叉熵主要是用来判定实际的输出与期望的输出的接近程度，在做分类的训练的时候，如果一个样本属于第K类，那么这个类别所对应的的输出节点的输出值应该为1，而其他节点的输出都为0，即[0，0，1，0，….0，0]，这个数组也就是样本的Label，是神经网络最期望的输出结果。也就是说用它来衡量网络的输出与标签的差异，利用这种差异经过反向传播去更新网络参数。
S4、用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的图像分类模型；
S5、使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络图像分类模型。
本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (6)

1.一种正畸影像资料的分类保存方法，其特征在于，包括：
建立神经网络图像分类模型；
获得批量正畸影像资料图片；
采用神经网络图像分类模型对正畸影像资料图片进行图像分类；
根据类别数据将正畸影像资料图片保存至对应的分类文件夹中。
2.根据权利要求1所述的一种正畸影像资料的分类保存方法，其特征在于，神经网络图像分类模型的建立包括步骤：
S1、构建训练样本集、验证样本集和测试样本集；
S2、数据预处理；
S3、构建神经网络；
S4、用已准备好的训练数据，训练构建的神经网络，当损失误差达到所期望值或者到达某个迭代次数后结束网络训练，网络训练结束后得到初步的图像分类模型。
3.根据权利要求2所述的一种正畸影像资料的分类保存方法，其特征在于，神经网络图像分类模型的建立还包括步骤S5：使用验证样本集和测试样本集数据对训练后的神经网络进行测试、验证得到神经网络图像分类模型。
4.根据权利要求2所述的一种正畸影像资料的分类保存方法，其特征在于，步骤S1包括：
获取原始图像样本集；包括对各类图像正畸影像资料图片集进行手工分类、贴标签，得到分类图像样本集；
获取训练样本集、验证样本集和测试样本集；将各类图像样本集中的多数图像样本作为训练样本集，将剩余图像样本中的一部分图像样本作为验证样本集，另一部分图像样本作为测试样本集。
5.根据权利要求2或4所述的一种正畸影像资料的分类保存方法，其特征在于，步骤S2包括如下步骤：
S21、将所有样本集预处理成为可以被神经网络读取的格式/类型；
S22、对所有样本集进行提纯，剔除异常数据；
S23、对所有样本集，通过旋转、镜像、裁切手段，将图片的空间多样性呈现出来；
S24、将不同规格的数据转换成相同规格的数据。
6.根据权利要求2所述的一种正畸影像资料的分类保存方法，其特征在于，步骤S3包括定义网络结构和定义损失函数；其中网络结构采用的是Resnet50；定义损失函数使用pytorch深度学习框架，计算损失函数的时候使CrossEntropyLoss，该损失函数结合了LogSoftmax和NLLLoss两个函数。
CN202110974454.9A 2021-08-24 2021-08-24 一种正畸影像资料的分类保存方法 Pending CN113672753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110974454.9A CN113672753A (zh) 2021-08-24 2021-08-24 一种正畸影像资料的分类保存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110974454.9A CN113672753A (zh) 2021-08-24 2021-08-24 一种正畸影像资料的分类保存方法

Publications (1)

Publication Number Publication Date
CN113672753A true CN113672753A (zh) 2021-11-19

Family

ID=78545666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974454.9A Pending CN113672753A (zh) 2021-08-24 2021-08-24 一种正畸影像资料的分类保存方法

Country Status (1)

Country Link
CN (1) CN113672753A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553437A (zh) * 2020-05-07 2020-08-18 广州鹄志信息咨询有限公司 一种基于神经网络图像分类方法
CN112381178A (zh) * 2020-12-07 2021-02-19 西安交通大学 一种基于多损失特征学习的医学影像分类方法
CN112508063A (zh) * 2020-11-23 2021-03-16 刘勇志 基于增量学习的医学图像分类方法
CN112700430A (zh) * 2021-01-11 2021-04-23 重庆市劢齐医疗科技有限责任公司 一种基于深度学习的正畸影像图片智能识别方法
CN113052239A (zh) * 2021-03-25 2021-06-29 山东大学 基于梯度方向参数优化的神经网络的图像分类方法及系统
CN113269257A (zh) * 2021-05-27 2021-08-17 中山大学孙逸仙纪念医院 一种图像分类方法、装置、终端设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553437A (zh) * 2020-05-07 2020-08-18 广州鹄志信息咨询有限公司 一种基于神经网络图像分类方法
CN112508063A (zh) * 2020-11-23 2021-03-16 刘勇志 基于增量学习的医学图像分类方法
CN112381178A (zh) * 2020-12-07 2021-02-19 西安交通大学 一种基于多损失特征学习的医学影像分类方法
CN112700430A (zh) * 2021-01-11 2021-04-23 重庆市劢齐医疗科技有限责任公司 一种基于深度学习的正畸影像图片智能识别方法
CN113052239A (zh) * 2021-03-25 2021-06-29 山东大学 基于梯度方向参数优化的神经网络的图像分类方法及系统
CN113269257A (zh) * 2021-05-27 2021-08-17 中山大学孙逸仙纪念医院 一种图像分类方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN111275714B (zh) 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法
Lumley et al. Relative risk regression in medical research: models, contrasts, estimators, and algorithms
CN109935336A (zh) 一种儿童呼吸科疾病的智能辅助诊断方法及诊断系统
CN110739070A (zh) 一种基于3d卷积神经网络的脑疾病诊断方法
EP3570288A1 (en) Method for obtaining at least one feature of interest
Abed et al. Alzheimer's disease prediction using convolutional neural network models leveraging pre-existing architecture and transfer learning
US11514621B2 (en) Low-dose image reconstruction method and system based on prior anatomical structure difference
CN110246580A (zh) 基于神经网络和随机森林的颅侧面影像分析方法和系统
CN112819831B (zh) 基于卷积Lstm及多模型融合的分割模型生成方法及装置
CN107767960A (zh) 临床检测项目的数据处理方法、装置及电子设备
CN110223279A (zh) 一种图像处理方法和装置、电子设备
CN112614133A (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN108765447A (zh) 一种图像分割方法、图像分割装置及电子设备
CN117497149A (zh) 一种基于人工智能的医院管理方法及系统
Saeed et al. A granular level feature extraction approach to construct hr image for forensic biometrics using small training dataset
CN116503668A (zh) 一种基于小样本元学习的医学影像分类方法
CN114005514A (zh) 医学影像诊断方法、系统及装置
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及系统
CN113672753A (zh) 一种正畸影像资料的分类保存方法
CN113793693A (zh) 传染病流行趋势预测方法及装置
CN110070925A (zh) 一种电子病历的生成方法、装置及电子设备
CN110459285A (zh) 疾病就诊数据的预处理方法、系统、设备及介质
CN116543917A (zh) 一种针对异构时间序列数据的信息挖掘方法
CN116309507A (zh) 注意力机制下对ctp进行特征融合的ais病灶预测方法
CN207149265U (zh) 一种幼儿健康档案管理平台

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