CN114187303A - 口腔图像处理方法、装置、电子设备及计算机存储介质 - Google Patents
口腔图像处理方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114187303A CN114187303A CN202111392439.XA CN202111392439A CN114187303A CN 114187303 A CN114187303 A CN 114187303A CN 202111392439 A CN202111392439 A CN 202111392439A CN 114187303 A CN114187303 A CN 114187303A
- Authority
- CN
- China
- Prior art keywords
- image
- root canal
- oral cavity
- canal filling
- processed
- 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
Links
- 210000000214 mouth Anatomy 0.000 title claims abstract description 183
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 210000004262 dental pulp cavity Anatomy 0.000 claims abstract description 278
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 61
- 230000011218 segmentation Effects 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 18
- 238000013441 quality evaluation Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000002631 root canal filling material Substances 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000024216 Periapical disease Diseases 0.000 description 1
- 208000035415 Reinfection Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000004053 periapical tissue Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—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
本发明涉及一种口腔图像处理方法、装置、电子设备及计算机存储介质，该方法包括：获取待处理口腔图像，待处理口腔图像中包括进行根管填充后的根尖片；对待处理口腔图像进行二值化处理，得到二值图像；根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。通过本发明的方法，将待处理口腔图像转换为二值图像，通过二值图像可以体现出更多根管填充区的细节信息，在对根管填充区的填充质量进行评估时，综合考虑待处理口腔图像和二值图像中的根管填充区，可使得到的评估结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，本发明涉及一种口腔图像处理方法、装置、电子设备及计算机存储介质。
背景技术
根管治疗术是针对牙髓病和牙根尖周病的常见有效的治疗方法，治疗过程复杂，技术要求高，而根管填充是根管治疗术中的关键步骤。根管填充是指在预备、消毒好的根管内充填根管充填材料，以消除死腔，隔绝根管和根尖周组织的交通，防止根管内再感染。可见，良好而完善的根管填充是取得根管治疗预期疗效的根本保障，如何正确的评价根管填充效果，对做好根管质控，提高根管治疗质量至关重要。
传统的根管充填评价标准通过X线对患牙摄片，观察根管填充材料到根尖孔的距离和充填材料和根管壁的空隙情况，来判断根管填充效果，容易存在影像重叠、变形、伪影等缺陷。且这样的评价主要依赖于患者术中的感受和医生的主观判断，往往不够客观精确。因此，现有技术中，如何自动有效的对根管填充质量进行评估是目前亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是提供一种口腔图像处理方法、装置、电子设备及计算机存储介质，旨在解决如何自动有效的对根管填充质量进行评估的问题。
本发明解决上述技术问题的技术方案如下：一种口腔图像处理方法，该方法包括：
获取待处理口腔图像，上述待处理口腔图像中包括进行根管填充后的根尖片；
对待处理口腔图像进行二值化处理，得到二值图像；
根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
本发明的有益效果是：根尖片在进行根管填充后，根管填充区与非根管填充区所对应的灰度值不同，对待处理口腔图像进行二值化处理后，通过二值图像，可以更加明显的区分根管填充区与非根管填充区，通过二值图像可以体现出更多根管填充区的细节信息，则在对根管填充区的填充质量进行评估时，综合考虑待处理口腔图像中的根管填充区和二值图像中的根管填充区，可使得到的评估结果更加准确。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，该方法还包括：
对上述二值图像进行裁剪，得到包含根管填充区的第一图像；
对上述待处理口腔图像进行裁剪，得到包含根管填充区的第二图像；
上述根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
采用上述进一步方案的有益效果是，由于由于待处理口腔图像中除了包括根管填充区对应的图像，还包括非根管填充区对应的图像，则在本发明的方案中，通过裁剪出二值图像中的根管填充区以及待处理口腔图像中的根管填充区，可以过滤掉二值图像和待处理口腔图像中的非根管填充区的信息，且非根管填充区的信息与根管填充的填充质量无关，从而可减少数据计算量，并且还可提高评估结果的准确性。
进一步，上述对二值图像进行裁剪，得到包含根管填充区的第一图像，包括：
根据二值图像，确定根管填充区在二值图像中的位置；
根据根管填充区在二值图像中的位置，对二值图像进行裁剪，得到包含根管填充区的第一图像；
上述对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像，包括：
根据第一图像，确定根管填充区在待处理口腔图像中的第二位置；
根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
采用上述进一步方案的有益效果是，由于第一图像和第二图像均是待处理口腔图像中包含根管填充区的图像，因此，在对二值图像进行裁剪时，可先确定根管填充区在二值图像中的位置，再根据该位置对二值图像进行裁剪，在对待处理口腔图像进行裁剪时，可参照第一图像确定管填充区在待处理口腔图像中的第二位置，从而可确保第二图像与第一图像所对应的图像区域都是根管填充区。
进一步，上述根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像，包括：
根据第二位置，在待处理口腔图像中与第二位置对应位置生成裁剪包围框；
扩大裁剪包围框，得到扩大后的包围框；
根据扩大后的包围框，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
采用上述进一步方案的有益效果是，在根据第二位置对待处理口腔图像进行裁剪时，可根据第二位置确定的裁剪包围框进行裁剪，由于裁剪包围框对应的是根管填充区，考虑到根管填充区周围可能还有一些对填充质量有影响的信息，则在本发明方案中，可扩大裁剪包围框，通过扩大后的包围框对待处理口腔图像进行裁剪，可使得裁剪出的第二图像中不仅包括根管填充区，还包括根管填充区周围的信息，从而在基于第一图像和第二图像对根管填充区的填充质量进行评估时，评估结果更加准确。
进一步，上述根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
分别提取待处理口腔图像的第一图像特征和二值图像的第二图像特征，其中，上述第一图像特征为根管填充区的区域特征，上述第二图像特征为根管填充区的边缘特征；
根据第一图像特征和第二图像特征，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
采用上述进一步方案的有益效果是，通过第一图像特征和第二图像特征可以反映不同层级的填充特征，通过第二图像特征可以反映根管填充区的边缘处的特征，以使得在基于第一图像特征和第二图像特征评估待处理口腔图像中根管填充区的填充质量时，评估结果更加准确。
进一步，上述对二值图像进行裁剪，得到包含根管填充区的第一图像的处理过程是通过根管填充分割模型实现的，其中，上述根管填充分割模型的输入为包含进行根管填充后的根尖片的二值图像，输出为包含根管填充区的第一图像；
上述根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果的处理过程是通过根管填充质量类别识别模型实现的，其中，上述根管填充质量类别识别模型的输入为第一图像和第二图像，输出为待处理口腔图像对应的根管填充质量的评估结果。
采用上述进一步方案的有益效果是，对二值图像进行裁剪，得到第一图像的处理过程可以通过根管填充分割模型实现，其中，上述根管填充分割模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像中均包括进行根管填充后的根尖片；
对每个样本图像进行二值处理，得到二值图像，每个二值图像中的每个像素点对应一个分割标注结果，对于每个二值图像中的每个像素点，分割标注结果表征了该像素点属于该二值图像中的根管填充区或者属于非根管填充区；
根据各二值图像对第一初始模型进行训练，直到第一初始模型的损失值满足第一训练结束条件，将满足第一训练结束条件时对应的第一初始模型作为根管填充分割模型，
其中，上述第一初始模型的输入为各二值图像，输出为各二值图像对应的预测分割结果，第一初始模型的损失值表征了各二值图像对应的预测分割结果与分割标注结果之间的差异；
上述根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果的处理过程是通过根管填充质量类别识别模型实现的，其中，上述根管填充质量类别识别模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像对应一个质量标注结果，上述质量标注结果为恰填、欠填或超填中的任一项；
对于每个样本图像，确定样本图像对应的第一图像和第二图像，将每个样本图像对应的第一图像和第二图像作为一个样本图像对；
根据各样本图像对，对第二初始模型进行训练，直到第二初始模型的损失值满足第二训练结束条件，将满足第二训练结束条件时对应的第二初始模型作为根管填充质量类别识别模型；
其中，上述第二初始模型的输入为各样本图像对，输出为各样本图像对对应的预测质量评估结果，第二初始模型的损失值表征了各样本图像对对应的预测质量评估结果与质量标注结果之间的差异。
采用上述进一步方案的有益效果是，在本发明方案中采用神经网络模型，可实现自动化评估根管填充区的填充质量的目的，使得评估过程更加智能化。
进一步，上述在对待处理口腔图像进行二值化处理，得到二值图像之前，还包括：
对待处理口腔图像进行灰度值归一化处理，得到处理后的口腔图像。
采用上述进一步方案的有益效果是，在对待处理口腔图像进行二值化处理之前，可先对该待处理口腔图像进行灰度值归一化处理，以提高图像对比对，增强图像中的特征，从而使得评估结果更加准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种口腔图像处理方法的流程示意图；
图2为本发明一个实施例提供的又一种口腔图像处理方法的流程示意图；
图3为本发明一个实施例提供的一种口腔图像处理装置的结构示意图；
图4为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
本发明实施例所提供的方案可以适用于任何需要自动化评估根管填充的填充质量的应用场景中。本发明实施例所提供的方案可以由任一电子设备执行，比如，可以是用户的终端设备，上述终端设备可以包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式计算机等。
本发明实施例提供了一种可能的实现方式，如图1所示，提供了一种口腔图像处理方法的流程图，该方案可以由任一电子设备执行，例如，可以是终端设备，或者由终端设备和服务器共同执行。为描述方便，下面将以终端设备作为执行主体为例对本发明实施例提供的方法进行说明，如图1中所示的流程图，该方法可以包括以下步骤：
步骤S110，获取待处理口腔图像，待处理口腔图像中包括进行根管填充后的根尖片；
步骤S120，对待处理口腔图像进行二值化处理，得到二值图像；
步骤S130，根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
通过本发明的方法，根尖片在进行根管填充后，根管填充区与非根管填充区所对应的灰度值不同，对待处理口腔图像进行二值化处理后，通过二值图像，可以更加明显的区分根管填充区与非根管填充区，通过二值图像可以体现出更多根管填充区的细节信息，则在对根管填充区的填充质量进行评估时，综合考虑待处理口腔图像中的根管填充区和二值图像中的根管填充区，可使得到的评估结果更加准确。
下面结合以下具体的实施例，对本发明的方案进行进一步的说明，在该实施例中，口腔图像处理方法可以包括以下步骤：
步骤S110，获取待处理口腔图像，待处理口腔图像中包括进行根管填充后的根尖片。
其中，待处理口腔图像指的是需要对该图像中的根管填充区的填充质量进行评估的图像，该图像可以是通过X线对患牙处进行拍摄得到的图像，也可以是通过其他专业的图像采集设备采集的图像，本发明中不限定待处理口腔图像的具体获取方式，均在本发明的保护范围内。
步骤S120，对待处理口腔图像进行二值化处理，得到二值图像。
其中，二值图像是指在图像中，灰度等级只有两种，也就是说，图像中的任何像素点的灰度值均为0或者255，分别代表黑色和白色，因此，对待处理口腔图像进行二值化处理后得到的二值图像只有黑色和白色两个颜色，通过黑色和白色两个颜色将图像中的根管填充区与非根管填充区进行区分，相较于待处理口腔图像，通过二值图像可以体现出根管填充区更加细致的特征。
可选的，在对待处理口腔图像进行二值化处理的时候，可将图中根管填充材料对应的每个像素点的灰度值置为255，将非根管填充区对应的每个像素点的灰度值置为0。
在本发明的一可选方案中，考虑到不同型号的设备采集的待处理口腔图像之间存在灰度分布偏差，则上述在对待处理口腔图像进行二值化处理，得到二值图像之前，还包括：对待处理口腔图像进行灰度值归一化处理，得到处理后的口腔图像；然后再对处理后的口腔图像进行二值化处理，得到二值图像。
在对待处理口腔图像进行二值化处理之前，可先对该待处理口腔图像进行灰度值归一化处理，以提高图像对比对度，增强图像中的特征，从而使得评估结果更加准确。
其中，上述灰度值归一化处理指的是将待处理口腔图像中的每个像素点的灰度值归一化至0～255。具体可参见以下公式：
Y＝(X-Xmin)/(Xmax-Xmin)*255
其中，X表示图像原始灰度值，即待处理口腔图像中的每个像素点的灰度值，Y表示归一化处理后的灰度值。
在得到二值图像后，考虑到该二值图像中不仅包括根管填充区，还包括非根管填充区，为了在后续处理中减少数据处理量，以及更加准确的评估根管填充区的信息，在本发明的一可选方案中，可进行以下处理：
对上述二值图像进行裁剪，得到包含根管填充区的第一图像；
对上述待处理口腔图像进行裁剪，得到包含根管填充区的第二图像；
根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
其中，将二值图像中根管填充区对应的第一图像裁剪下来，进行后续的处理，同样将待处理口腔图像中根管填充区对应的第二图像也裁剪下来，进行后续的处理，这样第一图像为二值图像的部分图像，第二图像为待处理口腔图像的部分图像，后续在基于第一图像和第二图像评估待处理口腔图像中根管填充区的填充质量时，减少了数据处理量，同时由于第一图像和第二图像均为根管填充区对应的图像，所反映的都是根管填充区的特征，从而使得评估结果更加准确。
其中，裁剪可通过任何现有技术中的方式实现，在本发明方案中不做限定。
在本发明的一可选方案中，上述对二值图像进行裁剪，得到包含根管填充区的第一图像，包括：
根据二值图像，确定根管填充区在二值图像中的位置；
根据根管填充区在二值图像中的位置，对二值图像进行裁剪，得到包含根管填充区的第一图像。
在本发明的一可选方案中，由于先对二值图像进行裁剪，得到的第一图像，由于想要裁剪得到的第二图像与第一图像均为根管填充区对应的图像，则为了保证第二图像与第一图像对应的区域相同，在对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像时，具体可以通过以下方式：根据第一图像，确定根管填充区在待处理口腔图像中的第二位置；根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
其中，根据第一图像，确定根管填充区在待处理口腔图像中的第二位置，第二位置指的是根管填充区在待处理口腔图像对应的图像区域，基于第二位置可准确的知道待处理口腔图像中的根管填充区对应的图像区域是哪部分，从而使得基于第二位置对待处理口腔图像进行裁剪得到的第二图像与第一图像所对应的区域相同。
在本发明的一可选方案中，上述根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像，包括：
根据第二位置，在待处理口腔图像中与第二位置对应位置生成裁剪包围框；
扩大裁剪包围框，得到扩大后的包围框；
根据扩大后的包围框，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
其中，由于第二位置指的是根管填充区在待处理口腔图像对应的图像区域，通过该第二位置，可以知道根管填充区的大小，即根管填充区对应的图像区域的大小，还可以知道根管填充区具体为待处理口腔图像中的哪部分图像。则在本发明的方案中，可根据第二位置生成一个裁剪包围框，该裁剪包围框的大小即为根管填充区对应的图像区域的大小，该裁剪包围框在待处理口腔图像中对应的位置即为根管填充区在待处理口腔图像对应的位置，则可根据该裁剪包围框对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。考虑到根管填充区周围可能还有一些对根管填充的填充质量有用的信息，则可将裁剪包围框扩大，通过扩大后的包围框对待处理口腔图像进行裁剪，得到的第二图像中包括更多的对填充质量的评估结果有用的信息。
上述裁剪包围框的形状在本发明中不做限定，比如，可以为圆形、长方形、正方形等规则图形，也可以为不规则图形。上述扩大裁剪包围框指的是扩大裁剪包围框的覆盖范围，覆盖范围越大，得到的第二图像的尺寸越大。
可选的，上述扩大裁剪包围框可以是沿着裁剪包围框的一个边界方向扩大，也可以沿着裁剪包围框的四周进行扩展，对于裁剪包围框对应的图像而言，扩大的是图像对应的像素点的个数。作为一个示例，通过未扩大的裁剪包围框裁剪得到的第二图像为图像a，通过扩大后的包围框裁剪得到的第二图像为以图像a的四周边界的像素点为起点，向四周均增加20个像素点后所对应的图像。需要说明的是，上述增加像素点的个数指的是增大图像的尺寸，不是增大图像的像素点的密度。
步骤S130，根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
由于待处理口腔图像可以反映出根管填充区的组粒度的特征，二值图像可以反映出根管填充区的细粒度的特征，因此，综合考虑了待处理口腔图像中的根管填充信息和二值图像中根管填充信息，来评估根管填充的质量，可提高质量评估结果。
其中，评估结果可以为恰填、欠填或超填。评估结果可以为医生提供对根管填充区进行下一步处理的数据依据。
其中，恰填指的是根管填充物恰好填满髓腔，欠填指的是根管填充物没有填满髓腔，超填指的是根管填充物溢出髓腔。
在本发明的一个可选的方案中，上述根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
分别提取待处理口腔图像的第一图像特征和二值图像的第二图像特征，其中，上述第一图像特征为根管填充区的区域特征，上述第二图像特征为根管填充区的边缘特征；
根据第一图像特征和第二图像特征，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
其中，区域特征指的是反映整个根管填充区的特征，边缘特征指的是反映根管填充区边缘处的特征。由于根管填充质量受根管边缘处与髓腔之间的填充空隙影响，由此，在本发明方案中，结合根管填充区的区域特征和边缘特征，使得在基于第一图像特征和第二图像特征评估待处理口腔图像中根管填充区的填充质量时，评估结果更加准确。
需要说明的是，在本发明方案中，也可以仅依据上述第一图像特征或第二图像特征中的任一项进行质量评估，均在本发明的保护范围内。
在本发明的一可选方案中，上述根据第一图像特征和第二图像特征，评估待处理口腔图像中根管填充区的填充质量，得到评估结果的一种实现方式为：根据第一图像特征和第二图像特征，计算根管填充区与髓腔壁之间的距离，通过距离表征根管填充区域髓腔壁之间是否存在填充间隙，在距离小于设定阈值，且根管填充区内对应的根管填充材料在髓腔内，表示不存在填充间隙，则对应的评价结果为恰填，在距离不小于设定阈值时，表示存在填充间隙，则对应的评价结果为欠填，在距离小于设定阈值，且根管填充区内对应的根管填充材料溢出髓腔，对应的填充结果为超填。
在本发明的一个可选的实施例中，上述对二值图像进行裁剪，得到包含根管填充区的第一图像的处理过程是通过根管填充分割模型实现的，其中，上述根管填充分割模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像中均包括进行根管填充后的根尖片；
对每个样本图像进行二值处理，得到二值图像，每个二值图像中的每个像素点对应一个分割标注结果，对于每个二值图像中的每个像素点，分割标注结果表征了该像素点属于该二值图像中的根管填充区或者属于非根管填充区；
根据各二值图像对第一初始模型进行训练，直到第一初始模型的损失值满足第一训练结束条件，将满足第一训练结束条件时对应的第一初始模型作为根管填充分割模型，
其中，第一初始模型的输入为各二值图像，输出为各二值图像对应的预测分割结果，第一初始模型的损失值表征了各二值图像对应的预测分割结果与分割标注结果之间的差异。
其中，可通过预先训练得到的根管填充分割模型对二值图像进行裁剪，得到第一图像，经过神经网络第一初始模型训练得到的根管填充分割模型在对二值图像进行裁剪时，可准确识别出根管填充区在二值图像中的位置，从而可准确从二值图像中裁剪得到第一图像。
可选的，上述在对每个样本图像进行二值处理，得到二值图像之前，还可以对每个样本图像进行灰度值归一化处理，得到处理后的样本图像。
其中，可对二值化图像采用对每个处理后的样本图像进行逐像素标注的方式进行的二值标注，得到分割标注结果，即每个二值图像中的每个像素点对应一个分割标注结果，对于每个二值图像中的每个像素点，分割标注结果表征了该像素点属于该二值图像中的根管填充区或者属于非根管填充区。通过逐像素的标注方式，可从像素级区分二值图像中哪些像素点属于根管填充区，哪些像素点属于非根管填充区，以使得基于进行逐像素标注后的二值图像训练得到的模型在应用时，可以从像素级别准确的区分图像中哪部分是根管填充区，哪部分是非根管填充区。其中，标注后的各处理后的样本图像为二值图像，为描述方便，下文将标注后的二值图像称为二值样本图像。
在本发明的方案中，可将各二值样本图像划分为训练集、验证集和测试集。作为一个实例，训练集、验证集和测试集中样本图像的数量的比例为8:1:1。
根据训练集中的各二值样本图像对初始神经网络模型(第一初始模型)进行训练，直到初始神经网络模型的损失值满足第一训练结束条件，将满足第一训练结束条件时对应的神经网络模型作为根管填充分割模型。上述初始神经网络模型的输出为每个二值样本图像的预测分割结果，对于每个二值样本图像，该二值样本图像对应的预测分割结果可以为该二值样本图像中根管填充区的位置，上述损失值表征的是各二值样本图像的预测分割结果和对应的标注结果之间的差异。其中，第一训练结束条件可基于实际需求配置，比如，损失值小于第一设定值，或者，在第一范围内。
在训练过程中，还可通过验证集和测试集对初始神经网络模型的参数进行不断的优化，使得最终训练得到的根管填充分割模型的精度更高。
作为一个示例，训练迭代次数可以设置为50，初始神经网络模型的初始学习率为0.0003，根管填充区和非根管填充区对应的置信度阈值为0.5，在经过150个测试样本对根管填充分割模型进行测试后，所得到的相似系数Dice(Dice Similarity Coefficient)值为0.924，其中，Dice系数是一种集合相似度度量指标，通常用于计算两个样本的相似度，值的范围为0-1，分割结果最好时值为1，最差时值为0，则测试后的Dice值为0.924，表明训练得到的根管填充分割模型的精度较好。
可选的，上述初始神经网络模型对应的损失函数可以为Cross-entropy loss和Dice Loss的组合损失函数。
可选的，在根据训练集中的各二值样本图像对初始神经网络模型进行训练之前，还可对每个二值样本图像进行尺寸归一化处理，以便于初始神经网络模型的处理，作为一个示例，可将二值样本图像的尺寸归一化至512*512。
可选的，上述训练过程可采用优化器，以加快模型的训练速度，其中，优化器可以为Adam(Adaptive moment estimation，自适应矩估计)、优化器SGD(Stochastic GradientDescent,随机梯度下降)优化器或AdamW(Adam Weight Decay Optimizer)优化器中的任一项。
可选的，上述初始神经网络模型可以为RCFS-Net、FCN(Fully ConvolutionalNetworks for Semantic Segmentation)、DeepLab、U-Net++、YOLO(You Only Look Once)、SSD(Single Shot MultiBox Detector)、Fast R-CNN(Fast Region-ConvolutionalNeural Network)、Faster R-CNN(Faster Region-Convolutional Neural Network)中的任一项，本发明方案中不限定。
在本发明的一可选方案中，上述根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果的处理过程是通过根管填充质量类别识别模型实现的，其中，上述根管填充质量类别识别模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像对应一个质量标注结果，质量标注结果为恰填、欠填或超填中的任一项；
对于每个样本图像，确定样本图像对应的第一图像和第二图像，将每个样本图像对应的第一图像和第二图像作为一个样本图像对；
根据各样本图像对，对第二初始模型进行训练，直到第二初始模型的损失值满足第二训练结束条件，将满足第二训练结束条件时对应的第二初始模型作为根管填充质量类别识别模型；
其中，第二初始模型的输入为各样本图像对，输出为各样本图像对对应的预测质量评估结果，第二初始模型的损失值表征了各样本图像对对应的预测质量评估结果与质量标注结果之间的差异。
其中，可通过预先训练得到的根管填充质量类别识别模型实现对待处理口腔图像中根管填充区的填充质量的质量评估，得到评估结果，经过神经网络训练得到的根管填充质量类别识别模型在对待处理口腔图像中根管填充区的填充质量进行质量评估时，可准确提取第一图像和第二图像中根管填充区对应的特征，从而可准确的进行质量评估。
可选的，在训练时，也可将各样本图像对划分为训练集、验证集和测试集。作为一个实例，训练集、验证集和测试集中样本图像对的数量的比例为8:1:1。
根据训练集中的各样本图像对对初始网络模型(第二初始模型)进行训练，直到初始网络模型的损失值满足第二训练结束条件，将满足第二训练结束条件时对应的网络模型作为根管填充质量类别识别模型。上述初始网络模型的输出为每个样本图像对的预测分类结果，对于每对样本图像对，该样本图像对对应的预测分类结果可以通过概率表征，则上述损失值表征的是各样本图像对的预测分类结果和对应的质量标注结果之间的差异。其中，第二训练结束条件可基于实际需求配置，比如，损失值小于第二设定值，或者，在第二范围内。上述第一设定值与第二设定值可以相同，也可以不同。同理，第一范围与第二范围可以相同，也可以不同。
在训练过程中，还可通过验证集和测试集对初始网络模型的参数进行不断的优化，使得最终训练得到的根管填充质量类别识别模型的精度更高。
上述根管填充质量类别识别模型为一个三分类的模型，分别对应恰填、欠填和超填三个分类结果。
作为一个示例，上述根管填充质量类别识别模型的训练过程中的训练迭代次数可以设置为50，初始网络模型的初始学习率为0.0001，在经过150个测试样本对根管填充质量类别识别模型进行测试后，所得到的相似系数Dice值为0.947，表明训练得到的根管填充质量类别识别模型的精度较好。
可选的，在根据训练集中的各样本图像对初始网络模型进行训练之前，还可对每个样本图像对中的每张图像进行尺寸归一化处理，以便于初始网络模型的处理，作为一个示例，可将每个样本图像对中的每张图像的尺寸归一化至448*448。
可选的，上述训练过程可采用优化器，以加快模型的训练速度，其中，优化器可以为Adam(Adaptive moment estimation，自适应矩估计)、优化器SGD(Stochastic GradientDescent,随机梯度下降)优化器或AdamW(Adam Weight Decay Optimizer)优化器中的任一项。
可选的，上述初始网络模型可以为RCFC-Net、VGG(Visual Geometry GroupNetwork)、ResNet(Residual Network，残差网络模型)、ResNeXt、DenseNet(DENSELYCONNECTED NETWORKS，稠密连接网络)、EfficientNet、RegNet中的任一项，本发明方案中不限定。
需要说明的是，上述根管填充质量类别识别模型和上述根管填充分割模型可以为一个模型，也可以为两个模型，在本发明方案中不做限定。
为了更好的说明及理解本发明所提供的方法的原理，下面结合一个可选的具体实施例对本发明的方案进行说明。需要说明的是，该具体实施例中的各步骤的具体实现方式并不应当理解为对于本发明方案的限定，在本发明所提供的方案的原理的基础上，本领域技术人员能够想到的其他实现方式也应视为本发明的保护范围之内。
在本示例中，根据前文描述模型训练的方法，预先训练得到两个模型，分别为根管填充质量类别识别模型和上述根管填充分割模型。
参见图2所示的口腔图像处理方法的流程图，本发明的口腔图像处理方法，包括以下步骤：
步骤1，获取待处理口腔图像(图2中的口腔根尖片影像)。
步骤2，对待处理口腔图像进行灰度值归一化处理，得到处理后的口腔图像(对应图2中图像灰度归一化的步骤)。
步骤3，对该处理后的口腔图像像进行二值化处理，得到二值图像，将该二值图像输入至根管填充分割模型，得到包含根管填充区的第一图像(对应图2中训练好的根管填充分割模型RCFS-Net的步骤)。
步骤4，根据第一图像，在处理后的口腔图像中与第二位置对应位置生成裁剪包围框。
步骤5，将该裁剪包围框向四周外扩，扩展长度为20个像素点，得到扩大后的包围框。
步骤6，基于该扩大后的包围框，对处理后的口腔图像像进行裁剪，得到第二图像(步骤5和步骤6对应图2中根管填充区域裁剪的步骤)。
步骤7，将第一图像和第二图像输入至根管填充质量类别识别模型，得到评估结果(对应图2中训练好的根管填充质量评估RCFC-Net以及输出根管填充质量类别的步骤)。
通过本发明的方案，通过两个二阶神经网络模型(根管填充质量类别识别模型和根管填充分割模型)，即根据根管填充分割模型的输出确定根管填充质量类别识别模型的输入，通过两个模型得到评估结果，可以提高评估结果的准确性。并且，在本发明方案中，根管填充质量类别识别模型的输入为两通道输入，一个通道为第一图像，另一个通道为第二图像，通过这两个图像得到的评估结果更加准确。
基于与图1中所示的方法相同的原理，本发明实施例还提供了一种口腔图像处理装置20，如图3中所示，该口腔图像处理装置20可以包括图像获取模块210、二值化模块220和质量评估模块230，其中：
图像获取模块210，用于获取待处理口腔图像，待处理口腔图像中包括进行根管填充后的根尖片；
二值化模块220，用于对待处理口腔图像进行二值化处理，得到二值图像；
质量评估模块230，用于根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
可选的，该装置还包括：
裁剪模块，用于对二值图像进行裁剪，得到包含根管填充区的第一图像；对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像；
上述质量评估模块230在根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果时，具体用于：
根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
可选的，上述裁剪模块在对二值图像进行裁剪，得到包含根管填充区的第一图像时，具体用于：
根据二值图像，确定根管填充区在二值图像中的位置；
根据根管填充区在二值图像中的位置，对二值图像进行裁剪，得到包含根管填充区的第一图像；
上述裁剪模块在对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像时，具体用于：
根据第一图像，确定根管填充区在待处理口腔图像中的第二位置；
根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
可选的，上述裁剪模块在根据第二位置，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像时，具体用于：
根据第二位置，在待处理口腔图像中与第二位置对应位置生成裁剪包围框；
扩大裁剪包围框，得到扩大后的包围框；
根据扩大后的包围框，对待处理口腔图像进行裁剪，得到包含根管填充区的第二图像。
可选的，上述裁剪模块在根据待处理口腔图像和二值图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果时，具体用于：
分别提取待处理口腔图像的第一图像特征和二值图像的第二图像特征，其中，上述第一图像特征为根管填充区的区域特征，上述第二图像特征为根管填充区的边缘特征；
根据第一图像特征和第二图像特征，评估待处理口腔图像中根管填充区的填充质量，得到评估结果。
可选的，上述对二值图像进行裁剪，得到包含根管填充区的第一图像的处理过程是通过根管填充分割模型实现的，其中，上述根管填充分割模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像中均包括进行根管填充后的根尖片；
对每个样本图像进行二值处理，得到二值图像，每个二值图像中的每个像素点对应一个分割标注结果，对于每个二值图像中的每个像素点，分割标注结果表征了该像素点属于二值图像中的根管填充区或者属于非根管填充区；
根据各二值图像对第一初始模型进行训练，直到第一初始模型的损失值满足第一训练结束条件，将满足第一训练结束条件时对应的第一初始模型作为根管填充分割模型，
其中，第一初始模型的输入为各二值图像，输出为各二值图像对应的预测分割结果，第一初始模型的损失值表征了各二值图像对应的预测分割结果与分割标注结果之间的差异；
上述根据第一图像和第二图像，评估待处理口腔图像中根管填充区的填充质量，得到评估结果的处理过程是通过根管填充质量类别识别模型实现的，其中，上述根管填充质量类别识别模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像对应一个质量标注结果，质量标注结果为恰填、欠填或超填中的任一项；
对于每个样本图像，确定样本图像对应的第一图像和第二图像，将每个样本图像对应的第一图像和第二图像作为一个样本图像对；
根据各样本图像对，对第二初始模型进行训练，直到第二初始模型的损失值满足第二训练结束条件，将满足第二训练结束条件时对应的第二初始模型作为根管填充质量类别识别模型；
其中，第二初始模型的输入为各样本图像对，输出为各样本图像对对应的预测质量评估结果，第二初始模型的损失值表征了各样本图像对对应的预测质量评估结果与质量标注结果之间的差异。
可选的，上述二值化模块220在对待处理口腔图像进行二值化处理，得到二值图像之前，该装置还包括：
预处理模块，对待处理口腔图像进行灰度值归一化处理，得到处理后的口腔图像。
本发明实施例的口腔图像处理装置可执行本发明实施例所提供的口腔图像处理方法，其实现原理相类似，本发明各实施例中的口腔图像处理装置中的各模块、单元所执行的动作是与本发明各实施例中的口腔图像处理方法中的步骤相对应的，对于口腔图像处理装置的各模块的详细功能描述具体可以参见前文中所示的对应的口腔图像处理方法中的描述，此处不再赘述。
其中，上述口腔图像处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该口腔图像处理装置为一个应用软件；该装置可以用于执行本发明实施例提供的方法中的相应步骤。
在一些实施例中，本发明实施例提供的口腔图像处理装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的口腔图像处理装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的口腔图像处理方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
在另一些实施例中，本发明实施例提供的口腔图像处理装置可以采用软件方式实现，图3示出了存储在存储器中的口腔图像处理装置，其可以是程序和插件等形式的软件，并包括一系列的模块，包括图像获取模块210、二值化模块220和质量评估模块230，用于实现本发明实施例提供的口腔图像处理方法。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备，如图4所示，图4所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本发明实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器4003用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备也可以是终端设备，图4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
根据本发明的另一个方面，还提供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储介质中。计算机设备的处理器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上述各种实施例实现方式中提供的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解的是，附图中的流程图和框图，图示了按照本发明各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种口腔图像处理方法，其特征在于，包括：
获取待处理口腔图像，所述待处理口腔图像中包括进行根管填充后的根尖片；
对所述待处理口腔图像进行二值化处理，得到二值图像；
根据所述待处理口腔图像和所述二值图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
对所述二值图像进行裁剪，得到包含根管填充区的第一图像；
对所述待处理口腔图像进行裁剪，得到包含所述根管填充区的第二图像；
所述根据所述待处理口腔图像和所述二值图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
根据所述第一图像和所述第二图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果。
3.根据权利要求2所述的方法，其特征在于，所述对所述二值图像进行裁剪，得到包含根管填充区的第一图像，包括：
根据所述二值图像，确定所述根管填充区在所述二值图像中的第一位置；
根据所述第一位置，对所述二值图像进行裁剪，得到包含根管填充区的第一图像；
所述对所述待处理口腔图像进行裁剪，得到包含所述根管填充区的第二图像，包括：
根据所述第一图像，确定所述根管填充区在所述待处理口腔图像中的第二位置；
根据所述第二位置，对所述待处理口腔图像进行裁剪，得到包含所述根管填充区的第二图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二位置，对所述待处理口腔图像进行裁剪，得到包含所述根管填充区的第二图像，包括：
根据所述第二位置，在所述待处理口腔图像中与所述第二位置对应位置生成裁剪包围框；
扩大所述裁剪包围框，得到扩大后的包围框；
根据所述扩大后的包围框，对所述待处理口腔图像进行裁剪，得到包含所述根管填充区的第二图像。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述待处理口腔图像和所述二值图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果，包括：
分别提取所述待处理口腔图像的第一图像特征和所述二值图像的第二图像特征，其中，所述第一图像特征为所述根管填充区的区域特征，所述第二图像特征为所述根管填充区的边缘特征；
根据所述第一图像特征和所述第二图像特征，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果。
6.根据权利要求2至4中任一项所述的方法，其特征在于，所述对所述二值图像进行裁剪，得到包含根管填充区的第一图像的处理过程是通过根管填充分割模型实现的，其中，所述根管填充分割模型是通过以下方式训练得到的：
获取多个样本图像，每个样本图像中均包括进行根管填充后的根尖片；
对每个所述样本图像进行二值处理，得到二值图像，每个所述二值图像中的每个像素点对应一个分割标注结果，对于每个二值图像中的每个像素点，所述分割标注结果表征了该像素点属于所述二值图像中的根管填充区或者属于非根管填充区；
根据各所述二值图像对第一初始模型进行训练，直到所述第一初始模型的损失值满足第一训练结束条件，将满足所述第一训练结束条件时对应的第一初始模型作为根管填充分割模型，
其中，所述第一初始模型的输入为各二值图像，输出为各所述二值图像对应的预测分割结果，所述第一初始模型的损失值表征了各二值图像对应的预测分割结果与分割标注结果之间的差异；
所述根据所述第一图像和所述第二图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果的处理过程是通过根管填充质量类别识别模型实现的，其中，所述根管填充质量类别识别模型是通过以下方式训练得到的：
获取多个样本图像，每个所述样本图像对应一个质量标注结果，所述质量标注结果为恰填、欠填或超填中的任一项；
对于每个所述样本图像，确定所述样本图像对应的第一图像和第二图像，将所述每个样本图像对应的第一图像和第二图像作为一个样本图像对；
根据各所述样本图像对，对第二初始模型进行训练，直到所述第二初始模型的损失值满足第二训练结束条件，将满足所述第二训练结束条件时对应的第二初始模型作为所述根管填充质量类别识别模型；
其中，所述第二初始模型的输入为各样本图像对，输出为各所述样本图像对对应的预测质量评估结果，所述第二初始模型的损失值表征了各样本图像对对应的预测质量评估结果与质量标注结果之间的差异。
7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述对所述待处理口腔图像进行二值化处理，得到二值图像之前，还包括：
对所述待处理口腔图像进行灰度值归一化处理，得到处理后的口腔图像。
8.一种口腔图像处理装置，其特征在于，包括：
图像获取模块，用于获取待处理口腔图像，所述待处理口腔图像中包括进行根管填充后的根尖片；
二值化模块，用于对所述待处理口腔图像进行二值化处理，得到二值图像；
质量评估模块，用于根据所述待处理口腔图像和所述二值图像，评估所述待处理口腔图像中根管填充区的填充质量，得到评估结果。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392439.XA CN114187303A (zh) | 2021-11-23 | 2021-11-23 | 口腔图像处理方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111392439.XA CN114187303A (zh) | 2021-11-23 | 2021-11-23 | 口腔图像处理方法、装置、电子设备及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114187303A true CN114187303A (zh) | 2022-03-15 |
Family
ID=80541217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111392439.XA Pending CN114187303A (zh) | 2021-11-23 | 2021-11-23 | 口腔图像处理方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114187303A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309593A (zh) * | 2023-05-23 | 2023-06-23 | 天津市中西医结合医院（天津市南开医院） | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
-
2021
- 2021-11-23 CN CN202111392439.XA patent/CN114187303A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116309593A (zh) * | 2023-05-23 | 2023-06-23 | 天津市中西医结合医院（天津市南开医院） | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
| CN116309593B (zh) * | 2023-05-23 | 2023-09-12 | 天津市中西医结合医院（天津市南开医院） | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108108739B (zh) | 图像目标区域的检测方法、装置、x射线系统及存储介质 | |
| CN107644225A (zh) | 肺部病灶识别方法、装置和实现装置 | |
| EP3848887A1 (en) | Gan network-based vehicle damage image enhancement method and apparatus | |
| CA3114650C (en) | Method and apparatus for generating three-dimensional model, device, and storage medium | |
| WO2021179471A1 (zh) | 一种人脸模糊度检测方法、装置、计算机设备及存储介质 | |
| CN111161279B (zh) | 医学图像分割方法、装置及服务器 | |
| CN110443254B (zh) | 图像中金属区域的检测方法、装置、设备和存储介质 | |
| CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN107871319B (zh) | 限束器区域的检测方法、装置、x射线系统和存储介质 | |
| CN110046627B (zh) | 一种乳腺影像识别的方法及装置 | |
| CN111815606B (zh) | 图像质量评估方法、存储介质及计算装置 | |
| CN112528764A (zh) | 人脸表情识别方法、系统、装置及可读存储介质 | |
| CN112508941A (zh) | 三维超声扫描完整性检测方法及装置 | |
| CN114187303A (zh) | 口腔图像处理方法、装置、电子设备及计算机存储介质 | |
| CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
| CN115187512B (zh) | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 | |
| CN113793316B (zh) | 一种超声扫查区域提取方法、装置、设备和存储介质 | |
| CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
| WO2021169452A1 (zh) | 甲状腺结节图像的处理方法、装置和计算机设备 | |
| CN114973268A (zh) | 文本识别方法、装置、存储介质及电子设备 | |
| CN112837317A (zh) | 基于乳腺超声图像增强的病灶分类方法、装置及存储介质 | |
| CN111161256A (zh) | 图像分割方法、图像分割装置、存储介质及电子设备 | |
| CN116778563B (zh) | 一种基于牙齿及附着龈的图像处理方法及相关设备 | |
| CN111161239B (zh) | 医学图像分析方法、装置、存储介质及计算机设备 | |
| CN116309593B (zh) | 基于数学模型的肝脏穿刺活检b超图像处理方法及系统 |
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 |