CN115393314A - 一种基于深度学习的口腔医疗图像识别方法及系统 - Google Patents
一种基于深度学习的口腔医疗图像识别方法及系统 Download PDFInfo
- Publication number
- CN115393314A CN115393314A CN202211012145.4A CN202211012145A CN115393314A CN 115393314 A CN115393314 A CN 115393314A CN 202211012145 A CN202211012145 A CN 202211012145A CN 115393314 A CN115393314 A CN 115393314A
- Authority
- CN
- China
- Prior art keywords
- image
- oral
- medical image
- deep learning
- data set
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000000214 mouth Anatomy 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003239 periodontal effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 208000026062 Tissue disease Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000028169 periodontal disease Diseases 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025157 Oral disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000332 tooth crown Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提出了一种基于深度学习的口腔医疗图像识别方法及系统，涉及口腔医学领域。一种基于深度学习的口腔医疗图像识别方法包括：获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。能够基于深度学习的口腔医疗图像识别，不再仅仅得到单张图像的预测结果，而且可以同时得到整个病人的预测结果。此外本申请还提出了一种基于深度学习的口腔医疗图像识别系统。
Description
技术领域
本申请涉及口腔医学领域，具体而言，涉及一种基于深度学习的口腔医疗图像识别方法及系统。
背景技术
我国的国情是人口基数大，从卫生医疗资源投入、卫生服务的可及性和利用程度及卫生健康水平看，城乡和地区之间还存在较大的发展不平衡现象，人民日益增长的口腔病变早期筛查和诊断的需求与目前有限的医疗资源之间的矛盾越发突出。
目前，深度学习技术已广泛应用于各类图像处理任务中，例如在传统图像任务中，目前很多安防摄像头都采用深度学习技术进行图像处理，相比于使用传统特征的方法，取得了更好的识别效果；在医疗图像中，肺结节检测也是通过深度学习技术很好地找到病人的结节位置，从而实现计算机辅助诊断。
在传统图像处理中，一般采用多层卷积神经网络作为提取特征的主要结构，再针对不同的任务，在基本结构上加上不同的结构。对于分类问题，主流的技术都是将图像输入到网络中，得到它对应于每个类的概率，最终取概率最高的类作为最终的类别。但相比于传统图像，医疗图像往往包含了很多张图像，而不仅仅是一张图像，所以传统的分类方法并不能很好的应用于医疗图像。
计算机的深度学习模型具有很强的特征学习能力，在图像分类识别领域有着重要应用，因此利用计算机对缺陷口腔医疗图像进行处理分析，能够适当提高缺陷口腔医疗检测的准确性。随着计算机图像识别技术的发展并在口腔临床中日渐普及，利用深度学习方法对缺陷口腔医疗X线片图像进行识别，通过设计计算机软件可以实现辅助判别，提高口腔医疗病症的临床检测敏感性/特异性及准确性，为医师后续对缺陷口腔医疗的早期诊断或早期干预提供参考，最大限度保存口腔组织，提高人体健康水平。
发明内容
本申请的目的在于提供一种基于深度学习的口腔医疗图像识别方法，其能够基于深度学习的口腔医疗图像识别，不再仅仅得到单张图像的预测结果，而且可以同时得到整个病人的预测结果。
本申请的另一目的在于提供一种基于深度学习的口腔医疗图像识别系统，其能够运行一种基于深度学习的口腔医疗图像识别方法。
本申请的实施例是这样实现的：
第一方面，本申请实施例提供一种基于深度学习的口腔医疗图像识别方法，其包括获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
在本申请的一些实施例中，上述获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像包括：对口腔医疗图像数据集和原始图像进行预处理，去掉异常的图像数据，同时将口腔图像数据正规化。
在本申请的一些实施例中，上述还包括：对口腔医疗图像中的口腔局部照进行标注，得到样本数据集，并且基于样本数据集，按照口腔疾病类型进行标注，从而得到口腔医疗图像数据集。
在本申请的一些实施例中，上述对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像包括：使用基于开的重建和基于闭的重建标记口腔医疗图像的前景与背景，再对口腔医疗图像的水平与垂直方向采用分割函数做边缘检测计算，分割口腔医疗图像区域。
在本申请的一些实施例中，上述还包括：对口腔医疗图像进行图个分割，得到至少一个不低于224像素、10倍放大的图块。
在本申请的一些实施例中，上述将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果包括：神经网络模型为图卷积神经网络GCN模型、图神经网络GNN模型、ShuffleNet-V2模型或EfficientNet模型。
在本申请的一些实施例中，上述还包括：使用RGB图像进行提取通过不同颜色分量来表示彩色图像，预处理后的目标口腔图像数据集，即RGB图像，直接作为神经网络模型的输入图像。
第二方面，本申请实施例提供一种基于深度学习的口腔医疗图像识别系统，其包括图像采集模块，用于获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；
图像处理模块，用于对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；
识别模块，用于将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
在本申请的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：图像采集模块、图像处理模块及识别模块。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种基于深度学习的口腔医疗图像识别方法中任一项的方法。
相对于现有技术，本申请的实施例至少具有如下优点或有益效果：
能够基于深度学习的口腔医疗图像识别，不再仅仅得到单张图像的预测结果，而且可以同时得到整个病人的预测结果。排除了人为，环境，仪器设备等涉及到的主观误差因素，做到省时省力。采用深度学习的自主学习行为，随着输入图像的改变，本发明能够重新组织已有的知识结构，不断改善自身的性能，提高识别精度，从而降低病理医生的工作强度，降低漏诊或误诊的可能性，提高口腔医师的诊疗水平。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于深度学习的口腔医疗图像识别方法步骤示意图；
图2为本申请实施例提供的一种基于深度学习的口腔医疗图像识别方法详细步骤示意图；
图3为本申请实施例提供的一种基于深度学习的口腔医疗图像识别系统模块示意图；
图4为本申请实施例提供的一种电子设备。
图标：10-图像采集模块；20-图像处理模块；30-识别模块；101-存储器；102-处理器；103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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。
需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1为本申请实施例提供的一种基于深度学习的口腔医疗图像识别方法步骤示意图，其如下所示：
步骤S100，获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；
在一些实施方式中，例如口腔医疗图像数据集中有缺陷牙齿图像，可以采用边缘检测的分割算法对牙齿图像数据集进行图像分割，分离出牙齿根部、牙齿冠部和背景区域，得到区域分割后的图像。也可以使用Python的Openslide模块将口腔医疗图像切割为图块，同时排除背景多于50％的图块；其中，图块为病理切片或组织芯片的224像素、20倍放大的图片。
步骤S110，对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；
在一些实施方式中，采用高斯低通滤波器滤去原始图像的噪声用以减少伪边缘的识别，并用canny算子提取原始图像的边缘特征，得到边缘提取后的图像；将原始图像与区域分割后的图像以及边缘提取后的图像分别叠加，得到区域分割叠加图像和边缘提取叠加图像；保留原始图像细节并加强原始图像的边缘与区域信息，用以增强分割区域与边缘提取特性。
步骤S120，将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
在一些实施方式中，采用matlab中的trainingImageLabeler(TIL)对原始图像手动框选标识存在问题的区域，用以建立用于深度学习模型的训练数据集；同一张图片中可以有一个或者多个任意或者相同种类的标识框，在手动标记完成后，使用matlab自带工具将数据导出为table格式；采用深度学习的卷积神经网络cifar10Net模型，针对口腔医疗，对深度学习的卷积神经网络cifar10Net模型的全连接层进行网络结构微调；采用网络结构微调后的深度学习的卷积神经网络cifar10Net模型对口腔医疗图像数据集进行迁移学习，训练并优化深度学习的卷积神经网络cifar10Net模型结构与参数；保存训练好的深度学习的卷积神经网络cifar10Net模型。
实施例2
请参阅图2，图2为本申请实施例提供的一种基于深度学习的口腔医疗图像识别方法详细步骤示意图，其如下所示：
步骤S200，对口腔医疗图像数据集和原始图像进行预处理，去掉异常的图像数据，同时将口腔图像数据正规化。
步骤S210，对口腔医疗图像中的口腔局部照进行标注，得到样本数据集，并且基于样本数据集，按照口腔疾病类型进行标注，从而得到口腔医疗图像数据集。
步骤S220，使用基于开的重建和基于闭的重建标记口腔医疗图像的前景与背景，再对口腔医疗图像的水平与垂直方向采用分割函数做边缘检测计算，分割口腔医疗图像区域。
步骤S230，对口腔医疗图像进行图个分割，得到至少一个不低于224像素、10倍放大的图块。
步骤S240，神经网络模型为图卷积神经网络GCN模型、图神经网络GNN模型、ShuffleNet-V2模型或EfficientNet模型。
步骤S250，使用RGB图像进行提取通过不同颜色分量来表示彩色图像，预处理后的目标口腔图像数据集，即RGB图像，直接作为神经网络模型的输入图像。
在一些实施方式中，利用训练样本集对搭建好的神经网络模型进行训练，并获得训练完成的神经网络模型；训练过程中，分两大批次送入图像进行训练。以牙周组织疾病为例，首批次输入16张牙周组织图像，第二批次输入8张牙周组织图像，输入的图像完成训练后，视为完成了一个批次的训练，训练样本集中的全部牙周组织疾病图像完成一次训练后，视为完成一轮训练；设定训练轮数为适当轮数，当训练轮数达到指定轮数后停止训练，并自动保存训练效果最好的一轮结果作为训练好的牙周组织疾病筛查模型；其中训练效果最好是指模型识别正确率最高；检测模块用于加载训练完成的神经网络模型，利用测试样本集对训练好的神经网络模型进行验证；将保存好的模型加载到未设置参数的网络上，将测试样本数据集的牙周组织图像输入到已训练好的牙周组织疾病网络中得到输出，将输出结果与专业医师标记结果进行对比，计算准确率，以验证模型的效果。
实施例3
请参阅图3，图3为本申请实施例提供的一种基于深度学习的口腔医疗图像识别系统模块示意图，其如下所示：
图像采集模块10，用于获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；
图像处理模块20，用于对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；
识别模块30，用于将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
如图4所示，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器101(Random Access Memory，RAM)，只读存储器101(Read Only Memory，ROM)，可编程只读存储器101(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器101(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器102，包括中央处理器102(Central Processing Unit，CPU)、网络处理器102(Network Processor，NP)等；还可以是数字信号处理器102(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、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，所述模块、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方式中，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，两个连续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动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
另一方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器101(ROM，Read-Only Memory)、随机存取存储器101(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种基于深度学习的口腔医疗图像识别方法及系统，能够基于深度学习的口腔医疗图像识别，不再仅仅得到单张图像的预测结果，而且可以同时得到整个病人的预测结果。排除了人为，环境，仪器设备等涉及到的主观误差因素，做到省时省力。采用深度学习的自主学习行为，随着输入图像的改变，本发明能够重新组织已有的知识结构，不断改善自身的性能，提高识别精度，从而降低病理医生的工作强度，降低漏诊或误诊的可能性，提高口腔医师的诊疗水平。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于深度学习的口腔医疗图像识别方法，其特征在于，包括：
获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；
对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；
将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
2.如权利要求1所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，所述获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像包括：
对口腔医疗图像数据集和原始图像进行预处理，去掉异常的图像数据，同时将口腔图像数据正规化。
3.如权利要求2所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，还包括：
对口腔医疗图像中的口腔局部照进行标注，得到样本数据集，并且基于样本数据集，按照口腔疾病类型进行标注，从而得到口腔医疗图像数据集。
4.如权利要求1所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，所述对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像包括：
使用基于开的重建和基于闭的重建标记口腔医疗图像的前景与背景，再对口腔医疗图像的水平与垂直方向采用分割函数做边缘检测计算，分割口腔医疗图像区域。
5.如权利要求4所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，还包括：
对口腔医疗图像进行图个分割，得到至少一个不低于224像素、10倍放大的图块。
6.如权利要求1所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，所述将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果包括：
神经网络模型为图卷积神经网络GCN模型、图神经网络GNN模型、ShuffleNet-V2模型或EfficientNet模型。
7.如权利要求6所述的一种基于深度学习的口腔医疗图像识别方法，其特征在于，还包括：
使用RGB图像进行提取通过不同颜色分量来表示彩色图像，预处理后的目标口腔图像数据集，即RGB图像，直接作为神经网络模型的输入图像。
8.一种基于深度学习的口腔医疗图像识别系统，其特征在于，包括：
图像采集模块，用于获取口腔医疗图像数据集和原始图像，采用基于边缘检测的分割算法对口腔医疗图像数据集进行图像分割，得到区域分割后的图像；
图像处理模块，用于对分割后的图像进行数据增强，并通过预设滤波器滤去原始图像的噪声用以减少伪边缘的识别，得到目标口腔图像；
识别模块，用于将目标口腔图像输入基于深度学习建立的神经网络模型，经过模型分类后，输出口腔医疗图像识别结果。
9.如权利要求8所述的一种基于深度学习的口腔医疗图像识别系统，其特征在于，包括：
用于存储计算机指令的至少一个存储器；
与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述系统执行：图像采集模块、图像处理模块及识别模块。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211012145.4A CN115393314A (zh) | 2022-08-23 | 2022-08-23 | 一种基于深度学习的口腔医疗图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211012145.4A CN115393314A (zh) | 2022-08-23 | 2022-08-23 | 一种基于深度学习的口腔医疗图像识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115393314A true CN115393314A (zh) | 2022-11-25 |
Family
ID=84121534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211012145.4A Pending CN115393314A (zh) | 2022-08-23 | 2022-08-23 | 一种基于深度学习的口腔医疗图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115393314A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385756A (zh) * | 2022-12-19 | 2023-07-04 | 中国医学科学院北京协和医院 | 基于增强标注和深度学习的医学图像识别方法及相关装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859203A (zh) * | 2019-02-20 | 2019-06-07 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| CN112364924A (zh) * | 2020-11-16 | 2021-02-12 | 南京大学 | 一种基于深度学习的口腔医疗图像识别方法 |
| CN114494106A (zh) * | 2021-11-04 | 2022-05-13 | 西安工业大学 | 一种基于深度学习多特征融合的口腔粘膜性疾病识别方法 |
-
2022
- 2022-08-23 CN CN202211012145.4A patent/CN115393314A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859203A (zh) * | 2019-02-20 | 2019-06-07 | 福建医科大学附属口腔医院 | 基于深度学习的缺陷牙齿图像识别方法 |
| CN112364924A (zh) * | 2020-11-16 | 2021-02-12 | 南京大学 | 一种基于深度学习的口腔医疗图像识别方法 |
| CN114494106A (zh) * | 2021-11-04 | 2022-05-13 | 西安工业大学 | 一种基于深度学习多特征融合的口腔粘膜性疾病识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116385756A (zh) * | 2022-12-19 | 2023-07-04 | 中国医学科学院北京协和医院 | 基于增强标注和深度学习的医学图像识别方法及相关装置 |
| CN116385756B (zh) * | 2022-12-19 | 2023-10-17 | 中国医学科学院北京协和医院 | 基于增强标注和深度学习的医学图像识别方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111985536B (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN110120040B (zh) | 切片图像处理方法、装置、计算机设备和存储介质 | |
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
| CN109241967B (zh) | 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质 | |
| Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
| Cruz et al. | Determination of blood components (WBCs, RBCs, and Platelets) count in microscopic images using image processing and analysis | |
| AU2018349026A2 (en) | Bone marrow cell marking method and system | |
| KR20130136519A (ko) | 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램 | |
| CN113793301B (zh) | 基于稠密卷积网络模型的眼底影像分析模型的训练方法 | |
| US20220130047A1 (en) | Diagnostic imaging for diabetic retinopathy | |
| CN115526834A (zh) | 免疫荧光图像检测方法及装置、设备、存储介质 | |
| CN115393314A (zh) | 一种基于深度学习的口腔医疗图像识别方法及系统 | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
| CN114757908A (zh) | 基于ct影像的图像处理方法、装置、设备及存储介质 | |
| CN112990339B (zh) | 胃病理切片图像分类方法、装置及存储介质 | |
| CN116524315A (zh) | 一种基于Mask R-CNN的肺癌病理组织切片识别及分割方法 | |
| Abdullah et al. | A new procedure for lung region segmentation from computed tomography images | |
| CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
| WO2019223121A1 (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN117522862A (zh) | 一种基于ct影像肺炎识别的图像处理方法及处理系统 | |
| CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
| CN112598603A (zh) | 一种基于卷积神经网络的口腔龋病图像智能识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221125 |