CN115797341B - 一种自动即时判定头颅侧位x光片自然头位的方法 - Google Patents

Abstract

本发明公开了一种自动即时判定头颅侧位X光片自然头位的方法，包括构建数据集，并将数据集划分为训练集、验证集和测试集；采用人工标注对数据集进行分类标记；对测试集中的头颅侧位片X光片进行预处理，以对训练集进行扩增；构建头颅侧位片X光片自然头位分类判定的神经网络模型；设置神经网络模型参数，对神经网络模型进行训练和验证；采用训练和验证后的神经网络模型对测试集中的数据进行检测，并输出自然头位识别以及头位分类结果。本发明利用卷积神经网络模型深度提取侧位片图像中的特征，能够更高效、准确地即刻评估头颅侧位拍摄时患者头部位置是否偏离自然头位，为临床治疗提供便利，提高正畸治疗精准性。

Description

一种自动即时判定头颅侧位X光片自然头位的方法

技术领域

本发明属于头颅侧位片自然头位判定的技术领域，具体涉及一种自动即时判定头颅侧位X光片自然头位的方法。

背景技术

头颅侧位片在口腔医疗中至关重要，侧位片的质量决定了正畸治疗方案、正颌手术方案的有效性与准确性。患者在进行头颅侧位片拍摄时的头位是决定头颅侧位片质量的重要因素。正确的头颅侧位片拍摄时，患者应处于放松状态，双眼平视前方，位于自然头位。由于放射影像拍摄人员往往缺乏正畸专科经验知识，因此在侧位片拍摄后难以判断患者侧位片是否处于自然头位、侧位片拍摄是否成功，从而导致患者需要在正畸医生判读后再次返回影像科进行二次拍摄，增加患者就诊次数、耽误患者治疗时间；对于基层医生而言，由于经验欠丰，往往难以判断侧位片的准确性，错误的侧位片会影响基层医生为患者制定正确的治疗计划，降低治疗精准性，甚至引发医疗纠纷。

现有判断头颅侧位片的头位倾斜角度是否属于正常范围的技术为：

如图5，正畸医生人工直接判断，其缺点是，对专科医生经验要求较高、变异性大、不同医生间意见差异性较大；

如图6，医生使用相关软件定点FH平面后判断，其缺点是，对医生定点经验要求高、耗时、效率低准确率低。对软件精度有要求、需要培训以掌握相关软件的操作方法，且部分软件操作逻辑复杂，上手困难。

且目前人工智能技术在头颅侧位片中主要应用于标志点的自动定点，对头颅侧位片中自然头位的判定应用尚缺乏研究。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种自动即时判定头颅侧位X光片自然头位的方法，以解决现有人工智能技术缺少对头颅侧位片中自然头位判定的应用的问题。

为达到上述目的，本发明采取的技术方案是：

一种自动即时判定头颅侧位X光片自然头位的方法，其包括以下步骤：

S1、选取若干张头颅侧位片X光片作为判定自然头位分类所需要的数据集，并将数据集划分为训练集、验证集和测试集；

S2、采用人工标注对数据集进行分类标记；

S3、对测试集中的头颅侧位片X光片进行预处理，以对训练集进行扩增；

S4、构建头颅侧位片X光片自然头位分类判定的神经网络模型；

S5、设置神经网络模型参数，采用扩增后的训练集和验证集对神经网络模型进行训练和验证；

S6、采用训练和验证后的神经网络模型对测试集中的数据进行检测，并输出自然头位识别以及头位分类结果。

进一步地，步骤S1中选取多种骨性类型、不同性别、不同年龄阶段、不同头位俯仰程度的头颅侧位片X光片，筛选符合质量标准、清晰度满足条件的头颅侧位片X光片作为判定自然头位分类研究所需要的数据集。

进一步地，步骤S2具体包括：

定位头颅侧位片X光片的FH平面，计算FH平面与标准水平面的夹角，将FH平面相对于标准水平面逆时针旋转定义为负，其夹角用负数表示；将FH平面相对于标准水平面顺时针旋转定义为正，夹角用正数表示；

当夹角小于-3°时，定义为头位过俯，标记为0；

当夹角为[-3°, 3°]内时，定义为自然头位，标记为1；

当夹角大于3°时，定义为头位过仰，标记为2。

进一步地，步骤S3具体包括以下步骤：

S3.1、将输入的头颅侧位片X光片的图片的尺寸转化成416×416×3的输入特征图；

S3.2、将输入特征图进行对比度、饱和度和零度随机变换处理；

S3.3、将步骤S3.2中获得的图像进行随机旋转处理；

S3.4、将步骤S3.3中获得的图像进行随机水平翻转处理；

S3.5、将步骤S3.4中获得的图像进行防射变换处理；

S3.6、将步骤S3.5中获得的图像进行随机中心裁剪处理，以扩增头颅侧位片X光片的图片；

S3.7、将步骤S3.6中扩增的所述图片进行归一化处理，并将归一化处理后的图片扩增至训练集中。

进一步地，步骤S4具体包括：

选取ResNet50网络作为基准分类模型，在残差结构中添加深度可分离卷积，以构建得到头颅侧位片X光片自然头位分类判定的改进的ResNet50网络模型；

所述残差结构为：

其中， x _L 为第L层头颅侧位X光片的输入值特征， x _l 为第 l层头颅侧位X光片的输入值特征， x _i 为第 i层头颅侧位X光片的输入值特征， h( x _l )为根据 x _l 的恒等映射计算结果，W _l 为头颅侧位X光片输入值在 l-1层的残差结果与 l层残差单元的相关权重，W _i 为头颅侧位X光片输入值在 i-1层的残差结果与 i层残差单元的相关权重，为根据（ x _l,W _l ）残差项，为根据（ x _i,W _i ）残差项， y _l 为第 l层输入值 x _l 的输出结果。

进一步地，步骤S5包括：

设置神经网络模型参数，对扩增后的训练集中的头颅侧位片X光片进行训练，深度学习提取头位过仰、自然头位、头位过俯的图像特征，通过若干次交叉验证及训练，获得头颅侧位片X光片自然头位分类判定神经网络模型，并输出自然头位识别以及头位分类结果。

本发明提供的自动即时判定头颅侧位X光片自然头位的方法，具有以下有益效果：

本发明通过改进残差网络结构中的图像输入层，将特征提取层性能与头颅侧位片X光片适配，从而更适合应用于判定自然头位的医疗场景中。

本发明基于ResNet50卷积神经网络，能够有效改善传统CNN随着层数深度增加带来的网络退化、梯度消失、梯度爆炸等影响高层网络性能的问题。

本发明通过对ResNet50模型优化改进提升模型性能，通过对于选用的ResNet50模型进行优化改进，从而进一步地提高其对于侧位片头位的角度的判断能力，和角度异常的分类性能。

本发明采取非传统定点模式，深度提取图片特征进行自动判断，即利用卷积神经网络模型提取图片特征，而非采用传统的自动定点方案，利用卷积神经网络模型深度提取侧位片图像中的特征，相较于传统自动定点后计算的模型方案，能够更高效、准确地即刻评估头颅侧位拍摄时患者头部位置是否偏离自然头位，为临床治疗提供便利，提高正畸治疗精准性。

附图说明

图1为发明流程图。

图2为传统的ResNet50 架构。

图3为修改后的ResNet50 架构。

图4为改进的ResNet50网络模型图。

图5为正畸医生人工直接判断流程图。

图6为医生使用相关软件定点FH平面后判断的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

根据本申请的一个实施例，参考图1，本方案的自动即时判定头颅侧位X光片自然头位的方法，包括以下步骤：

步骤S1、构建数据集；

选取涵盖有人群常见的多种骨性类型、不同性别、从10-60岁不同年龄阶段、不同头位俯仰程度的头颅侧位片X光片，筛选符合质量标准、清晰度满足条件的头颅侧位片X光片作为判定自然头位分类研究所需要的数据集，然后将数据集分为训练集、验证集、测试集。

步骤S2、采用人工标注对数据集进行分类标记；

本步骤的人工标注为专家标记，如采用多名正畸专家对训练集、验证集、测试集中的侧位片X光片进行，进一步定位FH平面，并计算出FH平面与标准水平面的夹角，将FH平面相对于标准水平面逆时针旋转定义为负，夹角用负数标记；将FH平面相对于标准水平面顺时针旋转定义为正，夹角用正数标记；

小于-3°定义为头位过俯，标记为0；[-3°,+3°]内定义为自然头位，标记为1；大于3°定义为头位过仰，标记为2。

步骤S3、对测试集中的头颅侧位片X光片进行预处理，以对训练集进行扩增，其具体包括以下步骤：

步骤S3.1、将输入的头颅侧位片X光片的图片的尺寸转化成416×416×3的输入特征图；

步骤S3.2、将输入特征图进行对比度、饱和度和零度随机变换处理；

步骤S3.3、将步骤S3.2中获得的图像进行随机旋转处理；

步骤S3.4、将步骤S3.3中获得的图像进行随机水平翻转处理；

步骤S3.5、将步骤S3.4中获得的图像进行防射变换处理；

步骤S3.6、将步骤S3.5中获得的图像进行随机中心裁剪处理，以扩增头颅侧位片X光片的图片；

步骤S3.7、将步骤S3.6中扩增的图片进行归一化处理，并将归一化处理后的图片扩增至训练集中。

步骤S4、构建头颅侧位片X光片自然头位分类判定的神经网络模型；

参考图4，选取ResNet50网络作为基准分类模型，在残差结构中添加深度可分离卷积，从而搭建出改进新型ResNet50网络模型。

深度残差网络，其深层网络若都为恒等映射，那么模型退化为浅层网络。直接让层去拟合现在的恒等映射函数H(x) = x，比较困难，但是将网络设计为H(x) = F(x) + x，可以将其转化为学习一个残差函数F(x) = H(x) -x，只要F(x) = 0, 就可构成一个恒等映射H(x) = x，拟合残差更容易；其中，H(x)为恒等映射，x为输入特征，F(x)为残差项。

残差结构的基本公式：

通过递归，可以得到任意深层单元L的特征的表达：

其中， x _L 为第L层头颅侧位X光片的输入值特征， x _l 为第 l层头颅侧位X光片的输入值特征， x _i 为第 i层头颅侧位X光片的输入值特征， h( x _l )为根据 x _l 的恒等映射计算结果，W _l 为头颅侧位X光片输入值在 l-1层的残差结果与 l层残差单元的相关权重，W _i 为头颅侧位X光片输入值在 i-1层的残差结果与 i层残差单元的相关权重，为根据（ x _l,W _l ）残差项，为根据（ x _i,W _i ）残差项， y _l 为第 l层输入值 x _l 的输出结果。

对于任意深的单元L的特征可以表达为浅层单元l的特征加上一个形如的残差函数。

步骤S5、设置神经网络模型参数，采用扩增后的训练集和验证集对神经网络模型进行训练和验证；

设置网络模型参数，选择优化方法对扩增后的训练集中的头颅侧位片X光片进行训练，深度学习提取头位过仰、自然头位、头位过俯的图像特征，通过10次交叉验证及训练，获得侧位片X光片自然头位分类判定神经网络模型。

具体的，本步骤对 ResNet50 架构进行修改，以达到预测自然头位分类的高效性能，其具体改进如下：

参考图2和图3，更改预训练的 ResNet50 架构的最后三层—全连接层、softmax层和分类层，以使其适应分类任务。

原始预训练网络中的全连接层被另一个全连接层替换，其中输出大小代表案例中的两个类，Covid 和 Non-Covid。

将“Conv”、“Batch Normaliz”和“Activation Relu”三个层添加到 ResNet50 架构中，以自动提取头颅侧位X光片中的鲁棒特征。

上述的层是卷积层，然后是批归一化层，然后是激活层，三层的添加按以下步骤完成：

'activation 49 relu' 层与 'avg pool' 层断开连接，连接到新添加的 'Conv'层；

新增的‘activation relu’层连接到‘avg pool’层；

'avg pool' 层之后是最后三个新添加的层 'fully connected', 'softmax' 和'ClassificationLayer'。

对应于本实施例：

输出为：自然头位、头位过仰、头位过俯；

其中，Conv为卷积层；

Batch Normaliz: 批量标准化；

Activation Relu: 激活函数(ReLU函数)

Avg pool: 平均池化层；

Fully connected: 全连接层；

Softmax: 全连接层；

ClassificationLayer: 分类输出层；

图2 描绘了修改前的 ResNet50 架构，图 3展示了注入新层后修改后的架构。输入图像通过修改后的网络模型获取数据集中每个图像的特征，然后使用网络分类器将其分类为头位过仰、自然头位、头位过俯，所提出的模型针对头位的分类进行了训练。

步骤S6、神经网络模型测试；

使用训练及验证后的头颅侧位片X光片自然头位分类判定神经网络模型检测测试集中的X光片，得到最终的自然头位识别以及分类结果。

将预测结果与实际情况进行对比，获得准确度，并与其他常用的神经网络模型进行对比。向ResNet50 插入更多三层可以提取更稳健的特征，通过将三个提议的层添加到ResNet50 模型，提高了准确性，与其他的模型进行比较，本发明具有更高的效率的准确度。

传统的卷积神经网络（CNN），随着卷积网络的不断发展，其卷积层数也越来越多，深度越深，提取的特征越高级，性能也越好。但是传统的CNN随着层数深度层架会面临网络退化、梯度消失，使得高层网络的性能下降。

残差网络（ResNet）的出现可以解决梯度问题，层数的增加可以使其表达更好的特征，性能也更强。同时残差中1*1的卷积也使得参数量减少，一定程度上可以减少计算量。同时其也可以解决网络退化的问题，残差网络中恒等映射的梯度是1，可以将深层的梯度回传，防止梯度消失。残差网络中的skip connection可以让模型自行选择是否更新，弥补了高度线性造成的不可逆的信息损失。残差网络解决了传统卷积网络中图像相邻像素梯度的局部相关性越来越低的问题。本发明通过改进残差网络结构中的图像输入层、将特征提取层性能与侧位片X光片适配，从而更适合应用于判定自然头位的医疗场景中。

虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

Claims (4)

1.一种自动即时判定头颅侧位X光片自然头位的方法，其特征在于，包括以下步骤：

S1、选取若干张头颅侧位片X光片作为判定自然头位分类所需要的数据集，并将数据集划分为训练集、验证集和测试集；

S2、采用人工标注对数据集进行分类标记，具体包括：

定位头颅侧位片X光片的FH平面，计算FH平面与标准水平面的夹角，将FH平面相对于标准水平面逆时针旋转定义为负，其夹角用负数表示；将FH平面相对于标准水平面顺时针旋转定义为正，夹角用正数表示；

当夹角小于-3°时，定义为头位过俯，标记为0；

当夹角为[-3°, 3°]内时，定义为自然头位，标记为1；

当夹角大于3°时，定义为头位过仰，标记为2；

S3、对测试集中的头颅侧位片X光片进行预处理，以对训练集进行扩增；

S4、构建头颅侧位片X光片自然头位分类判定的神经网络模型，具体包括：

选取ResNet50网络作为基准分类模型，在残差结构中添加深度可分离卷积，以构建得到头颅侧位片X光片自然头位分类判定的改进的ResNet50网络模型；

所述残差结构为：

其中，x _L 为第L层头颅侧位X光片的输入值特征，x _l 为第l层头颅侧位X光片的输入值特征，x _i 为第i层头颅侧位X光片的输入值特征，h(x _l )为根据x _l 的恒等映射映射计算结果，W _l 为头颅侧位X光片输入值在l-1层的残差结果与 l层残差单元的相关权重，W _i 为头颅侧位X光片输入值在i-1层的残差结果与 i层残差单元的相关权重，为根据（x _l, W _l ）残差项， 为根据（x _i, W _i ）残差项，y _l 为第l层输入值x _l 的输出结果；

S5、设置神经网络模型参数，采用扩增后的训练集和验证集对神经网络模型进行训练和验证；

S6、采用训练和验证后的神经网络模型对测试集中的数据进行检测，并输出自然头位识别以及头位分类结果。

2.根据权利要求1所述的自动即时判定头颅侧位X光片自然头位的方法，其特征在于：所述步骤S1中选取多种骨性类型、不同性别、不同年龄阶段、不同头位俯仰程度的头颅侧位片X光片，筛选符合质量标准、清晰度满足条件的头颅侧位片X光片作为判定自然头位分类研究所需要的数据集。

3.根据权利要求1所述的自动即时判定头颅侧位X光片自然头位的方法，其特征在于，所述步骤S3具体包括以下步骤：

S3.1、将输入的头颅侧位片X光片的图片的尺寸转化成416×416×3的输入特征图；

S3.2、将输入特征图进行对比度、饱和度和零度随机变换处理；

S3.3、将步骤S3.2中获得的图像进行随机旋转处理；

S3.4、将步骤S3.3中获得的图像进行随机水平翻转处理；

S3.5、将步骤S3.4中获得的图像进行防射变换处理；

S3.6、将步骤S3.5中获得的图像进行随机中心裁剪处理，以扩增头颅侧位片X光片的图片；

S3.7、将步骤S3.6中扩增的所述图片进行归一化处理，并将归一化处理后的图片扩增至训练集中。

4.根据权利要求1所述的自动即时判定头颅侧位X光片自然头位的方法，其特征在于，所述步骤S5包括：

设置神经网络模型参数，对扩增后的训练集中的头颅侧位片X光片进行训练，深度学习提取头位过仰、自然头位、头位过俯的图像特征，通过若干次交叉验证及训练，获得头颅侧位片X光片自然头位分类判定神经网络模型，并输出自然头位识别以及头位分类结果。

Images