CN116246779B - 基于用户影像数据的牙科诊疗方案生成方法及系统 - Google Patents
基于用户影像数据的牙科诊疗方案生成方法及系统 Download PDFInfo
- Publication number
- CN116246779B CN116246779B CN202310522669.6A CN202310522669A CN116246779B CN 116246779 B CN116246779 B CN 116246779B CN 202310522669 A CN202310522669 A CN 202310522669A CN 116246779 B CN116246779 B CN 116246779B
- Authority
- CN
- China
- Prior art keywords
- user
- data information
- correction
- result
- clustering
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 110
- 210000000214 mouth Anatomy 0.000 claims abstract description 52
- 238000003702 image correction Methods 0.000 claims abstract description 34
- 230000036541 health Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 33
- 230000007547 defect Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000001575 pathological effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 208000018035 Dental disease Diseases 0.000 claims description 6
- 208000014151 Stomatognathic disease Diseases 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003706 image smoothing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 description 12
- 230000008451 emotion Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 210000004262 dental pulp cavity Anatomy 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 208000002925 dental caries Diseases 0.000 description 4
- 230000008909 emotion recognition Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000009019 Pericoronitis Diseases 0.000 description 1
- 201000004328 Pulpitis Diseases 0.000 description 1
- 206010037464 Pulpitis dental Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 201000001245 periodontitis Diseases 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/70—
-
- G06T5/77—
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明涉及一种基于用户影像数据的牙科诊疗方案生成方法及系统,属于医疗技术领域,本发明通过基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。一方面,通过本方法能够对修正牙齿的外轮廓模型与实际的位置的偏差,从而牙科医生对用户口腔数据的精准识别。另一方面,本发明充分考虑了用户的个人健康数据以及牙科诊疗方案的相关性,更好地辅助牙科医生判断诊疗方案的合理性。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及基于用户影像数据的牙科诊疗方案生成方法及系统。
背景技术
随着人们口腔健康意识的增强和牙齿美观要求的提高,口腔治疗以及牙齿矫正需求量越来越大,牙科医生的劳动强度亦越来越高。现有的手段中,首先是使用CBCT设备拍摄用户的口腔图像,供给牙科医生观看以及判断,但是口腔图像不能够更好地显现用户的口腔特征情况,因此,需要一种诊疗系统来辅助医生进行精确判断用户的口腔特征。
发明内容
本发明克服了现有技术的不足,提供了基于用户影像数据的牙科诊疗方案生成方法及系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种基于用户影像数据的牙科诊疗方案生成方法,包括以下步骤:
获取用户的口腔影像数据信息,并通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。
优选的,其中,通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息,具体包括以下步骤:
通过对用户的口腔影像数据信息中的阴影部分进行去除,并对用户的口腔影像数据信息进行灰度转换,消除图像色调以及饱和度,并保留相应的图像亮度;
通过均值滤波法对灰度转换后的图像进行滤波处理,并消除孤立的噪声点,获取图像平滑处理结果,并通过canny算子对图像平滑处理结果进行感兴趣区域进行特征处理,获取用户的口腔影像数据预处理结果;
通过高斯金字塔对用户的口腔影像数据预处理结果进行两次采样,得到新图像,并对新图像的灰度值进行映射,得到图像灰度变化直方图,根据图像灰度变化直方图生成降维后的口腔特征影像数据信息。
优选的,根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果,具体包括以下步骤:
提取降维后的口腔特征影像数据信息中的局部极值,按照局部极值的个数作为初始聚类中心的个数,并根据初始聚类中心的个数初始化聚类中心;
依次求取降维后的口腔特征影像数据信息中每个像素点与聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断边缘权重值是否大于预设边缘权重值;
若边缘权重值大于预设边缘权重值,则将该像素点划分到聚类中心对应的类簇中,若边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果。
优选的,基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果,具体包括以下步骤:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
根据聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过聚类修正模型计算出聚类修正项,并将聚类修正对初始修正聚类结果进行修正,生成口腔特征影像修正结果。
优选的,根据口腔特征影像修正结果获取用户的口腔特征数据信息,具体包括:
根据口腔特征影像修正结果获取用户各个牙齿的影像数据信息,并根据用户各个牙齿的影像数据信息获取每个牙齿的轮廓特征数据信息;
根据每个牙齿的轮廓特征数据信息通过三维建模软件构建各个牙齿的三维模型图,获取有内部缺陷的牙齿模型数据以及无缺陷的牙齿模型数据,并按照预设方式显示;
根据有内部缺陷的牙齿模型数据以及无缺陷的牙齿模型数据生成用户的口腔特征数据信息,并将用户的口腔特征数据信息进行输出。
优选的,基于用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
通过对牙科诊疗方案设置关键词信息,并根据所述关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
引入注意力机制,并根据所述注意力机制计算每一种所述各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据所述注意力分数进行从大到小排序,生成排序结果,并根据所述排序结果映射到所述牙科诊疗方案知识图谱的空间中;
获取牙科医生输入的病理特征数据信息,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
本发明第二方面提供了一种基于用户影像数据的牙科诊疗方案生成系统,该系统包括存储器以及处理器,存储器中包含基于用户影像数据的牙科诊疗方案生成方法程序,基于用户影像数据的牙科诊疗方案生成方法程序被处理器执行时,实现如下步骤:
获取用户的口腔影像数据信息,并通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。
在本实施例中,根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果,具体包括以下步骤:
提取降维后的口腔特征影像数据信息中的局部极值,按照局部极值的个数作为初始聚类中心的个数,并根据初始聚类中心的个数初始化聚类中心;
依次求取降维后的口腔特征影像数据信息中每个像素点与聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断边缘权重值是否大于预设边缘权重值;
若边缘权重值大于预设边缘权重值,则将该像素点划分到聚类中心对应的类簇中,若边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果。
在本实施例中,基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果,具体包括以下步骤:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
根据聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过聚类修正模型计算出聚类修正项,并将聚类修正对初始修正聚类结果进行修正,生成口腔特征影像修正结果。
在本实施例中,基于用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
通过对牙科诊疗方案设置关键词信息,并根据所述关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
引入注意力机制,并根据所述注意力机制计算每一种所述各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据所述注意力分数进行从大到小排序,生成排序结果,并根据所述排序结果映射到所述牙科诊疗方案知识图谱的空间中;
获取牙科医生输入的病理特征数据信息,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
本发明解决了背景技术中存在的缺陷,具备以下有益效果:
本发明通过获取用户的口腔影像数据信息,并通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。一方面,通过本方法能够修正牙齿外轮廓模型的偏差,从而有利于牙科医生对用户口腔情况的精准识别。另一方面,本发明充分考虑了用户的个人健康数据以及牙科诊疗方案的相关性,更好地辅助牙科医生判断诊疗方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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实施例的附图。
图1示出了基于用户影像数据的牙科诊疗方案生成方法的具体方法流程图;
图2示出了基于用户影像数据的牙科诊疗方案生成方法的第一方法流程图;
图3示出了基于用户影像数据的牙科诊疗方案生成方法的第二方法流程图;
图4示出了基于用户影像数据的牙科诊疗方案生成系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面提供了一种基于用户影像数据的牙科诊疗方案生成方法,包括以下步骤:
S102:获取用户的口腔影像数据信息,并通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
示例性的,本发明中主要通过CBCT口腔设备来获取用户的口腔影像数据信息。值得一提的是,在步骤S102中,在该步骤中具体包括:通过对用户的口腔影像数据信息中的阴影部分进行去除,并对用户的口腔影像数据信息进行灰度转换,消除图像色调以及饱和度,并保留相应的图像亮度;通过均值滤波法对灰度转换后的图像进行滤波处理,并消除孤立的噪声点,获取图像平滑处理结果,并通过canny算子对图像平滑处理结果进行感兴趣区域进行特征处理,获取用户的口腔影像数据预处理结果;通过高斯金字塔对用户的口腔影像数据预处理结果进行两次采样,得到新图像,并对新图像的灰度值进行映射,得到图像灰度变化直方图,根据图像灰度变化直方图生成降维后的口腔特征影像数据信息。在该实施例中,Canny 的目标是找到一个最优的边缘检测算法,通过Canny算子能够精确地对用户口腔内的牙齿轮廓数据,相当于进行感兴趣区域进行特征处理的过程。考虑到本分割的图像点过多,本发明则是通过高斯特征金字塔对口腔特征影像数据进行降维处理,这样就会大大地提高对口腔特征影像数据进行图像处理的处理效率。
S104:根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
如图2所示,其中,在步骤S104中,本申请主要通过K-mean算法对降维后的口腔特征影像数据信息进行各个特征区域进行聚类处理,如将牙齿与牙龈的图像进行分割开,本发明中主要用到K-mean算法对口腔特征影像数据信息进行分割,在分割的过程中,主要包括以下步骤:
S202:提取降维后的口腔特征影像数据信息中的局部极值,按照局部极值的个数作为初始聚类中心的个数,并根据初始聚类中心的个数初始化聚类中心;
在该实施例中,在提取降维后的口腔特征影像数据信息中的局部极值中,该局部极值如牙齿与牙龈的像素点的亮度值差异性、相互靠近的蛀牙区域与正常牙区域的像素点位置亮度值差异性等情况,此时,K-mean算法容易将如在该类的蛀牙区域的像素点聚类到正常牙区域点区域的聚类中心中、牙齿的像素点聚类到牙龈聚类中心中等情况,由于两者均有相互接触的边缘,这样就会导致聚类发生异常,该算法就会错位的认为边缘区域像素点属于其他聚类中心的像素点,这样就会导致牙齿的外轮廓模型与实际的位置产生偏差,不利于牙科医生对于口腔特征的识别。
S204:依次求取降维后的口腔特征影像数据信息中每个像素点与聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
示例性的,在该实施例中,本领域的技术人员能够根据欧式距离计算公式计算出每个像素点的位置信息(在图像中的坐标信息)与聚类中心的欧式距离,并根据最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果。
S206:引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断边缘权重值是否大于预设边缘权重值;
示例性的,在本实施例中,其中,边缘权重值的计算公式为:
;
其中,P为像素点与对应聚类中心的边缘权重,为第i个聚类中心对应的像素点的位置信息,第/>个聚类中心所在的位置信息。
需要说明的是,引入图嵌入算法能够计算出每个像素点与对应聚类中心的边缘权重,当边缘权重值大于预设边缘权重值时,表示该像素点属于对应聚类中心的概率值大。
S208:若边缘权重值大于预设边缘权重值,则将该像素点划分到聚类中心对应的类簇中,若边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果。
需要说明的是,在本实施中,当边缘权重值大于预设边缘权重值时,该像素点划分到聚类中心对应的类簇中,当边缘权重值不大于预设边缘权重值时,则对该像素点重新分配类簇。通过本方法能够对修正牙齿的外轮廓模型与实际的位置的偏差,使得展示的图片更符合用户口腔真实数据,从而有利于牙科医生对用户口腔特征的精准识别。
S106:基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
在步骤S106中,本发明主要是通过马尔科夫链对聚类项目就行修正,在该步骤中主要包括:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
在本实施例中,由于传统的K-mean聚类算法一般只采用灰度信息作为唯一的约束特征,导致用户牙科的影像特征数据信息有噪声点或者灰度不均匀时分割效果差,为了解决本技术问题,本发明中引入了马尔科夫链,通过马尔科夫链计算出每一个像素点对于相应聚类中心的先验概率值,本领域的技术人员可以根据马尔科夫链的基础理论得到像素点对于相应聚类中心的先验概率值。
根据聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过聚类修正模型计算出聚类修正项,并将聚类修正对初始修正聚类结果进行修正,生成口腔特征影像修正结果。
需要说明的是,聚类修正模型满足以下关系式:
;
其中,表示像素点/>到聚类中心i的欧式距离值,/>表示像素点/>与聚类中心i的先验概率值,/>表示聚类修正项。
值得一提的是,在该实时例中,当像素点与聚类中心i的先验概率值较大时,的值很小,会使得空间约束描述更加准确,当欧式距离很大时,根据关系式,修正项就会很小,满足算法对修正项/>的要求。作为修正项对k-mean算法进行改进,使得口腔特征影像的边缘轮廓像素点的聚类更加准确,提高牙科医生对于用户口腔特征数据的精准识别,从而方便牙科医生对于用户特征影像数据的判断。
S108:根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。
其中,在本步骤S108中,根据口腔特征影像修正结果获取用户的口腔特征数据信息,具体包括:
根据口腔特征影像修正结果获取用户各个牙齿的影像数据信息,并根据用户各个牙齿的影像数据信息获取每个牙齿的轮廓特征数据信息;
示例性的,口腔特征影像修正结果输出的是更加精确地描述牙齿内部缺陷与牙齿的影像数据信息、牙齿与牙龈的位置关系的影像数据信息,根据牙齿内部缺陷与牙齿的影像数据信息能够使得牙科医生确定诊疗方案,如方便医生根据缺陷的深度来补牙方案还是根管治疗方案等。
根据每个牙齿的轮廓特征数据信息通过三维建模软件构建各个牙齿的三维模型图,获取有内部缺陷的牙齿模型数据以及无缺陷的牙齿模型数据,并按照预设方式显示;
示例性的,在本实施例中,三维建模软件包括UG软件、SolidWorks软件、Maya软件等,通过显示器显示给牙科医生,更好地提供一个更精确的用户牙齿模型给牙科医生。
根据有内部缺陷的牙齿模型数据以及无缺陷的牙齿模型数据生成用户的口腔特征数据信息,并将用户的口腔特征数据信息进行输出。
如图3所示,在步骤108的另外的一个实施例中,其中,基于用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
S302:通过对牙科诊疗方案设置关键词信息,并根据关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
示例性的,牙科病症条件包括龋齿、牙髓炎、根筋病、牙周炎等,相关的牙科诊疗方案数据如根管治疗、蛀牙修补等诊疗方案。
S304:引入注意力机制,并根据注意力机制计算每一种各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据注意力分数进行从大到小排序,生成排序结果,并根据排序结果映射到牙科诊疗方案知识图谱的空间中;
需要说明的是,在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息。上述机制通常被称为注意力机制。人类视网膜不同的部位具有不同程度的信息处理能力,即敏锐度(Acuity),只有视网膜中央凹部位具有最强的敏锐度。为了合理利用有限的视觉信息处理资源,人类需要选择视觉区域中的特定部分,然后集中关注它。例如,人们在阅读时,通常只有少量要被读取的词会被关注和处理。通过注意力机制计算每一种各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,如根管治疗技术方案的注意力分数为50,根据排序结果映射到牙科诊疗方案知识图谱的空间中,使得相同注意力分数的数据能够合并到牙科诊疗方案知识图谱的相同空间中,不同注意力分数的存储到牙科诊疗方案知识图谱的不同空间中,以提高对初始牙科诊疗方案的识别速度,使得本系统能够快速地匹配出初始牙科诊疗方案,更迅速地将结果的展示给医生进行判断。
S306:获取牙科医生输入的病理特征数据,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
示例性的,在本实施例中,牙科医生根据用户的口腔图像数据确定好病理特征数据,用户的个人健康文本数据信息包括用户的健康状态,如xxx怀孕的患者、有xxx疾病的患者等文本数据。
S308: 通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
示例性的,牙科诊疗方案包括牙科的诊疗时间、牙科的诊疗内容等,在本实施例中,对于两个系统之间的因素,其随时间或不同对象而变化的关联性大小的量度,称为关联度。在系统发展过程中,若两个因素变化的趋势具有一致性,即同步变化程度较高,即可谓二者关联程度较高;反之,则较低。因此,灰色关联分析方法,是根据因素之间发展趋势的相似或相异程度,亦即“灰色关联度”,作为衡量因素间关联程度的一种方法。预设关联性系数为系统所设定的阈值,当关联系数大于预设的关联系数之时,说明个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联程度高,表面该初始牙科诊疗方案能够影响患者的某项健康,如孕妇在怀孕初期以及怀孕末期不适合拔牙、存在冠周炎感染急性期的患者不适合拔牙、高血压以及心脏病患者未控制时不进行拔牙等情形。本发明充分考虑了用户的个人健康数据以及牙科诊疗方案的相关性,从而能够有效地提高牙科医生对于诊疗方案的合理性判断。
此外,本方法还可以包括以下步骤:
获取用户反馈的案情数据信息,并根据用户反馈的案情数据信息获取用户术后康复的康复情况数据信息,当所述用户术后康复的康复情况数据信息存在预设特征数据信息时,将该用户作为康复性追踪目标;
获取康复性追踪目标的预设特征数据信息,并根据所述预设特征数据信息进行检索,以获取预设特征数据信息对应的相关恢复措施数据信息,以所述预设特征数据信息为横坐标;
以预设特征数据信息对应的相关恢复措施数据信息作为纵坐标,并根据所述横坐标以及纵坐标构建用户恢复情况变化曲线图,获取当前用户反馈的康复情况数据信息以及当前用户所处的康复情况所处的阶段;
根据所述当前用户反馈的康复情况数据信息以及当前用户所处的康复情况所处的阶段对用户恢复情况变化曲线图进行拟合,获取相关的相关恢复措施数据信息,并按照预设方式推送给用户。
需要说明的是,有些用户进行口腔治疗之后,可能会出现预设特征数据信息,如在拔牙之后出来肿胀,在根管治疗之后仍然存在一定的疼痛感,将这类用户作为追踪目标,从而根据用户的实际恢复情况进行推荐恢复措施以降低用户的疼痛感或者对用户的日常影响,提高用户对牙科治疗的满意度以及减低用户的情绪焦虑。
此外,本方法还可以包括以下步骤:
获取大量的用户行为特征图像数据信息,并基于深度学习网络构建情绪识别模型,将所述大量的用户行为特征图像数据信息输入到所述情绪识别模型中进行编码学习;
通过编码学习,获取训练完成的情绪识别模型,并获取用户在牙科治疗过程中的行为特征图像数据,并根据所述用户在牙科治疗过程中的行为特征图像数据以及训练完成的情绪识别模型获取用户的情绪特征数据信息;
判断所述用户的情绪特征数据信息为预设情绪特征数据,当所述用户的情绪特征数据信息为预设情绪特征数据时,将所述预设情绪特征数据按照预设方式进行显示;
通过大数据获取预设情绪特征数据的相关放松措施,并根据所述相关放松措施生成提示信息,并将所述提示信息按照预设方式进行显示。
需要说明的是,深度学习网络主要包括卷积神经网络、循环神经网络等,通过对治疗过程中的用户的情绪情况进行识别,并提醒牙科医生,并将相关放松措施推送给牙科医生,以用相关措施进行放松,提升治疗体验,缓解用户牙科治疗过程中的焦虑情绪。
综上所述,一方面,通过本方法能够对修正牙齿的外轮廓模型与实际的位置的偏差,从而提高对于系统对于用户口腔特征数据的识别精度。另一方面,本发明充分考虑了用户的个人健康数据以及牙科诊疗方案的相关性,从而能够有效地提高诊疗方案的生成合理性。
本发明第二方面提供了一种基于用户影像数据的牙科诊疗方案生成系统4,该系统4包括存储器41以及处理器62,存储器41中包含基于用户影像数据的牙科诊疗方案生成方法程序,基于用户影像数据的牙科诊疗方案生成方法程序被处理器26执行时,实现如下步骤:
获取用户的口腔影像数据信息,并通过对用户的口腔影像数据信息进行预处理,生成预处理结果,通过对预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
根据口腔特征影像修正结果获取用户的口腔特征数据信息,并基于用户的口腔特征数据信息生成个性化牙科诊疗方案。
在该系统中,根据降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果,具体包括以下步骤:
提取降维后的口腔特征影像数据信息中的局部极值,按照局部极值的个数作为初始聚类中心的个数,并根据初始聚类中心的个数初始化聚类中心;
依次求取降维后的口腔特征影像数据信息中每个像素点与聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断边缘权重值是否大于预设边缘权重值;
若边缘权重值大于预设边缘权重值,则将该像素点划分到聚类中心对应的类簇中,若边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果。
在该系统中,基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据聚类修正模型对初始修正聚类结果进行二次修正,生成口腔特征影像修正结果,具体包括以下步骤:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
根据聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过聚类修正模型计算出聚类修正项,并将聚类修正对初始修正聚类结果进行修正,生成口腔特征影像修正结果。
在该系统中,基于用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
通过对牙科诊疗方案设置关键词信息,并根据关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
引入注意力机制,并根据注意力机制计算每一种各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据注意力分数进行从大到小排序,生成排序结果,并根据排序结果映射到牙科诊疗方案知识图谱的空间中;
获取牙科医生输入的病理特征数据,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献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)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.基于用户影像数据的牙科诊疗方案生成方法,其特征在于,包括以下步骤:
获取用户的口腔影像数据信息,并通过对所述用户的口腔影像数据信息进行预处理,生成预处理结果,通过对所述预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
根据所述降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据所述聚类修正模型对所述初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
根据所述口腔特征影像修正结果获取用户的口腔特征数据信息,并基于所述用户的口腔特征数据信息生成个性化牙科诊疗方案;
其中,根据所述降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果,具体包括以下步骤:
提取所述降维后的口腔特征影像数据信息中的局部极值,按照所述局部极值的个数作为初始聚类中心的个数,并根据所述初始聚类中心的个数初始化聚类中心;
依次求取所述降维后的口腔特征影像数据信息中每个像素点与所述聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断所述边缘权重值是否大于预设边缘权重值;
若所述边缘权重值大于预设边缘权重值,则将该像素点划分到所述聚类中心对应的类簇中,若所述边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果;
其中,基于所述用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
通过对牙科诊疗方案设置关键词信息,并根据所述关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
引入注意力机制,并根据所述注意力机制计算每一种所述各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据所述注意力分数进行从大到小排序,生成排序结果,并根据所述排序结果映射到所述牙科诊疗方案知识图谱的空间中;
获取牙科医生输入的病理特征数据信息,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
2.根据权利要求1所述的基于用户影像数据的牙科诊疗方案生成方法,其特征在于,其中,通过对所述用户的口腔影像数据信息进行预处理,生成预处理结果,通过对所述预处理结果进行降维处理,生成降维后的口腔特征影像数据信息,具体包括以下步骤:
通过对所述用户的口腔影像数据信息中的阴影部分进行去除,并对所述用户的口腔影像数据信息进行灰度转换,消除图像色调以及饱和度,并保留相应的图像亮度;
通过均值滤波法对灰度转换后的图像进行滤波处理,并消除孤立的噪声点,获取图像平滑处理结果,并通过canny算子对图像平滑处理结果进行感兴趣区域进行特征处理,获取用户的口腔影像数据预处理结果;
通过高斯金字塔对所述用户的口腔影像数据预处理结果进行两次采样,得到新图像,并对所述新图像的灰度值进行映射,得到图像灰度变化直方图,根据所述图像灰度变化直方图生成降维后的口腔特征影像数据信息。
3.根据权利要求1所述的基于用户影像数据的牙科诊疗方案生成方法,其特征在于,基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据所述聚类修正模型对所述初始修正聚类结果进行二次修正,生成口腔特征影像修正结果,具体包括以下步骤:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
根据所述聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过所述聚类修正模型计算出聚类修正项,并将所述聚类修正对所述初始修正聚类结果进行修正,生成口腔特征影像修正结果。
4.根据权利要求1所述的基于用户影像数据的牙科诊疗方案生成方法,其特征在于,根据所述口腔特征影像修正结果获取用户的口腔特征数据信息,具体包括:
根据所述口腔特征影像修正结果获取用户各个牙齿的影像数据信息,并根据所述用户各个牙齿的影像数据信息获取每个牙齿的轮廓特征数据信息;
根据所述每个牙齿的轮廓特征数据信息通过三维建模软件构建各个牙齿的三维模型图,获取有内部缺陷的牙齿模型数据以及无缺陷的牙齿模型数据,并按照预设方式显示;
根据所述有内部缺陷的牙齿模型数据以及所述无缺陷的牙齿模型数据生成用户的口腔特征数据信息,并将用户的口腔特征数据信息进行输出。
5.基于用户影像数据的牙科诊疗方案生成系统,其特征在于,该系统包括存储器以及处理器,所述存储器中包含基于用户影像数据的牙科诊疗方案生成方法程序,所述基于用户影像数据的牙科诊疗方案生成方法程序被处理器执行时,实现如下步骤:
获取用户的口腔影像数据信息,并通过对所述用户的口腔影像数据信息进行预处理,生成预处理结果,通过对所述预处理结果进行降维处理,生成降维后的口腔特征影像数据信息;
根据所述降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果;
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据所述聚类修正模型对所述初始修正聚类结果进行二次修正,生成口腔特征影像修正结果;
根据所述口腔特征影像修正结果获取用户的口腔特征数据信息,并基于所述用户的口腔特征数据信息生成个性化牙科诊疗方案;
其中,根据所述降维后的口腔特征影像数据信息通过K-mean算法生成初始聚类结果,并引入图嵌入算法计算像素点与对应的聚类中心的边缘权重值,根据边缘权重值生成初始修正聚类结果,具体包括以下步骤:
提取所述降维后的口腔特征影像数据信息中的局部极值,按照所述局部极值的个数作为初始聚类中心的个数,并根据所述初始聚类中心的个数初始化聚类中心;
依次求取所述降维后的口腔特征影像数据信息中每个像素点与所述聚类中心的欧式距离,并按照最短欧式距离原则对每个像素点划分到相应的类簇中,生成初始聚类结果;
引入图嵌入算法计算每个像素点与对应聚类中心的边缘权重,获取边缘权重值,并判断所述边缘权重值是否大于预设边缘权重值;
若所述边缘权重值大于预设边缘权重值,则将该像素点划分到所述聚类中心对应的类簇中,若所述边缘权重值不大于预设边缘权重值,则对该像素点重新分配类簇,生成初始修正聚类结果;
其中,基于所述用户的口腔特征数据信息生成个性化牙科诊疗方案,具体包括:
通过对牙科诊疗方案设置关键词信息,并根据所述关键词信息通过大数据进行数据检索,获取各种牙科病症条件相关的牙科诊疗方案数据,并构建牙科诊疗方案知识图谱;
引入注意力机制,并根据所述注意力机制计算每一种所述各种牙科病症条件相关的牙科诊疗方案数据的注意力分数,并通过根据所述注意力分数进行从大到小排序,生成排序结果,并根据所述排序结果映射到所述牙科诊疗方案知识图谱的空间中;
获取牙科医生输入的病理特征数据信息,并根据病理特征数据以及牙科诊疗方案知识图谱生成一个或者多个用户的初始牙科诊疗方案,并获取用户的个人健康文本数据信息;
通过灰色关联分析法计算用户的个人健康文本数据信息与用户的初始牙科诊疗方案之间的关联性系数,当所关联性系数大于预设关联性系数时,将该初始牙科诊疗方案剔除,并按照预设方式进行可视化显示。
6.根据权利要求5所述的基于用户影像数据的牙科诊疗方案生成系统,其特征在于,基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,根据所述聚类修正模型对所述初始修正聚类结果进行二次修正,生成口腔特征影像修正结果,具体包括以下步骤:
基于马尔科夫链计算出每一像素点与相关聚类中心的先验概率值,并构建聚类修正模型,并获取每一像素点与相关聚类中心的欧式距离值;
根据所述聚类修正模型以及每一像素点与相关聚类中心的欧式距离值通过所述聚类修正模型计算出聚类修正项,并将所述聚类修正对所述初始修正聚类结果进行修正,生成口腔特征影像修正结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522669.6A CN116246779B (zh) | 2023-05-10 | 2023-05-10 | 基于用户影像数据的牙科诊疗方案生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310522669.6A CN116246779B (zh) | 2023-05-10 | 2023-05-10 | 基于用户影像数据的牙科诊疗方案生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116246779A CN116246779A (zh) | 2023-06-09 |
CN116246779B true CN116246779B (zh) | 2023-08-01 |
Family
ID=86629878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310522669.6A Active CN116246779B (zh) | 2023-05-10 | 2023-05-10 | 基于用户影像数据的牙科诊疗方案生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246779B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823803B (zh) * | 2023-07-21 | 2024-01-30 | 深圳鑫舟生物信息科技有限公司 | 一种生物补偿理疗系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060100737A (ko) * | 2005-03-18 | 2006-09-21 | 양계식 | 인터넷을 이용한 치과 환자 진료 서비스 방법 및 그 시스템 |
WO2022178977A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于自适应近邻图嵌入的无监督数据降维方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11389131B2 (en) * | 2018-06-27 | 2022-07-19 | Denti.Ai Technology Inc. | Systems and methods for processing of dental images |
WO2020177126A1 (zh) * | 2019-03-07 | 2020-09-10 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
DK180567B1 (en) * | 2020-03-03 | 2021-07-09 | Adent Aps | Method for assessing oral health of a person |
WO2022147160A1 (en) * | 2020-12-30 | 2022-07-07 | Align Technology, Inc. | Dental diagnostics hub |
DE202022101680U1 (de) * | 2022-03-30 | 2022-07-11 | Arti Khaparde | Ein automatisches System zur Erkennung von Handgesten |
CN114842977B (zh) * | 2022-06-30 | 2022-10-21 | 北京超数时代科技有限公司 | 一种基于医疗大数据及人工智能的医疗决策系统 |
-
2023
- 2023-05-10 CN CN202310522669.6A patent/CN116246779B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060100737A (ko) * | 2005-03-18 | 2006-09-21 | 양계식 | 인터넷을 이용한 치과 환자 진료 서비스 방법 및 그 시스템 |
WO2022178977A1 (zh) * | 2021-02-26 | 2022-09-01 | 西北工业大学 | 一种基于自适应近邻图嵌入的无监督数据降维方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116246779A (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Panetta et al. | Tufts dental database: a multimodal panoramic x-ray dataset for benchmarking diagnostic systems | |
Vila-Blanco et al. | Deep neural networks for chronological age estimation from OPG images | |
US11367188B2 (en) | Dental image synthesis using generative adversarial networks with semantic activation blocks | |
WO2019141106A1 (zh) | 基于c/s架构的牙齿美化ar智能辅助方法及装置 | |
CN116246779B (zh) | 基于用户影像数据的牙科诊疗方案生成方法及系统 | |
CN111709959B (zh) | 一种口腔正畸数字化智能诊断方法 | |
Tian et al. | Efficient computer-aided design of dental inlay restoration: a deep adversarial framework | |
CN105640492A (zh) | 皱纹护理辅助装置以及皱纹护理辅助方法 | |
Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
CN106909947A (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
CN115115620B (zh) | 一种基于深度学习的肺炎病变模拟方法及系统 | |
CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
CN114757960A (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN116128814A (zh) | 舌诊图像的标准化采集方法及相关装置 | |
Tian et al. | Efficient tooth gingival margin line reconstruction via adversarial learning | |
CN114880924A (zh) | 基于深度学习的牙齿修复体自动设计方法及系统 | |
CN112201349A (zh) | 一种基于人工智能的正畸手术方案生成系统 | |
CN113344867A (zh) | 基于近中、远中关键点的牙周炎吸收程度鉴别方法 | |
CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
CN113313722B (zh) | 一种牙根图像交互标注方法 | |
WO2022153340A2 (en) | System and method for facial and dental photography, landmark detection and mouth design generation | |
CN112150422B (zh) | 一种基于多任务学习的口腔健康自我检测模型的建模方法 | |
CN114004970A (zh) | 一种牙齿区域检测方法、装置、设备及存储介质 | |
Chen et al. | Detection of Various Dental Conditions on Dental Panoramic Radiography Using Faster R-CNN | |
CN110960333A (zh) | 基于ai算法的错颌畸形矫治模型匹配方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |