CN116994070B - 基于可度量子空间动态分类器的牙齿图像处理方法及设备 - Google Patents
基于可度量子空间动态分类器的牙齿图像处理方法及设备 Download PDFInfo
- Publication number
- CN116994070B CN116994070B CN202311242413.6A CN202311242413A CN116994070B CN 116994070 B CN116994070 B CN 116994070B CN 202311242413 A CN202311242413 A CN 202311242413A CN 116994070 B CN116994070 B CN 116994070B
- Authority
- CN
- China
- Prior art keywords
- subspace
- feature
- image
- classification
- dental
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 208000002925 dental caries Diseases 0.000 claims abstract description 29
- 208000004480 periapical periodontitis Diseases 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 241000628997 Flos Species 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000014151 Stomatognathic disease Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于可度量子空间动态分类器的牙齿图像处理方法及设备，属于图像处理技术领域，包括：获取若干张单颗牙齿的X光图像，并对所述X光图像进行疾病分类，并计算分类概率得到训练集；构建图像分类模型，并使用所述训练集对所述图像分类模型进行训练，得到训练好的图像分类模型；将待检测的牙齿的X光图像输入到所述训练好的图像分类模型中，并输出协助检测结果。引入了牙颈线位置的粗标记，增强了图像分类模型对牙齿结构的理解，并且能够减少来自其他区域的潜在干扰，使得在检测龋齿和根尖周炎时具有更高的性能和准确度，对于提高医师在检测龋齿和根尖周炎方面的性能具有显著的帮助。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于可度量子空间动态分类器的牙齿图像处理方法及设备。
背景技术
当处理医学图像中的疾病识别问题时，一种常见的方法是首先从图像中提取特征，然后使用分类器对高维特征进行处理，通过应用softmax损失函数来进行模型训练，在利用数据增强的情况下，通常使用简单的全连接分类器能够达到令人满意的识别准确度。然后，在龋齿和根尖周炎的识别问题中，这种方法的性能往往无法满足临床辅助的要求，这只因为在当前条件下训练的模型可能无法从输入图像中提取出足够高的区分性特征表达。另外与疾病区域不相关的干扰可能会对模型的识别性能造成不利影响，从而限制了模型性能的提升空间。尽管模型的识别能力得到了一定的增强，但这种提升幅度还未达到可用于临床辅助决策的水平。为了解决龋齿和根尖周炎的识别问题，一个可能的方法是引入额外的特征约束，以最小化样本类内方差并最大化样本类间方差。神经网络本质上采用非线性操作符进行空间映射，将输入图像从像素空间映射到具有不同维度的特征空间。基于这个思想，许多研究提出了基于子空间的度量学习方法，以实现图像分类。尽管在自然图像分类任务中表现良好，但医学图像数据集通常规模较小，有限的样本数量可能制约了模型学习和区分不同类别复杂模式的能力。
解决难度在于医学图像，特别是口腔医学图像，与自然图像存在显著差异，主要体现在图像结构、纹理和背景的复杂性方面。与自然图像相比，医学图像往往具有更高的噪声水平和更复杂的背景，且病变区域可能较小，这为特征提取和识别带来额外挑战。因此，将自然图像中的方法直接应用于医学图像可能导致识别性能不尽如人意。
发明内容
本发明的目的在于克服现有技术中所存在的将自然图像的特征提取和识别方法应用于医学图像可能导致识别性能不好的不足，提供一种基于可度量子空间动态分类器的牙齿图像处理方法及设备。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于可度量子空间动态分类器的牙齿图像处理方法，包括以下步骤：
S1：获取若干张单颗牙齿的X光图像，并对所述X光图像进行疾病分类，得到训练集；
S2：构建图像分类模型，并使用所述训练集对所述图像分类模型进行训练，得到训练好的图像分类模型；
所述图像分类模型包括特征提取模块和特征分类模块，所述特征提取模块为卷积神经网络的特征提取单元，所述特征分类模块从左至右依次为牙颈线预测模块、全局平均池化层、分类概率计算模块，所述牙颈线预测模块是由全连接层网络组成；
S3：将待检测的牙齿的X光图像输入到所述训练好的图像分类模型中，并输出协助检测结果。
采用上述技术方案，引入了牙颈线位置的粗标记，增强了图像分类模型对牙齿结构的理解，并且能够减少来自其他区域的潜在干扰，从而能够协助医师在检测龋齿和根尖周炎时具有更高的性能和准确度，对于提高医师在检测龋齿和根尖周炎方面的性能具有显著的帮助。
作为本发明的优选方案，步骤S1中所述的疾病分类包括：健康、只有龋齿、只有根尖周炎、同时有龋齿和根尖周炎。
作为本发明的优选方案，步骤S2包括：
S21：所述训练集中的每一个样本x经过所述卷积神经网络的特征提取单元进行特征提取得到高维特征表达特征图，并将所述高维特征表达特征图转化为特征向量；
S22：使用所述牙颈线预测模块对所述高维特征表达特征图进行数值回归，获取牙颈线在X光图像中的位置；
S23：根据所述牙颈线在x光图像中的位置分割所述高维特征表达特征图，得到冠部子空间特征图和根部子空间特征图；
S24：所述全局平均池化层采用矩阵变换的方法将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间，并计算所述训练集中所有样本x的类内平均特征向量与当前输入样本x的特征向量之间的距离，计算公式为：
其中，表示分类权值矩阵，/>为高维特征表达式，T为矩阵转置，，它的分类权值矩阵/>，它是一个线性变换矩阵，s表示牙颈线分割区域的高度，e表示样本类别；
S25：所述分类概率计算模块使用归一化指数函数计算分类概率，所述归一化指数函数为：
其中，E表示样本的分类种类，exp是指数函数；
S26：计算损失函数，并对所述图像分类模型进行迭代优化，所述损失函数为：
其中，E表示样本特征空间维度即样本种类，yi表示i类样本的标签如果类别是i那么它的值为1否则为0，pi表示i类样本的预测概率即模型输出概率。
作为本发明的优选方案，步骤S22中所述的牙颈线在X光图像中的位置设置在图像高度的45%～55%之间。
作为本发明的优选方案，步骤S24中所述的将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间包括：定义映射关系，将输入样本空间α映射到高维特征空间。
作为本发明的优选方案，步骤S3所述的协助检测结果为所述待检测的牙齿的X光图像疾病分类的概率。
另一方面，公开了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的基于可度量子空间动态分类器的牙齿图像处理方法。
与现有技术相比，本发明的有益效果在于：引入了牙颈线位置的粗标记，增强了图像分类模型对牙齿结构的理解，并且能够减少来自其他区域的潜在干扰，在特征空间引入了子空间特征表达的动态约束，能够对输入样本进行带约束的子空间映射，更加专注于疾病特征区域的识别，从而能够协助医师在检测龋齿和根尖周炎时具有更高的性能和准确度，对于提高医师在检测龋齿和根尖周炎方面的性能具有显著的帮助。
附图说明
图1为本发明实施例1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法的流程图；
图2为本发明实施例1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法的图像分类模型图；
图3为本发明实施例1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法的图像分类模型的工作原理图；
图4为本发明实施例2所述的一种电子设备的结构图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
一种基于可度量子空间动态分类器的牙齿图像处理方法，如图1所示，包括以下步骤：
S1：获取若干张单颗牙齿的X光图像，并对所述X光图像进行疾病分类，得到训练集；
步骤S1中所述的疾病分类包括：健康、只有龋齿、只有根尖周炎、同时有龋齿和根尖周炎。
具体的，获取X光图像，并由经验丰富的医师进行牙齿疾病诊断分类作为图片的标签，获得训练集，所述训练集包括正常牙齿的X光图像2734张，只有龋齿的X光图像1544张，只有根尖周炎的X光图像1351张，同时有龋齿和根尖周炎的X光图像853张。
S2：构建图像分类模型，并使用所述训练集对所述图像分类模型进行训练，得到训练好的图像分类模型；
如图2所示，所述图像分类模型包括特征提取模块和特征分类模块（动态分类器），所述特征提取模块为卷积神经网络的特征提取单元，所述特征分类模块从左至右依次为牙颈线预测模块、全局平均池化层、分类概率计算模块，所述牙颈线预测模块是由全连接层网络组成；
具体的，所述图像分类模型包括两个主要阶段：特征提取和特征分类；
在特征提取阶段，输入样本x经过卷积神经网络模型的卷积神经网络的特征提取单元进行特征提取得到高维特征表达，接着，在特征分类阶段，图像分类模型的全局平均池化层将所述高维特征表达/>转换为特征向量。
实验结果表明，使用了基于可度量的子空间模块的动态分类器在检测龋齿和根尖周炎方面都呈现出不同程度的性能提升。在龋齿识别方面，经过引入本研究方法模块后，ResNet和ShuffleNet模型，它们的F1得分分别为0.856和0.904。VGG的F1得分为0.835相对较低但性能也表现较好。对于根尖周炎的识别，同样在引入动态分类器后，ShuffleNet模型，其F1得分为0.932。ResNet和VGG模型的F1得分分别为0.863和0.862，相对较低，但仍然显示出良好的分类性能。
如图3所示，步骤S2包括：
S21：所述训练集中的每一个样本x经过所述卷积神经网络的特征提取单元进行特征提取得到高维特征表达特征图，并将所述高维特征表达特征图转化为特征向量；
S22：使用所述牙颈线预测模块对所述高维特征表达特征图进行数值回归，获取牙颈线在X光图像中的位置；
步骤S22中所述的牙颈线在X光图像中的位置设置在图像高度的45%～55%之间，根据回归器（全连接层）的输出（如果超出范围，则固定为0.45到0.55的最小和最大值），如图3中举例的牙颈线位置的数值为0.508。
具体的，使用的所述全连接层网络（牙颈线空间结构回归器），输入特征表达数据就可以得到一个数值，所述数值就是牙颈线位置。
S23：根据所述牙颈线在x光图像中的位置分割所述高维特征表达特征图，得到冠部子空间特征图和根部子空间特征图；
具体的，根据牙颈线位置（比如0.5，意思就是特征图上部分占整个的0.5，把特征图分为两半）使用python自动化脚本对特征图分割。
S24：所述全局平均池化层采用矩阵变换的方法将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间，并计算所述训练集中所有样本x的类内平均特征向量与当前输入样本x的特征向量之间的距离，计算公式为：
其中，表示分类权值矩阵，/>为高维特征表达式，T为矩阵转置，，它的分类权值矩阵/>，它是一个线性变换矩阵，s表示牙颈线分割区域的高度，e表示样本类别；
步骤S24中所述的将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间包括：定义映射关系，将输入样本空间α映射到高维特征空间。
S25：所述分类概率计算模块使用归一化指数函数计算分类概率，所述归一化指数函数为：
其中，E表示样本的分类种类，exp是指数函数；
具体的，使用归一化指数函数对高维特征空间的样本根据特征向量的距离进行分类，得到分类预测，这就是动态分类器的原理。
S26：计算损失函数，并对所述图像分类模型进行迭代优化，所述损失函数为：
其中，E表示样本特征空间维度即样本种类，yi表示i类样本的标签如果类别是i那么它的值为1否则为0，pi表示i类样本的预测概率即模型输出概率。
S3：将待检测的牙齿的X光图像输入到所述训练好的图像分类模型中，并输出协助检测结果。
步骤S3所述的协助检测结果为所述待检测的牙齿的X光图像疾病分类的概率。
具体的，比如输出健康概率为90%，只有龋齿的概率为5%，只有根尖周炎的概率为3%，同时有龋齿和根尖周炎的概率为2%，则预测牙齿最有可能是健康，医师根据预测结果进行进一步判断。
表1
如表1所示，提供了引入本研究方法模块后，三个知名CNN图像分类模型在龋病和根尖周炎测试集上的分类性能概述。评估指标包括阳性检出概率（被预测为阳性的样本中真阳性的比例）、阴性检出概率（被预测为阴性的样本中真阴性的比例）以及F1得分（精确率和召回率的调和平均）。实验采用了三种常用的CNN模型（VGG、ResNet、ShuffleNet）的卷积神经网络的特征提取单元作为特征提取器。这些模型与之前第四部分所展示的卷积特征提取单元一同使用。实验所使用的硬件配置包括：Intel i9-12900K CPU、NVIDIA RTX 3090GPU。操作系统为Windows 11，编程环境为Python3.9和PyTorch1.1。
表2
如表2所示，展示了初级牙医在手动阅片和模型协助阅片下对龋齿和根尖周炎的检测性能。实验结果显示，与初级牙医的手动阅片相比深度学习模型在检测龋齿和根尖周炎方面具有更高的性能和准确度。在深度学习的辅助下，所有初级牙医的阳性预测率、阴性预测率和F1得分均有显著提高。使用深度学习模型进行龋齿和根尖周炎的检测的平均F1得分分别为0.789和0.837。相较之下，在初级医师的手动阅片中，龋齿的平均F1得分仅为0.676，根尖周炎为0.716。这表明，手动阅片在检测龋齿和根尖周炎时表现出低敏感度和高特异性的特点，深度学习模型在检测龋齿和根尖周炎方面具有更高的性能和准确度。深度学习模型对于提高初级牙医在检测龋齿和根尖周炎方面的性能具有显著的帮助。
实施例2
如图4所示，一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，以及与所述至少一个处理器通讯连接的至少一个输入输出接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种基于可度量子空间动态分类器的牙齿图像处理方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据。
本领域技术人员可以理解：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（Read Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元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所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于可度量子空间动态分类器的牙齿图像处理方法，其特征在于，包括以下步骤：
S1：获取若干张单颗牙齿的X光图像，并对所述X光图像进行疾病分类，得到训练集；
S2：构建图像分类模型，并使用所述训练集对所述图像分类模型进行训练，得到训练好的图像分类模型；
所述图像分类模型包括特征提取模块和特征分类模块，所述特征提取模块为卷积神经网络的特征提取单元，所述特征分类模块从左至右依次为牙颈线预测模块、全局平均池化层、分类概率计算模块，所述牙颈线预测模块是由全连接层网络组成；
步骤S2包括：
S21：所述训练集中的每一个样本x经过所述卷积神经网络的特征提取单元进行特征提取得到高维特征表达特征图，并将所述高维特征表达特征图转化为特征向量；
S22：使用所述牙颈线预测模块对所述高维特征表达特征图进行数值回归，获取牙颈线在X光图像中的位置；
S23：根据所述牙颈线在x光图像中的位置分割所述高维特征表达特征图，得到冠部子空间特征图和根部子空间特征图；
S24：所述全局平均池化层采用矩阵变换的方法将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间，并计算所述训练集中所有样本x的类内平均特征向量与当前输入样本x的特征向量之间的距离，计算公式为：
其中，表示分类权值矩阵，/>为高维特征表达式，T为矩阵转置，，它的分类权值矩阵/>，它是一个线性变换矩阵，s表示牙颈线分割区域的高度，e表示样本类别；
S25：所述分类概率计算模块使用归一化指数函数计算分类概率，所述归一化指数函数为：
其中，E表示样本的分类种类，exp是指数函数；
S26：计算损失函数，并对所述图像分类模型进行迭代优化，所述损失函数为：
其中，E表示样本特征空间维度即样本种类，yi表示i类样本的标签如果类别是i那么它的值为1否则为0，pi表示i类样本的预测概率即模型输出概率；
S3：将待检测的牙齿的X光图像输入到所述训练好的图像分类模型中，并输出协助检测结果。
2.根据权利要求1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法，其特征在于，步骤S1中所述的疾病分类包括：健康、只有龋齿、只有根尖周炎、同时有龋齿和根尖周炎。
3.根据权利要求1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法，其特征在于，步骤S22中所述的牙颈线在X光图像中的位置设置在图像高度的45%～55%之间。
4.根据权利要求1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法，其特征在于，步骤S24中所述的将所述冠部子空间特征图和所述根部子空间特征图映射到同一子空间包括：定义映射关系，将输入样本空间α映射到高维特征空间。
5.根据权利要求1所述的一种基于可度量子空间动态分类器的牙齿图像处理方法，其特征在于，步骤S3所述的协助检测结果为所述待检测牙齿的X光图像疾病分类的概率。
6.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的基于可度量子空间动态分类器的牙齿图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242413.6A CN116994070B (zh) | 2023-09-25 | 2023-09-25 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311242413.6A CN116994070B (zh) | 2023-09-25 | 2023-09-25 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116994070A CN116994070A (zh) | 2023-11-03 |
| CN116994070B true CN116994070B (zh) | 2023-12-01 |
Family
ID=88523423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311242413.6A Active CN116994070B (zh) | 2023-09-25 | 2023-09-25 | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116994070B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
| CN111542617A (zh) * | 2017-11-02 | 2020-08-14 | 三菱化学株式会社 | 牙周袋炎症面积的推定方法 |
| CN112561864A (zh) * | 2020-12-04 | 2021-03-26 | 深圳格瑞健康管理有限公司 | 龋齿图像分类模型的训练方法、系统和存储介质 |
| WO2021215582A1 (ko) * | 2020-04-21 | 2021-10-28 | 서울대학교산학협력단 | 치주염 자동 진단 방법 및 이를 구현하는 프로그램 |
| CN113643297A (zh) * | 2021-10-18 | 2021-11-12 | 四川大学 | 一种基于神经网络的计算机辅助牙龄分析方法 |
| CN113688942A (zh) * | 2021-02-09 | 2021-11-23 | 四川大学 | 基于深度学习的头侧片腺样体图像自动评估方法和装置 |
| CN115439409A (zh) * | 2022-08-02 | 2022-12-06 | 常州博恩中鼎医疗科技有限公司 | 牙齿类型的识别方法和装置 |
| WO2023280065A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京邮电大学 | 一种面向跨模态通信系统的图像重建方法及装置 |
| WO2023282454A1 (ko) * | 2021-07-06 | 2023-01-12 | (주)헤리바이오 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
| CN116152500A (zh) * | 2023-03-09 | 2023-05-23 | 重庆邮电大学 | 一种基于深度学习的全自动牙齿cbct图像分割方法 |
| WO2023173804A1 (zh) * | 2022-03-16 | 2023-09-21 | 西安电子科技大学 | 一种共享子空间学习的脑机信息融合分类方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6648640B2 (en) * | 1999-11-30 | 2003-11-18 | Ora Metrix, Inc. | Interactive orthodontic care system based on intra-oral scanning of teeth |
| US10032271B2 (en) * | 2015-12-10 | 2018-07-24 | 3M Innovative Properties Company | Method for automatic tooth type recognition from 3D scans |
| US20220012815A1 (en) * | 2020-05-15 | 2022-01-13 | Retrace Labs | Artificial Intelligence Architecture For Evaluating Dental Images And Documentation For Dental Procedures |
-
2023
- 2023-09-25 CN CN202311242413.6A patent/CN116994070B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
| CN111542617A (zh) * | 2017-11-02 | 2020-08-14 | 三菱化学株式会社 | 牙周袋炎症面积的推定方法 |
| WO2021215582A1 (ko) * | 2020-04-21 | 2021-10-28 | 서울대학교산학협력단 | 치주염 자동 진단 방법 및 이를 구현하는 프로그램 |
| CN112561864A (zh) * | 2020-12-04 | 2021-03-26 | 深圳格瑞健康管理有限公司 | 龋齿图像分类模型的训练方法、系统和存储介质 |
| CN113688942A (zh) * | 2021-02-09 | 2021-11-23 | 四川大学 | 基于深度学习的头侧片腺样体图像自动评估方法和装置 |
| WO2023282454A1 (ko) * | 2021-07-06 | 2023-01-12 | (주)헤리바이오 | Ai 학습을 위한 임플란트 클래스 분류 방법 |
| WO2023280065A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京邮电大学 | 一种面向跨模态通信系统的图像重建方法及装置 |
| CN113643297A (zh) * | 2021-10-18 | 2021-11-12 | 四川大学 | 一种基于神经网络的计算机辅助牙龄分析方法 |
| WO2023173804A1 (zh) * | 2022-03-16 | 2023-09-21 | 西安电子科技大学 | 一种共享子空间学习的脑机信息融合分类方法及系统 |
| CN115439409A (zh) * | 2022-08-02 | 2022-12-06 | 常州博恩中鼎医疗科技有限公司 | 牙齿类型的识别方法和装置 |
| CN116152500A (zh) * | 2023-03-09 | 2023-05-23 | 重庆邮电大学 | 一种基于深度学习的全自动牙齿cbct图像分割方法 |
Non-Patent Citations (4)
| Title |
|---|
| Teeth Classification Based on Extreme Learning Machine;SiyuanLu;2018 Second World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4);198-202 * |
| 口腔病灶的机器视觉检测与识别;张海伦;林立桂;陈政良;周荣欣;周天平;;自动化技术与应用(第07期);123-128 * |
| 基于多视图并行的可配置卷积神经网络加速器设计;应三丛;工程科学与技术;188-195 * |
| 牙齿X线片的图像分割方法综述;韩致远;计算机工程与应用;13-34 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116994070A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
| WO2022199143A1 (zh) | 一种基于u型网络的医学图像分割方法 | |
| US11468693B2 (en) | Digital image classification method for cervical fluid-based cells based on a deep learning detection model | |
| CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
| US20200320685A1 (en) | Automated classification and taxonomy of 3d teeth data using deep learning methods | |
| Lin et al. | AANet: Adaptive attention network for COVID-19 detection from chest X-ray images | |
| WO2020260936A1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| KR20210048523A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체 | |
| JP2022546593A (ja) | 自然言語処理を使用する病理報告内の自動化された情報の抽出及び改良 | |
| WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
| CN113222064A (zh) | 一种图像目标对象实时检测方法、系统、终端及存储介质 | |
| Laishram et al. | Automatic classification of oral pathologies using orthopantomogram radiography images based on convolutional neural network | |
| Li et al. | Optical coherence tomography vulnerable plaque segmentation based on deep residual U-Net | |
| CN114399510B (zh) | 结合图像和临床元数据的皮肤病灶分割和分类方法及系统 | |
| CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
| CN110570425A (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
| Xu et al. | Identification of benign and malignant lung nodules in CT images based on ensemble learning method | |
| CN116740041B (zh) | 基于机器视觉的cta扫描图像分析系统及其方法 | |
| CN116994070B (zh) | 基于可度量子空间动态分类器的牙齿图像处理方法及设备 | |
| Li et al. | Automated classification of solitary pulmonary nodules using convolutional neural network based on transfer learning strategy | |
| Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
| CN116486465A (zh) | 用于人脸结构分析的图像识别方法及其系统 | |
| CN113989269B (zh) | 一种基于卷积神经网络多尺度特征融合的中医舌图像齿痕自动检测方法 | |
| CN113902738A (zh) | 一种心脏mri分割方法及系统 | |
| Emchinov et al. | Research and Development of Deep Learning Algorithms for the Classification of Pneumonia Type and Detection of Ground-Glass Loci on Radiological Images |
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 |