CN117153394A - 一种预测恒牙发育的方法及系统 - Google Patents
一种预测恒牙发育的方法及系统 Download PDFInfo
- Publication number
- CN117153394A CN117153394A CN202311117034.4A CN202311117034A CN117153394A CN 117153394 A CN117153394 A CN 117153394A CN 202311117034 A CN202311117034 A CN 202311117034A CN 117153394 A CN117153394 A CN 117153394A
- Authority
- CN
- China
- Prior art keywords
- constant
- teeth
- tooth
- cbct
- staged
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000011161 development Methods 0.000 title abstract description 21
- 238000007408 cone-beam computed tomography Methods 0.000 claims abstract description 100
- 210000000214 mouth Anatomy 0.000 claims abstract description 50
- 230000002308 calcification Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 57
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 208000004434 Calcinosis Diseases 0.000 claims description 38
- 208000002925 dental caries Diseases 0.000 claims description 28
- 230000032724 odontogenesis Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 22
- 230000011218 segmentation Effects 0.000 claims description 22
- 210000004763 bicuspid Anatomy 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 206010006514 bruxism Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000018109 developmental process Effects 0.000 description 19
- 230000012010 growth Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011049 filling Methods 0.000 description 3
- 210000001161 mammalian embryo Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000004225 permanent dentition Anatomy 0.000 description 2
- 230000036342 permanent tooth eruption Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000004489 deciduous teeth Anatomy 0.000 description 1
- 210000004262 dental pulp cavity Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000036343 milk tooth eruption Effects 0.000 description 1
- 210000003707 mixed dentition Anatomy 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 210000003133 primary dentition Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000005086 tooth mineralization Effects 0.000 description 1
- 210000000707 wrist Anatomy 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开一种预测恒牙发育的方法及系统，涉及预测牙齿发育领域；所述方法包括：获取待分期的口腔CBCT；对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、恒前磨牙和恒磨牙；将待分期的恒前牙、恒前磨牙和恒磨牙分别输入至对应的预测模型中，得到对应的钙化阶段。本发明通过对牙齿进行分类，并将分类后的牙齿输入至对应的预测模型中，可以提高预测的准确性。
Description
技术领域
本发明涉及预测牙齿发育领域，特别是涉及一种预测恒牙发育的方法及系统。
背景技术
混合牙列期是乳牙列向恒牙列转化的过渡期，伴随颌骨生长、继承恒牙胚发育、乳牙牙根的生理性吸收、周围牙槽骨的改建及软组织的生长和功能的建立。牙齿的发育过程包括生长期、钙化期和萌出期。Nolla通过X线片变化，将恒牙钙化过程分为十个阶段，作为临床常用的评估牙齿发育程度的参考指标。同种疾病，恒牙在发育的不同阶段，医生会选择不同的治疗方式。例如：恒牙的牙髓根尖周病变，如果恒牙发育未到8期首选牙髓血运重建术；发育9期则选择根尖诱导成形术或根尖屏障术；发育10期则选择根管治疗术。因此，精准评估牙齿发育分期对于临床决策具有重要的指导意义。
现有技术中针对牙齿发育分期都是使用一个神经网络进行多类牙齿发育阶段的预测，而每类牙齿在不同的发育阶段是有所区别的，因而用一个神经网络对多类牙齿发育阶段进行预测会导致每类牙齿发育阶段的预测结果都不准确的问题。
发明内容
本发明的目的是提供一种预测恒牙发育的方法及系统，通过对牙齿进行分类，并将分类后的牙齿输入至对应的预测模型中，可以提高预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种预测恒牙发育的方法，所述预测恒牙发育的方法包括：
获取待分期的口腔CBCT；
对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；
采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；
根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙；
将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段；
将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段；
将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
可选地，对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT，具体包括：
采用开源标注工具3D Slicer对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT。
可选地，将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段，之前还包括：
构建卷积神经网络；
获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段；
将所述恒前牙口腔CBCT训练数据分为训练集和验证集；
采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定；
采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络；
将调整后的卷积神经网络作为所述恒前牙预测模型。
可选地，所述牙位表示法包括：FDI牙位表示法、部位记录法和通用记录法。
一种预测恒牙发育的系统，所述预测恒牙发育的系统应用于上述中所述的预测恒牙发育的方法，所述预测恒牙发育的系统包括：
获取模块，用于获取待分期的口腔CBCT；
分割模块，用于对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；
编码模块，用于采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；
分类模块，用于根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙；
恒前牙预测模块，用于将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段；
恒前磨牙预测模块，用于将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段；
恒磨牙预测模块，用于将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
可选地，所述预测恒牙发育的系统还包括：训练模块，具体包括：
构建单元，用于构建卷积神经网络；
获取单元，用于获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段；
分类单元，用于将所述恒前牙口腔CBCT训练数据分为训练集和验证集；
训练单元，用于采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定；
验证单元，用于采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络；
输出单元，用于将调整后的卷积神经网络作为所述恒前牙预测模型。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述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上述所述的预测恒牙发育的方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现上述所述的预测恒牙发育的方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种预测恒牙发育的方法及系统，所述方法包括：获取待分期的口腔CBCT；对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、恒前磨牙和恒磨牙；将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段；将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段；将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。本发明通过对牙齿进行分类，并将分类后的牙齿输入至对应的预测模型中，可以提高预测的准确性。
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的附图。
图1为本发明实施例中预测恒牙发育的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种预测恒牙发育的方法及系统，通过对牙齿进行分类，并将分类后的牙齿输入至对应的预测模型中，可以提高预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明一种预测恒牙发育的方法，所述预测恒牙发育的方法包括：
步骤101：获取待分期的口腔CBCT。
步骤102：对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT。
步骤103：采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT。
步骤104：根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙。
具体应用，医生根据FDI牙位表示法，对牙齿分割结果赋予标签，并依据牙根类型进行分类，分为乳前牙、乳磨牙、恒前牙、恒前磨牙以及恒磨牙五类。根据上述得到的类别信息挑选出恒牙胚(恒前牙、恒前磨牙以及恒磨牙)，根据前牙、前磨牙及磨牙在分期诊断时呈现的不同的牙根形态特征，分成前牙(单根)、前磨牙(扁根)、磨牙(多根)。
步骤105：将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段。将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段。将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
作为一种具体实施例，对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT，具体包括：
采用开源标注工具3D Slicer对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT。
具体应用中，首先使用开源标注工具3D Slicer对CBCT图像进行交互性的快速分割，使用的方法包括种子分割以及洪水填充；随后，医生再基于粗分割结果进行牙齿区域的精细勾画，得到CBCT中牙齿的分割结果。
具体分割手段可以为种子分割或洪水填充。
种子分割，也被称为区域生长(Region Growing)，是一种基于像素相似性的图像分割方法。该方法选择一些种子点作为开始，然后根据一些准则，例如像素颜色或像素强度等，将连接到种子点且满足这些条件的所有像素添加到同一区域。
种子分割核心步骤如下：
1)选择一个或多个种子点。
2)根据某种相似性标准(如颜色、强度、纹理等特征)，确定与种子点相似的邻近点。
3)将这些相似的点添加到种子点所在的区域，并将它们作为新的种子点。
4)重复步骤2和3，直到满足某个停止条件(例如，没有更多的像素可以添加到该区域)，或者整个图片都已经被检查过。
种子分割可以被用在许多不同的场景，例如图像噪声去除、图像分割、目标检测等。常见的算法实现包括基于颜色的区域生长和基于纹理的区域生长。
洪水填充(Flood fill)是一个经常在计算机图形学中使用到的算法。用途主要是确定图形的一个连通区域或替换一片具有相同颜色或者相同特性的区域。
洪水填充(Flood Fill)这个名字来源于它的工作原理。像洪水般从一个点开始向四周扩散，知道满足某种条件为止，如颜色相同，或者直到碰到边界为止。这就如同你在涂鸦软件中使用填充工具填充颜色一样，在你点击的区域，如果周围有相同颜色的像素，就会被新的颜色替换。
洪水填充算法的基本步骤如下：
1)从一个初始点(种子点)开始。
2)检查该种子点的邻居(通常是四个方向或八个方向)。
3)如果邻居点符合条件(通常是颜色相同或在一定阈值之内)，则改变它们的颜色并将它们添加到要审查的点列表中。
4)继续这个过程，直到列表中没有更多点需要检查。
洪水填充算法在许多应用中都有用到，比如计算机图形的绘制、游戏地图的生成、医学影像处理、机器视觉等领域。
恒前牙预测模型、恒前磨牙预测模型和恒磨牙预测模型均是通过训练得到，且训练过程相似，只是针对输入和输出有所不同，因此，以恒前牙预测模型的训练过程为实例进行介绍，具体如下：
恒前牙预测模型的获取方式如下：
将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段，之前还包括：
构建卷积神经网络。
获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段。恒前牙口腔CBCT样本对应的钙化阶段可以根据多种方式确定，例如：
1)年龄：通过了解实际年龄和口腔及全身生长发育状态来评价儿童生长发育情况。
2)骨龄：临床用手腕骨x光片来评价儿童口腔及全身发育状态。
3)牙龄：用牙齿的发育状态来评价儿童生长发育状况。
将所述恒前牙口腔CBCT训练数据分为训练集和验证集。
采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定。
采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络。
将调整后的卷积神经网络作为所述恒前牙预测模型。
具体应用，数据准备：首先，由于CBCT图像中经常会有金属伪影等原因造成的异常大和异常小的孤立值，先将图像的前景强度值裁剪到[0.5,99.5]百分比范围之内，随后，基于整个数据集前景的强度值均值及标准差，应用z-socre，将强度归一化为区间[0,255]。此外，使用了一些数据增强策略，包括旋转、缩放、镜像等。
模型构建：选择ResNet-50神经网络模型，并构建网络结构。具有50个卷积层，包括堆叠的残差块和全局平均池化层。每个残差块内部包含了多个卷积层和批归一化层，以及跨层连接。这种设计使得网络能够更有效地训练深层模型，并且在保持准确性的同时减少了参数量。ResNet-50的主要特点是具有较强的特征提取能力和良好的模型表达能力，能够捕捉图像中的复杂特征。它在图像识别领域被广泛使用，并成为许多计算机视觉任务的基础模型。
损失函数定义：使用L2损失函数，也称为均方误差(Mean Squared Error，MSE)，这是一种常用的损失函数，通常用于回归问题的模型训练中。它衡量了模型的预测值与真实标签之间的差异的平方。
L2损失函数的计算方式如下：L2损失＝(预测值-真实值)^2。
具体来说，对于每个样本，首先通过模型的预测值得到一个预测结果，然后将该预测结果与真实标签进行比较。差异越大，损失值就越大。差异的平方是为了确保损失值始终为非负值。
L2损失函数的优点是对预测误差较大的样本施加较大的惩罚，因为平方会放大差异的影响，从而使模型更加关注较大误差的样本。此外，L2损失函数在数学上具有良好的性质，如可微性和凸性，这有助于使用梯度下降等优化算法进行模型的训练。
在训练过程中，目标是通过最小化L2损失函数来调整模型的参数，使得模型的预测值与真实标签的差异尽可能小。通过迭代的训练过程，模型会不断优化参数，以减小L2损失，从而提高模型的预测性能。
优化器选择：选择Adam优化算法来更新模型的权重和偏置，以最小化损失函数。
批量训练：将训练数据划分为小批量数据，在每个批次上向前传播输入数据，计算损失函数，然后通过反向传播算法计算梯度，并利用优化算法更新模型参数。
迭代训练：通过多个训练迭代周期(epochs)对模型进行训练。在每个迭代周期中，使用不同的批次数据更新模型参数，直到达到预定的训练轮数或满足停止准则。
模型评估：使用验证集或测试集对训练后的模型进行评估。采用均方误差(Mean-Square Error，MSE)指标，验证恒牙胚分期准确性。
超参数调整：根据模型的评估结果，调整超参数的值，如学习率、正则化参数、批量大小等，以优化模型性能。
模型保存和应用：在训练过程中，可以定期保存模型的权重和参数，以便后续的预测和应用。保存的模型可以加载到新数据上进行预测，或在实际应用中使用。
使用测试集对模型进行测试，采用均方误差(MSE)评价其恒牙发育分期的准确性。
采用均方误差(Mean-Square Error，MSE)指标，验证恒牙胚分期准确性：
其中，n表示样本数量，i表示第i个样本，f(x)是预测值，y是真实值，MSE表示预测值与真实值之间的偏差，反映了模型的预测能力。
作为一种具体实施例，所述牙位表示法包括：FDI牙位表示法、部位记录法和通用记录法。
实施例2
一种预测恒牙发育的系统，所述预测恒牙发育的系统应用于实施例1中所述的预测恒牙发育的方法，所述预测恒牙发育的系统包括：
获取模块，用于获取待分期的口腔CBCT。
分割模块，用于对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT。
编码模块，用于采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT。
分类模块，用于根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙。
恒前牙预测模块，用于将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段。
恒前磨牙预测模块，用于将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段。
恒磨牙预测模块，用于将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
作为一种具体实施例，所述预测恒牙发育的系统还包括：训练模块，具体包括：
构建单元，用于构建卷积神经网络。
获取单元，用于获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段。
分类单元，用于将所述恒前牙口腔CBCT训练数据分为训练集和验证集。
训练单元，用于采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定。
验证单元，用于采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络。
输出单元，用于将调整后的卷积神经网络作为所述恒前牙预测模型。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述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如实施例1中所述的预测恒牙发育的方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如实施例1中所述的预测恒牙发育的方法。
本申请的核心发明点是根据牙齿根部形态的先验性差异，分别设计三个并行的神经网络分类模型，不同别的牙齿输入选择不同的模型进行分期。如果没有这个设计，使用一个神经网络模型进行设计，由于不同种类的牙齿在尺度、形态上的差异，会造成预测性能的下降。
本发明通过对牙齿进行分类，并将分类后的牙齿输入至对应的预测模型中，可以提高预测的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种预测恒牙发育的方法，其特征在于，所述预测恒牙发育的方法包括：
获取待分期的口腔CBCT；
对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；
采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；
根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙；
将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段；
将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段；
将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
2.根据权利要求1所述的预测恒牙发育的方法，其特征在于，对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT，具体包括：
采用开源标注工具3D Slicer对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT。
3.根据权利要求1所述的预测恒牙发育的方法，其特征在于，将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段，之前还包括：
构建卷积神经网络；
获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段；
将所述恒前牙口腔CBCT训练数据分为训练集和验证集；
采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定；
采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络；
将调整后的卷积神经网络作为所述恒前牙预测模型。
4.根据权利要求1所述的预测恒牙发育的方法，其特征在于，所述牙位表示法包括：FDI牙位表示法、部位记录法和通用记录法。
5.一种预测恒牙发育的系统，其特征在于，所述预测恒牙发育的系统应用于所述权利要求1-4中任意一项所述的预测恒牙发育的方法，所述预测恒牙发育的系统包括：
获取模块，用于获取待分期的口腔CBCT；
分割模块，用于对待分期的口腔CBCT进行分割处理，得到不同牙齿的口腔CBCT；
编码模块，用于采用牙位表示法对不同牙齿的口腔CBCT进行编码，得到不同牙齿编码后的口腔CBCT；
分类模块，用于根据不同牙齿编码后的口腔CBCT和不同牙齿的牙根形态，确定待分期的恒前牙、待分期的恒前磨牙和待分期的恒磨牙；
恒前牙预测模块，用于将待分期的恒前牙输入至恒前牙预测模型中，得到恒前牙的钙化阶段；
恒前磨牙预测模块，用于将待分期的恒前磨牙输入至恒前磨牙预测模型中，得到恒前磨牙的钙化阶段；
恒磨牙预测模块，用于将待分期的恒磨牙输入至恒磨牙预测模型中，得到恒磨牙的钙化阶段。
6.根据权利要求5所述的预测恒牙发育的系统，其特征在于，所述预测恒牙发育的系统还包括：训练模块，具体包括：
构建单元，用于构建卷积神经网络；
获取单元，用于获取恒前牙口腔CBCT训练数据；恒前牙口腔CBCT训练数据包括恒前牙口腔CBCT样本和恒前牙口腔CBCT样本对应的钙化阶段；
分类单元，用于将所述恒前牙口腔CBCT训练数据分为训练集和验证集；
训练单元，用于采用所述训练集以损失函数最小为目的对所述卷积神经网络的权重和偏置进行训练，得到训练后的卷积神经网络；所述损失函数根据卷积神经网络的输出和恒前牙口腔CBCT样本对应的钙化阶段之间的误差确定；
验证单元，用于采用所述验证集对训练后的卷积神经网络的权重和偏置进行调整，得到调整后的卷积神经网络；
输出单元，用于将调整后的卷积神经网络作为所述恒前牙预测模型。
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1至4中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311117034.4A CN117153394A (zh) | 2023-08-31 | 2023-08-31 | 一种预测恒牙发育的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311117034.4A CN117153394A (zh) | 2023-08-31 | 2023-08-31 | 一种预测恒牙发育的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117153394A true CN117153394A (zh) | 2023-12-01 |
Family
ID=88904026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311117034.4A Pending CN117153394A (zh) | 2023-08-31 | 2023-08-31 | 一种预测恒牙发育的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153394A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918871A (zh) * | 2024-03-25 | 2024-04-26 | 锦恒科技(大连)有限公司 | 一种儿童乳牙生长预测方法和系统 |
-
2023
- 2023-08-31 CN CN202311117034.4A patent/CN117153394A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918871A (zh) * | 2024-03-25 | 2024-04-26 | 锦恒科技(大连)有限公司 | 一种儿童乳牙生长预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200402647A1 (en) | Dental image processing protocol for dental aligners | |
| JP7412334B2 (ja) | 深層学習法を使用する３ｄ歯データの自動分類および分類法 | |
| US8938113B2 (en) | Adaptive visualization for direct physician use | |
| US20210322136A1 (en) | Automated orthodontic treatment planning using deep learning | |
| CN107203998B (zh) | 一种对锥束ct图像进行牙列分割的方法 | |
| US9147239B2 (en) | Computing the mass of an object | |
| CN110998602A (zh) | 使用深度学习方法对3d牙颌面结构的分类和3d建模 | |
| Hwang et al. | Learning beyond human expertise with generative models for dental restorations | |
| CN113454637A (zh) | 使用深度学习对非欧式3d数据集的自动语义分割 | |
| EP1649810A1 (en) | Image processing method and computer-readable recording medium containing image processing program | |
| KR102458324B1 (ko) | 학습 모델을 이용한 데이터 처리 방법 | |
| CN117153394A (zh) | 一种预测恒牙发育的方法及系统 | |
| Lakshmi et al. | Tooth decay prediction and classification from X-ray images using deep CNN | |
| CN113767424A (zh) | 使用沙漏预测器生成对象的方法 | |
| CN114638852A (zh) | 基于cbct图像颌骨、软组织识别与重建的方法、装置及介质 | |
| Ataş et al. | Forensic dental age estimation using modified deep learning neural network | |
| CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
| Engelkes | Accuracy of bone segmentation and surface generation strategies analyzed by using synthetic CT volumes | |
| CN115761226A (zh) | 一种口腔影像分割识别方法、装置、电子设备和存储介质 | |
| KR20220133834A (ko) | 학습 모델을 이용한 데이터 처리 방법 | |
| Sousa et al. | Learning to segment the lung volume from CT scans based on semi-automatic ground-truth | |
| CN113614788A (zh) | 计算机辅助读取和分析的深度强化学习 | |
| CN112884706A (zh) | 一种基于神经网络模型的图像评估系统和相关产品 | |
| CN113689454A (zh) | 基于卷积神经网络的3d ct椎体分割算法 | |
| CN116721309B (zh) | 口腔语义模型训练方法及口腔锥形束ct图像优化方法 |
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 |