CN117612239A - 一种基于智能分类算法的颌面畸形自动识别方法 - Google Patents
一种基于智能分类算法的颌面畸形自动识别方法 Download PDFInfo
- Publication number
- CN117612239A CN117612239A CN202311862143.9A CN202311862143A CN117612239A CN 117612239 A CN117612239 A CN 117612239A CN 202311862143 A CN202311862143 A CN 202311862143A CN 117612239 A CN117612239 A CN 117612239A
- Authority
- CN
- China
- Prior art keywords
- point
- maxillofacial
- angle
- deformity
- marked
- 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 44
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 24
- 230000001815 facial effect Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 8
- 241000746998 Tragus Species 0.000 claims description 33
- 210000003625 skull Anatomy 0.000 claims description 32
- 210000001519 tissue Anatomy 0.000 claims description 28
- 210000004872 soft tissue Anatomy 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 210000001061 forehead Anatomy 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 241000561734 Celosia cristata Species 0.000 claims description 4
- 210000001520 comb Anatomy 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 210000001747 pupil Anatomy 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 210000000216 zygoma Anatomy 0.000 claims description 2
- 208000032170 Congenital Abnormalities Diseases 0.000 abstract description 77
- 206010061619 Deformity Diseases 0.000 abstract description 77
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000025157 Oral disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000030194 mouth disease Diseases 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于智能分类算法的颌面畸形自动识别方法，包括以下步骤，获取患者面部软、硬组织图像；面部软、硬组织图像预处理；颌面畸形类型定义；颌面畸形特征提取；颌面畸形分类器训练；颌面畸形识别与分类。本发明基于智能分类算法，定义了不同类型颌面畸变的特征参数，通过对患者面部软、硬组织图像进行预处理，提取颌面畸变特征参数值；然后，对颌面畸形分类器进行训练，得到颌面畸形分类器模型；以待测患者面部软、硬组织颌面畸变特征参数作为输入，利用该分类器模型对待测患者颌面畸形进行识别与分类。本发明具有很强的临床实用性，仅需开展少量、常规的影像测量工作，成本低且方法实施过程简单，分类准确度高，可有效提高颌面畸形诊断效率。
Description
技术领域
本发明涉及口腔正畸学技术领域，尤其涉及一种基于智能分类算法的颌面畸形自动识别方法。
背景技术
颌面畸形是口疾病中的常见多发病，不仅会影响患者个体的颌面发育、口腔健康、咀嚼功能，甚至引起消化系统为主的全身性疾病，还会影响患者外貌发音。辨识颌面畸形类型以及畸形程度是开展颌面畸形治疗的前提。目前临床实践中，主要通过有经验的口腔医生分析X光影像、照片(正面、侧面)以确认是否存在颌面畸形、畸形类型以及畸形程度，这种定性分析使得颌面畸形析效率相对较低，并限制了患者颌面畸形分析数据更深入的应用。当前，计算机技术、智能算法和图像分析技术较为完善强大，若能结合智能算法和图像分析技术，构建颌面畸形定量化快速识别方法，将颌面畸形诊断的过程参数化、定量化，根据X光影像、照片(正面、侧面)自动化判断是否存在颌面畸形、识别颌面畸形类型，势必会大大提高颌面畸形诊断效率。目前，只有极个别的医学院开发了牙颌面畸形识别方法，但现有技术依赖于面部三维照片集，实施过程极为复杂。
发明内容
针对上述现有技术中的不足，本发明提出一种基于智能分类算法的颌面畸形自动识别方法，可以根据患者个体的X光影像、面部照片对颌面畸形进行准确识别与分类，具有实施容易、分类准确度高的特点，可有效提高颌面畸形诊断效率。
为了实现上述目的，一方面，本发明提供一种基于智能分类算法的颌面畸形自动识别方法，包括以下步骤：
步骤一、获取面部软、硬组织图像：所述面部软、硬组织图像包括但不限于正面照片、侧面照片、头颅正位片和头颅侧位片；
步骤二、对面部软、硬组织图像进行预处理；
步骤三、基于先验知识对预处理后的面部软、硬组织图像分析获得颌面畸形类型定义与判定结果，所述判定结果包括正常、偏斜、后缩、前凸；
步骤四、基于预处理后的面部软、硬组织图像提取颌面畸形特征值，颌面畸形特征包括3个正面特征和12个侧面特征；
步骤五、颌面畸形分类器训练，以步骤四中提取的样本个体的颌面畸形特征值为输入，以步骤三中的经验丰富临床医生评判结果为输出，对智能分类器进行训练，获得到颌面畸形分类器模型；
步骤六、颌面畸形识别与分类，具体为：获取待诊断的患者个体的面部软、硬组织图像，并进行面部软、硬组织图像预处理，提取颌面畸形特征值。以待诊断患者的颌面畸形特征值为输入，利用步骤五中的颌面畸形分类器模型进行预测分类，获得待诊断患者的颌面畸形识别结果。
在一个优选的实施方式中，按照样本个体自然顺序进行标记，采集样本个体自然姿势位的正面照片、侧面照片、头颅正位片和头颅侧位片，并按照样本个体自然顺序进行标记。
在一个优选的实施方式中，面部软、硬组织图像的预处理逻辑包括：
描记头颅正位片中双侧颧额缝交眶外侧点Zg-L和Zg-R的连线，使之与水平线平行，过鸡冠点Cg做的中垂线标记为面中线Mid；
正面照片取两瞳孔高光连线与水平线对齐，取内眦连线的中点作垂直于水平线的直线标记为软组织面中线Mid’；
描记头颅侧位片中的软组织轮廓线，标注眶下点Or和解剖耳点Po的连线，旋转头颅侧位片使眶耳平面FH与水平面平行，矫正角度；
侧面照片降低透明度后，将侧面照片与角度矫正后头颅侧位片的软组织轮廓线对齐，使得侧面照片中的眶耳平面与水平面平行，矫正侧面照片角度。
在一个优选的实施方式中，所述先验知识为通过3位及以上经验丰富的临床医生根据样本个体的正面照片、侧面照片、头颅正位片和头颅侧位片共同判定颌面畸形类型。
在一个优选的实施方式中，基于正面照片提取3个正面特征，正面特征包括面斜角、颏偏比和面非对称率；其中：
鼻下点N’到颏下点Me’的连线与软组织面中线Mid’之间的夹角θ标记为为面斜角；
颏下点到面中线的距离标记为DM，左右内眦间距记为DI，两者的比值DM/DI标记为颏偏比；
左、右下颌角点Go-L/R到面中线的距离分别记为DL、DR，两者的差值与两者中较大值的比值标记为面非对称率。
在一个优选的实施方式中，基于侧面照片提取12个侧面特征，侧面特征包括Z角、上下面高比、鼻唇角、颏唇沟、上下唇突角、下颌轮廓角、侧上面距比、侧中面距比、侧下面距比、侧上面角、中面角和下面角，其中：
过颏前点Pog与上唇缘的切线与FH平面形成的夹角标记为Z角；
分别测量额点G与鼻下点N’竖直距离H1和鼻下点N’与颏下点Me竖直距离H2，H1比H2的比值标记为上下面高比；
过鼻下点N’分别与鼻底和上唇做切线，两者的夹角b标记为鼻唇角；
过颏唇沟最凹点分别向下唇和颏部做切线，两者的夹角c标记为颏唇沟；
上唇突点、下唇突点连线与竖直方向夹角d标记为上下唇突角；
过下唇突点做颏部的切线，与下颌下缘线的夹角e标记为下颌轮廓角；
耳屏点Tr到额点G的距离为D1，耳屏点Tr到鼻下点N’之间的距离为D2，两者的比值D1/D2标记为侧上面距比；
耳屏点到下唇突点之间的距离为D3，比值D1/D3标记为侧中面距比；
耳屏点到颏下点之间的距离为D4，比值D1/D4标记为侧下面距比；
耳屏点-额点连线和耳屏点-鼻下点连线之间的夹角f标记为侧上面角；
耳屏点-鼻下点连线和耳屏点-下唇突点连线之间的夹角g记为侧中面角；
耳屏点-下唇突点连线和耳屏点-颏下点连线之间的夹角h记为侧下面角。
在一个优选的实施方式中，所述颌面畸形分类器模型包括支持向量机SVM算法、分类回归树CART算法、贝叶斯分类器、神经网络中至少一种智能分类算法，依次使用十折交叉验证方法对颌面畸形分类器模型的精度进行验证。
第二方面，本发明提供一种存储在计算机可读介质上的计算机程序产品，其特征在于：包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的一种基于智能分类算法的颌面畸形自动识别方法。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明创造性地提出一种基于智能分类算法的颌面畸形自动识别方法，建立了有效的颌面畸形特征，并建立颌面畸形与颌面畸形特征值之间的定量化关系，实现病患个体颌面畸形的准确识别与分类，实施容易、分类准确度高，仅需开展少量、常规的影像测量工作，具有很强的临床实用性，可有效提高颌面畸形诊断效率。
附图说明
图1为本发明基于智能分类算法的颌面畸形自动识别方法流程。
图2为面部软、硬组织图像预处理效果图。
图3为面部正面特征描述图。
图4为面部侧面特征描述图。
图5为头影正位片特征描述图。
图6为侧面照片角度矫正后效果图。
图7为颌面畸形分类器模型算法示意图。
具体实施方式
下面根据附图1～图7，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1-7，本发明实施例的一种基于智能分类算法的颌面畸形自动识别方法，包括以下步骤:
步骤一、获取面部软、硬组织图像：所述面部软、硬组织图像包括但不限于正面照片、侧面照片、头颅正位片和头颅侧位片；
具体地，按照样本个体自然顺序进行标记，具体实验采集196个样本个体自然姿势位的正面照片、侧面照片、头颅正位片和头颅侧位片，并按照样本个体自然顺序进行标记，196个样本包含61正常人样本和135个颌面畸形患者。
步骤二、对面部软、硬组织图像进行预处理，预处理后的面部软、硬组织图像效果图如图2所示，包括：
描记头颅正位片中双侧颧额缝交眶外侧点Zg-L和Zg-R的连线，使之与水平线平行，过鸡冠点Cg做的中垂线标记为面中线Mid，如图5所示；
正面照片取两瞳孔高光连线与水平线对齐，取内眦连线的中点作垂直于水平线的直线标记为软组织面中线Mid’，如图3所示；
描记头颅侧位片中的软组织轮廓线，标注眶下点Or和解剖耳点Po的连线，旋转头颅侧位片使眶耳平面FH与水平面平行，矫正角度，如图4所示；
侧面照片降低透明度后，将侧面照片与角度矫正后头颅侧位片的软组织轮廓线对齐，如图6所示，使得侧面照片中的眶耳平面与水平面平行，矫正侧面照片角度；
具体地，将196个样本个体的正面照片、侧面照片、头颅正位片和头颅侧位片依次导入图像处理软件Photoshop进行预处理，描记头颅正位片中双侧颧额缝交眶外侧点(Zg-L/R)的连线，使之与水平线平行，过鸡冠点(Cg)做中垂线，为面中线(Mid)。正面照片取两瞳孔高光连线与水平线对齐，纠正偏斜角度，取内眦连线的中点作垂直于水平线的直线，为面中线。描记头颅侧位片中的软组织轮廓线，标注眶下点(Or)和解剖耳点(Po)的连线，旋转头颅侧位片使眶耳平面(FH)与水平面平行，矫正角度。侧面照片降低透明度后，将侧貌与角度矫正后头颅侧位片的软组织轮廓线对齐，若面下1/3的软组织轮廓线与实际侧面照片轮廓相差较大，则以面上及面中1/3的软组织轮廓线对齐为准。使得侧面照片中的眶耳平面与水平面平行，矫正侧面照片角度。面部软、硬组织图像预处理效果图如图2所示。
步骤三、基于先验知识对预处理后的面部软、硬组织图像分析获得颌面畸形类型定义与判定结果，所述判定结果包括正常、偏斜、后缩、前凸。
具体为：通过3位及以上经验丰富的临床医生(副主任及其以上医师)，根据样本个体的正面照片、侧面照片、头颅正位片和头颅侧位片共同判定颌面畸形类型，判定结果分为正常、偏斜、后缩、前凸四种结果，上述196个样本个体判断为61例正常和135例后缩。
步骤四、基于预处理后的面部软、硬组织图像提取颌面畸形特征值，颌面畸形特征包括3个正面特征和12个侧面特征，具体如表1所示；
基于正面照片提取3个正面特征，正面特征包括面斜角、颏偏比和面非对称率；如图3所示，其中：
鼻下点N’到颏下点Me’的连线与软组织面中线Mid’之间的夹角θ标记为为面斜角；
颏下点到面中线的距离标记为DM，左右内眦间距记为DI，两者的比值DM/DI标记为颏偏比；
左、右下颌角点Go-L/R到面中线的距离分别记为DL、DR，两者的差值与两者中较大值的比值标记为面非对称率；
基于侧面照片提取12个侧面特征，侧面特征包括Z角、上下面高比、鼻唇角、颏唇沟、上下唇突角、下颌轮廓角、侧上面距比、侧中面距比、侧下面距比、侧上面角、中面角和下面角，如图4所示，其中：
过颏前点Pog与上唇缘的切线与FH平面形成的夹角标记为Z角；
分别测量额点G与鼻下点N’竖直距离H1和鼻下点N’与颏下点Me竖直距离H2，H1比H2的比值标记为上下面高比；
过鼻下点N’分别与鼻底和上唇做切线，两者的夹角b标记为鼻唇角；
过颏唇沟最凹点分别向下唇和颏部做切线，两者的夹角c标记为颏唇沟；
上唇突点、下唇突点连线与竖直方向夹角d标记为上下唇突角；
过下唇突点做颏部的切线，与下颌下缘线的夹角e标记为下颌轮廓角；
耳屏点Tr到额点G的距离为D1，耳屏点Tr到鼻下点N’之间的距离为D2，两者的比值D1/D2标记为侧上面距比；
耳屏点到下唇突点之间的距离为D3，比值D1/D3标记为侧中面距比；
耳屏点到颏下点之间的距离为D4，比值D1/D4标记为侧下面距比；
耳屏点-额点连线和耳屏点-鼻下点连线之间的夹角f标记为侧上面角；
耳屏点-鼻下点连线和耳屏点-下唇突点连线之间的夹角g记为侧中面角；
耳屏点-下唇突点连线和耳屏点-颏下点连线之间的夹角h记为侧下面角。
表1颌面畸形特征
步骤五、颌面畸形分类器训练，以步骤四中提取的样本个体的颌面畸形特征值为输入，以步骤三中的经验丰富临床医生评判结果为输出，对智能分类器进行训练，获得到颌面畸形分类器模型，如图7所示；同时为了验证所建立的颌面畸形特征的有效性和普适性，选取四种智能分类算法，即所述颌面畸形分类器模型包括支持向量机(SVM)、分类回归树(CART)、贝叶斯分类器、神经网络中至少一种智能分类算法，依次使用上述四个颌面畸形分类器模型，采用十折交叉验证方法对模型精度进行验证，四个分类器模型的精度分别为85.11％、83.89％、79.93％、83.57％。
步骤六、颌面畸形识别与分类，具体为：获取待诊断的患者个体的面部软、硬组织图像，并进行面部软、硬组织图像预处理，提取颌面畸形特征值。以待诊断患者的颌面畸形特征值为输入，利用步骤五中的颌面畸形分类器模型进行预测分类，获得待诊断患者的颌面畸形识别结果。
具体为：提取30个待诊断的患者进行测试，基于步骤一获取30个待诊断的患者个体的面部软、硬组织图像，通过上述步骤二进行30待诊断的患者个体面部软、硬组织图像预处理，通过上述步骤四提取30待诊断的患者颌面畸形特征值。以30个待诊断患者的颌面畸形特征值为输入，利用步骤五中的颌面畸形分类器模型进行预测分类，获得待诊断患者的颌面畸形识别结果，将颌面畸形识别结果与步骤三中经验丰富临床医生评判结果进行比对分析，获得待诊断患者的颌面畸形识别精度为85.61％。
实施例2
根据示例性实施例示出的一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的一种基于智能分类算法的颌面畸形自动识别方法。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果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，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(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：包括以下步骤：
步骤一、获取面部软、硬组织图像：所述面部软、硬组织图像包括但不限于正面照片、侧面照片、头颅正位片和头颅侧位片；
步骤二、对面部软、硬组织图像进行预处理；
步骤三、基于先验知识对预处理后的面部软、硬组织图像分析获得颌面畸形类型定义与判定结果，所述判定结果包括正常、偏斜、后缩、前凸；
步骤四、基于预处理后的面部软、硬组织图像提取颌面畸形特征值，颌面畸形特征包括3个正面特征和12个侧面特征；
步骤五、颌面畸形分类器训练，以步骤四中提取的样本个体的颌面畸形特征值为输入，以步骤三中的经验丰富临床医生评判结果为输出，对智能分类器进行训练，获得到颌面畸形分类器模型；
步骤六、颌面畸形识别与分类，具体为：获取待诊断的患者个体的面部软、硬组织图像，并进行面部软、硬组织图像预处理，提取颌面畸形特征值。以待诊断患者的颌面畸形特征值为输入，利用步骤五中的颌面畸形分类器模型进行预测分类，获得待诊断患者的颌面畸形识别结果。
2.根据权利要求1所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：按照样本个体自然顺序进行标记，采集样本个体自然姿势位的正面照片、侧面照片、头颅正位片和头颅侧位片，并按照样本个体自然顺序进行标记。
3.根据权利要求2所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：面部软、硬组织图像的预处理逻辑包括：
描记头颅正位片中双侧颧额缝交眶外侧点Zg-L和Zg-R的连线，使之与水平线平行，过鸡冠点Cg做的中垂线标记为面中线Mid；
正面照片取两瞳孔高光连线与水平线对齐，取内眦连线的中点作垂直于水平线的直线标记为软组织面中线Mid’；
描记头颅侧位片中的软组织轮廓线，标注眶下点Or和解剖耳点Po的连线，旋转头颅侧位片使眶耳平面FH与水平面平行，矫正角度；
侧面照片降低透明度后，将侧面照片与角度矫正后头颅侧位片的软组织轮廓线对齐，使得侧面照片中的眶耳平面与水平面平行，矫正侧面照片角度。
4.根据权利要求3所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：所述先验知识为通过3位及以上经验丰富的临床医生根据样本个体的正面照片、侧面照片、头颅正位片和头颅侧位片共同判定颌面畸形类型。
5.根据权利要求4所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：基于正面照片提取3个正面特征，正面特征包括面斜角、颏偏比和面非对称率；其中：
鼻下点N’到颏下点Me’的连线与软组织面中线Mid’之间的夹角θ标记为为面斜角；
颏下点到面中线的距离标记为DM，左右内眦间距记为DI，两者的比值DM/DI标记为颏偏比；
左、右下颌角点Go-L/R到面中线的距离分别记为DL、DR，两者的差值与两者中较大值的比值标记为面非对称率。
6.根据权利要求5所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：基于侧面照片提取12个侧面特征，侧面特征包括Z角、上下面高比、鼻唇角、颏唇沟、上下唇突角、下颌轮廓角、侧上面距比、侧中面距比、侧下面距比、侧上面角、中面角和下面角，其中：
过颏前点Pog与上唇缘的切线与FH平面形成的夹角标记为Z角；
分别测量额点G与鼻下点N’竖直距离H1和鼻下点N’与颏下点Me竖直距离H2，H1比H2的比值标记为上下面高比；
过鼻下点N’分别与鼻底和上唇做切线，两者的夹角b标记为鼻唇角；
过颏唇沟最凹点分别向下唇和颏部做切线，两者的夹角c标记为颏唇沟；
上唇突点、下唇突点连线与竖直方向夹角d标记为上下唇突角；
过下唇突点做颏部的切线，与下颌下缘线的夹角e标记为下颌轮廓角；
耳屏点Tr到额点G的距离为D1，耳屏点Tr到鼻下点N’之间的距离为D2，两者的比值D1/D2标记为侧上面距比；
耳屏点到下唇突点之间的距离为D3，比值D1/D3标记为侧中面距比；
耳屏点到颏下点之间的距离为D4，比值D1/D4标记为侧下面距比；
耳屏点-额点连线和耳屏点-鼻下点连线之间的夹角f标记为侧上面角；
耳屏点-鼻下点连线和耳屏点-下唇突点连线之间的夹角g记为侧中面角；
耳屏点-下唇突点连线和耳屏点-颏下点连线之间的夹角h记为侧下面角。
7.根据权利要求6所述的一种基于智能分类算法的颌面畸形自动识别方法，其特征在于：所述颌面畸形分类器模型包括支持向量机SVM算法、分类回归树CART算法、贝叶斯分类器、神经网络中至少一种智能分类算法，依次使用十折交叉验证方法对颌面畸形分类器模型的精度进行验证。
8.一种存储在计算机可读介质上的计算机程序产品，其特征在于：包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1-7任一项所述的一种基于智能分类算法的颌面畸形自动识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862143.9A CN117612239A (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能分类算法的颌面畸形自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311862143.9A CN117612239A (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能分类算法的颌面畸形自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117612239A true CN117612239A (zh) | 2024-02-27 |
Family
ID=89951806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311862143.9A Pending CN117612239A (zh) | 2023-12-29 | 2023-12-29 | 一种基于智能分类算法的颌面畸形自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117612239A (zh) |
-
2023
- 2023-12-29 CN CN202311862143.9A patent/CN117612239A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bulatova et al. | Assessment of automatic cephalometric landmark identification using artificial intelligence | |
| Wang et al. | Evaluation and comparison of anatomical landmark detection methods for cephalometric x-ray images: a grand challenge | |
| JP5959699B2 (ja) | パノラマエックス線写真を利用した診断支援システム、及びパノラマエックス線写真を利用した診断支援プログラム | |
| US20180061054A1 (en) | Automated Cephalometric Analysis Using Machine Learning | |
| CN109767841B (zh) | 一种基于颅颌面三维形态数据库的相似模型检索方法及装置 | |
| CN110246580B (zh) | 基于神经网络和随机森林的颅侧面影像分析方法和系统 | |
| TW200900042A (en) | Cephalogram image analysis method | |
| Yuan et al. | Personalized design technique for the dental occlusal surface based on conditional generative adversarial networks | |
| CN115797730B (zh) | 模型训练方法及装置、头影测量关键点定位方法及装置 | |
| Lee et al. | Deep learning based cephalometric landmark identification using landmark-dependent multi-scale patches | |
| CN110236673B (zh) | 一种基于数据库的双侧颌骨缺损重建术前设计方法及装置 | |
| Chen et al. | Missing teeth and restoration detection using dental panoramic radiography based on transfer learning with CNNs | |
| Yao et al. | Automatic localization of cephalometric landmarks based on convolutional neural network | |
| Zhong et al. | 3D dental biometrics: Alignment and matching of dental casts for human identification | |
| EP4382074A1 (en) | Method for deriving head measurement parameters for tooth correction diagnosis based on machine learning from three-dimensional cbct image captured at natural head position | |
| Pepe et al. | Pattern recognition and mixed reality for computer-aided maxillofacial surgery and oncological assessment | |
| CN109087357A (zh) | 扫描定位方法、装置、计算机设备及计算机可读存储介质 | |
| CN117612239A (zh) | 一种基于智能分类算法的颌面畸形自动识别方法 | |
| US20220361992A1 (en) | System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning | |
| US20220358740A1 (en) | System and Method for Alignment of Volumetric and Surface Scan Images | |
| CN106485667B (zh) | 一种颅面复原方法 | |
| Wirtz et al. | Automated cephalometric landmark localization using a coupled shape model | |
| US20230298272A1 (en) | System and Method for an Automated Surgical Guide Design (SGD) | |
| Pchelkina et al. | The Application of Image Mining Methods in Cephalometric Analisys | |
| US20230051400A1 (en) | System and Method for Fusion of Volumetric and Surface Scan 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 |