本专利申请要求于2015年11月13日提交的美国临时序列号62/254,979的权益，所述美国临时专利申请通过引用结合在此。
本文档总体上涉及图像处理。更具体地，本文档涉及用于基于图像分析结果对根尖周疾病进行鉴别诊断的系统和方法。
背景技术：
存在本领域中已知的各种图像处理技术。在这类图像处理技术中，输入数字图像可以被处理以生成与其有关的特性或参数集合。数字图像是按特定顺序布置的像素集合，其中宽度为x，高度为y。像素是图像的最小图片元素。每个像素具有数字颜色值、数字大小/空间值，和/或与其相关联的强度。所述数值包括至少一(1)位的二进制数。例如，单色像素可以具有两个(2)颜色值：0(例如，表示黑色)或1(例如，表示白色)。彩色或灰度像素需要更多的位(例如，24位)以表示每个颜色。每个像素的强度是可变的。在彩色图像系统中，颜色通常由三个(3)分量强度(比如，红色、绿色和蓝色)表示。其他分量强度可以包括青色、品红色、黄色和/或黑色。
技术实现要素：
本公开总体上涉及用于生成医疗诊断和/或牙科诊断的系统和方法。所述方法包括：由计算设备获得受试者身体的所选部分的真彩色图像；由所述计算设备将所述真彩色图像转换为灰度强度图像；由所述计算设备通过调节所述灰度强度图像的对比度来生成直方图均衡化图像；以及由所述计算设备对所述直方图均衡化图像进行处理以生成对生成所述医疗诊断和/或牙科诊断有用的第一信息。所述第一信息包括以下各项中的至少一项：(a)疾病区域的像素平均强度值与正常区域的平均像素强度值之比，以及(b)指示牙周韧带间隙是否已经被加宽或被破坏(指示损伤是否是脓肿，肉芽肿或囊肿)的指示符。然后，所述第一信息用于由计算设备生成所述医疗诊断和/或牙科诊断。在将指定所述医疗诊断和/或牙科诊断的信息存储在数据存储中或通过网络传递之前可以对所述信息进行加密。
在一些场景中，所述处理涉及：生成所述直方图均衡化图像的等值线图，使得所述直方图均衡化图像的正常和异常骨密度区域是可识别的；生成所述直方图均衡化图像的彩色图，使得根管(包括通过目视技术很难识别的副管)是可识别的；和/或生成红色图像、绿色图像或蓝色图像，使得管尺寸的变化是可识别的。
在这些或其他场景中，所述方法还包括使用受试者的医疗记录中指定的临床症状将所述医疗诊断和/或牙科诊断转变为更准确的医疗诊断和/或牙科诊断。这种转变可以涉及确定所述受试者的医疗记录中指定的所述临床症状匹配是否匹配由所述医疗诊断和/或牙科诊断识别的医疗和/或牙科状况的临床症状。如果是，则核实或验证所述医疗和/或牙科状况的准确度。如果不是，则确定所述医疗诊断和/或牙科诊断是不准确的。相应地，所述第一信息和医疗记录信息被重新分析以导出更准确的医疗诊断和/或牙科诊断。
在这些或又其他场景中，所述医疗诊断和/或牙科诊断是另外基于在所述受试者的医疗记录中指定的临床症状生成的。更具体地，所述医疗诊断和/或牙科诊断是通过以下操作生成的：基于所述临床症状获得第一鉴别诊断；以及使用所述第一信息来验证所述第一鉴别诊断的准确度。可替代地，所述医疗诊断和/或牙科诊断是通过以下操作生成的：基于所述临床症状获得第一鉴别诊断；基于所述第一信息获得第二鉴别诊断；以及基于所述第一鉴别诊断和第二鉴别诊断确定所述医疗诊断和/或牙科诊断。
附图说明
将参照一下附图描述实施例，在附图中，相同的数字贯穿所述附图表示相同的项。
图1是示例性计算设备的示意图。
图2是用于分析图像的示例性方法的流程图。
图3示出了示例性真彩色图像。
图4示出了示例性灰度强度图像。
图5示出了示例性直方图均衡化图像。
图6示出了直方图均衡化图像的示例性等值线图。
图7示出了直方图均衡化图像的示例性彩色图。
图8示出了示例性绿色图像。
图9示出了自动图像分析过程的正常原始图像输入。
图10示出了由自动图像分析过程产生的图像。
图11示出了由自动图像分析过程产生的经对比度调节的图像。
图12示出了由自动图像分析过程产生的直方图均衡化图像。
图13示出了在其上具有重叠框的图像，示出了其射线可透过的区域。
图14是示例性基于网络的系统的图示。
图15是pdl间隙的图示。
图16是用于生成准确的医疗诊断的示例性的流程图。
具体实施方式
将容易理解的是，如本文概括性描述的且在附图中展示的本实施例的组件可以以各种各样的不同配置被安排和设计。因此，如附图中所示，以下各种实施例的详细说明并非旨在限制本公开的范围，而是仅在于代表各种实施例。虽然实施例的各种方面在附图中呈现，但除非特别指示，否则附图不一定是按比例绘制的。
在不脱离本解决方案的精神或重要特性的情况下，本解决方案可以用其他特定形式体现。所描述的实施例将在所有方面被认为仅是说明性的而不是限制性的。因此本解决方案的范围由所附权利要求书而非本详细说明书指示。权利要求书中的同等意义和范围内的所有变化都将包括在其范围内。
贯穿本说明书，对特征、优点或类似语言的引用并不暗示所有这些可以利用本解决方案实现的特征和优点应该是或是本发明的任何单个实施例。而是，引用特征和优点的语言应被理解成意味着与实施例结合描述的特定特征、优点或特性包括在本解决方案的至少一个实施例中。因此，对贯穿本说明书的特征和优点和类似语言的讨论可以但不一定指同一实施例。
此外，本解决方案的所描述特征、优点和特性可以用任何合适的方式组合在一个或多个实施例中。鉴于本文的描述，相关技术领域内的技术人员将认识到，可以在没有一个具体实施例的特定特征或优点中的一个或多个的情况下实践本解决方案。在其他实例中，可以在可能没有在本解决方案的所有实施例中呈现的某些实施例中认识到附加特征和优点。
贯穿本说明书对“一个实施例(oneembodiment)”、“实施例(anembodiment)”或类似语言的引用意味着在本解决方案的至少一个实施例中包括了与结合所指示实施例描述的一个具体的特征、结构或特性。因此，贯穿本说明书的短语“在一个实施例中(inoneembodiment)”、“在实施例中(inanembodiment)”和类似语言可以但不一定都指同一个实施例。
如在本文档中所使用的，除非文中另外明确指明，否则单数形式的“一个(a)”、“一个(an)”以及“所述(the)”包括复数对象。除非另外定义，否则本文中所使用的所有科技术语均具有与本领域的普通技术人员通常所理解的相同含义。如在本文档中所使用的，术语“包括”指“包括但不限于”。
本公开涉及使用图像处理工具箱来提高诊断效率的用于根尖周病理的计算机化鉴别诊断的系统和方法。主要概念在于识别像素强度、牙周韧带间隙与牙槽骨模式的测量之间的距离，并且其次在于对图像给予效果以区别不同的结构(例如，副管、骨损失的自动识别和牙隐裂综合征的识别)。如此，本技术是在新出现的牙科信息学领域中，所述牙科信息包括计算机科学、信息科学和牙科科学的应用以改进牙科诊断。本技术允许对标准x射线进行分析，以便提供有时不可观察到的疾病、感染(例如，根尖牙周炎，根尖周脓肿)、牙齿和组织状况(包括密度和射线透射性等公认的指示符)、病理、位置和与除x射线可能提供的读数之外有关(包括x射线根本不指示任何疾病问题的情况下)的信息。模拟测试已经演示了对(可以防止大型外科和微创手术的)早期或困难的检测和鉴别诊断有帮助的高灵敏度、特殊性和准确度。
实际上，传统的x射线可被给予不同的效果和读数。本技术还可以为问题的体积和深度的多维确定提供切片模拟。机器学习为临床医生给出了选择以使用本技术不仅是用于牙髓目的，还可以用于牙周目的、儿童牙科目的、口腔修复目的和口腔诊断目的。使用这种机器学习，基于具有或不具有状况的不同情况的x射线的输入，计算机可以学习并且接受诊断不同情况的大部分区域的训练。这种工具还包括用于训练系统诊断不同情况的机器学习算法。
在一些场景中，
％---基于按钮按压来执行将图像转换为灰度。
functionpushbutton1_callback(hobject,eventdata,handles)
globalfilename；
filename＝uigetfile；
i＝imread(filename)；
gray＝rgb2gray(i)；
imshow(gray)；
％---基于按钮按压来执行直方图均衡化。
functionpushbutton2_callback(hobject,eventdata,handles)
globalfilename；
i＝imread(filename)；
gr＝rgb2gray(i)；
hs＝histeq(gr)；
imshow(hs)；
％---基于骨密度功能按钮按压来执行生成对识别骨损失区域有用的等值线图。
functionpushbutton3_callback(hobject,eventdata,handles)
globalfilename；
i＝imread(filename)；
gr＝rgb2gray(i)；
imcontour(gr)
％---基于管识别功能的按压来执行生成对识别根管(特别是副根管)有用的彩色图。
functionpushbutton5_callback(hobject,eventdata,handles)
globalfilename；
i＝imread(filename)；
colormapdefault
％---基于颜色提取功能的按压来执行生成对更容易识别的可以指示脓肿存在的管尺寸变化有用的绿色图像。
functionpushbutton8_callback(hobject,eventdata,handles)
globalfilename；
i＝imread(filename)；
i(:,:,1)＝0；
i(:,:,3)＝0；
imshow(i)；
％---基于像素强度功能的按压来执行计算对通过医疗从业者确认或核实诊断有用的像素平均强度值。用户将被提示在所显示的图像中选择两个区域。第一区域包括临床医生认为其可能患有疾病的区域。第二区域包括临床医生认为其是正常的非疾病区域的区域。工具自动地取得第一和第二区域的像素强度之比，并且将比值分类在0与1之间。基于所述比，工具将给出一个诊断。
globalfilename；
i＝imread(filename)；
gcv＝rgb2gray(i)；
hs＝histeq(gcv)；
pix＝impixel(hs)；
avg＝mean(pix)；
ratio＝firstregion/secondregion；
此过程还使用机器学习算法被自动编程。其中，临床医生也可以基于损伤来训练系统。在实现了期望的准确度、灵敏度和特殊性之后，手动选择功能将被省去，并且计算机将自动地诊断疾病。以下提供了用于机器学习的示例性代码。
训练算法：
数据库构建程序：
训练:
loadxydata.mat
in0＝find(yv＝＝0)
in1＝find(yv＝＝1)；
y0＝yv(in0)；
y1＝yv(in1)；
x0＝xv(in0,:)；
x1＝xv(in1,:)
xv＝[x0；x1]
yv＝[y0；y1]
svmstruct＝svmtrain(xv,yv,'showplot',true)；
classes＝svmclassify(svmstruct,xv)；
err＝sum(abs(yv-classes))
acc＝(length(yv)-err)/length(yv)
savesvmstructsvmstruct
如由以上代码所示的，放射线图像是使用存在于图像处理工具箱中的不同功能和效果进行分析的。这些功能促进对正常/疾病区域、骨损失区域和副管区域的识别。骨损失区域通过测量根尖周区域的骨密度和检测所测得的骨密度的变化来识别。
提供以下示例，以便进一步展示本解决方案。然而，不应认为本解决方案的范围由此以任何方式受到限制。
示例
在一些场景中，所述方法涉及：收集放射线图像；使用图像处理工具箱的不同功能来分析放射线图像；使用根尖周区域的功能和密度水平来诊断第一组结果和第二组结果；以及对第一组结果和第二组结果进行比较。
所述结果指定了对于进行诊断有用的以下四个(4)不同的类：
(1)类1-没有异常/发病机理：密度比0.8-1.0，并且牙周韧带(“pdl”)间隙没有加宽；
(2)类2-根尖牙周炎：密度比0.8-1.0，并且pdl间隙加宽到25；
(3)类3-根尖周脓肿/肉芽肿：0.25至0.70之间的密度比，并且pdl间隙被破坏；以及
(4)类4-根尖周囊肿/根尖周脓肿：密度比小于0.25，并且pdl间隙被破坏。
在三十个(30)放射线图像中，八个(8)图像被发现具有0.8至1.0之间的密度比，并且pdl间隙没有加宽，这得出了正常情况的结论。五个(5)图像发现具有0.8至1.0之间的密度比，并且pdl间隙加宽到25，这得出了根尖牙周炎情况的结论。十二个(12)图像发现具有0.25至0.70之间的密度比，并且pdl间隙被破坏，这得出了根尖周脓肿/肉芽肿情况的结论。五个(5)图像发现具有小于0.25的密度比，并且pdl间隙被破坏，这得出了根尖周囊肿情况的结论。这些放射照片是根据黄金标准诊断来验证的。系统实现了高准确度、精确率和召回率。
上述系统和方法可以用于与进行临床决策有关的多个目的。例如，所述系统和方法可以：给出损伤的早期诊断，这防止损伤扩散并且转移至下一阶段；在拍摄放射照片时，如果锥束的曝光水平和角度不适当，则x射线必须再次拍摄，这增加了对患者的放射线曝光。使用这种工具功能，x射线可以被调节并且防止其被再次拍摄，因此减小了放射线曝光水平；降低再次感染的概率，因为损伤已经在早期阶段得到了治疗；用于识别疾病，使得可以进行主要治疗；帮助阻止对外科手术(像牙尖切除术)的需要，因为感染已经被诊断出并且在早期阶段得到了治疗；节省时间并且提高患者的舒适度；用于很容易地发现副管；用于测量骨损失并且自动确定骨损失的阶段；用于测量从关节窝到髁突的距离，这有助于诊断颞下颌关节紊乱；用于在正牙治疗期间测量牙齿移动；用于测量牙齿如何响应于器具的力；用于测量龋病以及测量龋病与牙釉质或牙髓的相关性；和/或用于测量牙槽骨的骨小梁模式，以用于检测牙隐裂综合征。自动检测特征可以帮助牙医进行鉴别诊断。这对于电牙科学可以是有用的。这对牙医仅一个月到访一次到两次的农村诊所是有用的。牙科辅助设备可以使用这种工具箱，并且做好诊断和鉴别诊断准备。这可以是牙科学生的教育工具。
现在参照图1，提供了对理解本解决方案有用的示例性计算设备100的框图。计算设备100可以包括但不限于笔记本计算机、台式计算机、膝上型计算机、个人数字助理、和平板pc。值得注意的是，计算设备100的一些或所有组件可以被实施为硬件、软件和/或硬件和软件的组合。硬件包括但不限于一个或多个电子电路。电子电路可以包括但不限于无源电子部件(例如，电阻器、电容器、电感器和/或二极管)、有源电子组件(例如，二极管、晶体管、集成电路和/或光电子器件)和/或机电部件(例如，终端、连接器、电缆组件、开关和/或保护设备)。
值得注意的是，计算设备100可以包括比图1中所示的这些更多或更少的组件。然而，所示出的组件足以公开实施本解决方案的说明性实施例。图1的硬件体系结构表示被配置用于以有效方式来促进放射线图像的代表性计算设备的一个体系结构。如此，图1的计算设备100实施用于根尖周病理的计算机化检测的改进方法。
值得注意的是，本解决方案不限于单一计算机实施。在一些场景中，本解决方案在基于网络的系统中实施的。图14中提供了示例性基于网络的系统1400。在这种情况下，计算设备100经由网络1402(例如，互联网或内联网)通信地耦合至服务器1404。计算设备100可以从数据库1406读取数据或将数据写入到所述数据库。已列出的组件1402至1406中的每个在本领域中是公知的，并且因此在此将不进行详细描述。任何已知的将已知的网络、服务器和/或数据存储可以在此没有限制地被使用。而且，密码技术可用于确保密文在设备100和1404之间传递。密文可以包括与个人病史相关的信息。
如图1所示，计算设备100包括系统接口122、用户界面102、中央处理单元(“cpu”)106、系统总线110、通过系统总线110被连接到计算设备100的其他部分且可被计算设备的其他部分访问的存储器112、以及连接至系统总线110的硬件实体114。硬件实体114中的至少一些执行涉及存储器112的访问和使用的动作，所述存储器可以是随机存取存储器(“ram”)、磁盘驱动器和/或光盘只读存储器(“cd-rom”)。
系统接口122允许计算设备100与外部通信设备(例如，远程服务器或网络节点)进行直接或间接通信。如果计算设备100正在与外部通信设备进行间接通信，则计算设备100正在通过公用网络(例如，互联网或内联网)发送和接收通信。
硬件实体114可以包括磁盘驱动器单元116，所述磁盘驱动器单元包括计算机可读存储介质118，在所述计算机可读存储介质上存储有被配置用于实施在此描述的方法、过程或功能中的一个或多个的一组或者多组指令120(例如，软件代码)。指令120还可在被计算机系统100执行期间完全或部分地驻留在存储器112内和/或cpu106内。存储器112和cpu106也可以构成机器可读介质。如本文所使用的，术语“机器可读介质”指的是存储所述一组或多组指令120的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。如本文所使用的，术语“机器可读介质”还指能够存储、编码或承载用于由计算设备100执行的一组指令120和使计算设备100执行本公开的任何一个或多个方法的任何介质。
在一些场景中，硬件实体114包括被编程用于促进用于医学诊断目的的高效图像处理的电子电路(例如，处理器)。在此方面，应当理解的是，电子电路可以访问和运行图像分析和编辑(“iae”)软件应用(未在图1中示出)和安装在计算设备100上的其他类型的应用。iae软件应用总体上可操作以促进在应用窗口的图像显示、图像分析和所显示的图像的编辑。图像可以被编辑用于对所述图像进行注释。已列出的功能和由iae软件应用实施的其他功能在本领域中公知，并因此在此将不再详细描述。如以上所指出的，在一些场景中iae软件可以包括
现在参照图2，提供了用于处理图像的示例性方法200的流程图。在一些场景中，在从业者执行临床评估和/或从业者执行操作以便获得患者身体一部分的x射线之后执行方法200。然而，综合检查x射线是强制的。相应地，方法200还可用作综合检查的一部分。
方法200开始于步骤202，并且继续进行到步骤203。值得注意的是，在步骤203中，所有图像被标准化，然后对其进行任何分析。执行标准化是因为所有图像具有不同的大小和平均像素强度。为了使得所有图像相等，图像必须被标准化为单一大小和强度。标准化技术在本领域中是公知的，并因此在此将不再描述。任何已知的将已知的标准化技术可以在此没有限制地被使用。值得注意的是，本解决方案不限于图2所示的步骤的特定顺序。例如，标准化可以另外或替代地在步骤206或208之后执行。
在下一个步骤204中，真彩色图像(例如，x射线)或真彩色图像的一部分由计算设备(例如，图1和图14的计算设备100)获得。图3中示出了示例性真彩色图像。
在医疗应用中，从业者此时不具有任何诊断。如此，执行以下步骤以便识别：(1)图像内的正常和/或疾病区域，(2)图像内的正常和/或异常骨密度区域，和/或(3)异常根形成的或异常位置处的根管。信息(1)至(3)可用于确认或验证由医疗从业者作出的诊断。
然后，在步骤206中，真彩色图像由计算设备(例如，图1和图14的计算设备100)转换或转变为灰度强度图像。图4中示出了示例性灰度图像。用于将真彩色图像转换或转变为灰度强度图像的技术在本领域中是公知的。任何已知的将已知的转换技术可以在此使用。在一些场景中，转换涉及去除色调和饱和度信息，而保留亮度。
直方图均衡化由计算设备(例如，图1和图14的计算设备100)执行，以便调节灰度强度图像的对比度，使得模糊图像被转换为或转变为非模糊图像，如由步骤208所示。直方图均衡化在本领域中是公知的，并因此在此将不再描述。任何已知的将已知的直方图均衡化可以在此没有限制地被使用。在一些场景中，直方图均衡化涉及增加灰度强度图像的全局对比度，使得强度更好地分布在直方图上。强度分布通过扩散最频繁的强度值而实现。直方图均衡化导致x射线图像中骨结构和/或牙齿结构更好的视图，如图4和图5的示例性x射线所示。
在下一个步骤210中，操作由计算设备(例如，图1和图14的计算设备100)执行，以便生成直方图均衡化图像的等值线图。图6中示出了示例性等值线图。如图6所示，等值线图包括用表示形状的边界(例如，每个牙齿的边界)的等值线进行标记的直方图均衡化图像。用于生成等值线图的技术在本领域中是公知的。任何已知的将已知的等值线图技术可以在此没有限制地被使用。等值线图允许观察者更容易地识别具有正常骨密度的图像的区域和具有骨损失的图像的区域。例如，在图6中，浅灰色区域600展示正常骨密度，并且深灰色/黑色区域602表示异常骨密度(或两个相邻牙齿之间的骨损失)。这种异常骨密度或骨损失指示患者患有牙周炎(即，影响围绕并且支持牙齿和骨损失的组织的炎症性疾病)。牙周炎涉及牙齿周围的牙槽骨的逐渐损失，并且如果不治疗可能导致牙齿缺失。
当完成步骤210时，在步骤212中，操作由计算设备(例如，图1和图14的计算设备100)执行，以便生成直方图均衡化图像的彩色图。图7中示出了示例性彩色图。这些操作涉及对图像进行彩色编码，为了清楚地区分其结构。在一些场景中，彩色图允许管被更容易地识别，以便减少与例程根管手术相关联的并发症。当根管已经漏掉时，可能出现这种并发症。在此方面，应当理解的是，有时，如果牙齿具有比预期更多的管或如果牙齿处于异常位置，则牙医可能漏掉副管。如果这种情况发生，则细菌可能保留在受感染的管中，并且再次污染牙齿。
下一个步骤214涉及执行操作以基于直方图均衡化图像生成红色图像、绿色图像和/或蓝色图像。图8中示出了示例性绿色图像。在一些场景中，所述操作涉及：从图像中提取绿色和蓝色，以便仅在其中留下红色；从图像中提取红色和蓝色，以便仅在其中留下绿色；和/或从图像中提取绿色和红色，以便仅在其中留下蓝色。在一些场景中，红色图像、绿色图像和/或蓝色图像允许管尺寸(例如，直径)的变化更容易被识别。例如，相较于图3的真彩色图像和/或图4的灰度强度图像，在图8的绿色图像中更容易看到在根管尖端处发生的根尖周脓肿800。
下一个步骤216涉及由计算设备(例如，图1和图14的计算设备100)执行操作，以便确定疾病区域的平均像素强度值与正常区域的平均像素强度值之比。在一些场景中，在此使用针对患者和/或其他受试者而获得的x射线图像。此步骤可以自动执行或者响应于用户输入在所显示图像内选择两个兴趣区域。像素强度值在本领域中是公知的，并因此在此将不再详细描述。然而，应理解的是，像素强度值描述对应像素的亮度程度和/或对应像素应该是哪种颜色。对于灰度图像，像素强度值是表示像素亮度的单一数字。像素强度值通常包括具有在0至255之间的值的8位整数。像素强度值0通常指示像素颜色是黑色的。像素强度值255指示像素颜色是白色的。在0至255之间的值表示灰度梯度。对于彩色图像，像素强度值被表示为r、g和b分量的三个数字的向量。
pdl间隙(例如，图15的pdl间隙1500)还可以在可选步骤218中由计算设备(例如，图1和图14的计算设备100)确定。如应该被理解的是，pdl是包围牙齿的根部并且将其附着至牙槽骨的间隙，如图15所示的。
在一些场景中，在步骤216中确定的比率和/或在步骤218中确定的pdl间隙可用于进行鉴别诊断，如由步骤220所示的。例如，当比率具有在0.8与1.0之间的值时，进行没有异常/发病机理的诊断，并且不存在pdl间隙的加宽。当比率具有在0.8至1.0之间的值时，进行对根尖牙周炎的诊断，并且pdl间隙加宽到25。当比率具有在0.25至0.70之间的值时，进行根尖周脓肿/肉芽肿的诊断，并且存在被破坏的pdl间隙。当比率具有小于0.25的值时，进行根尖周囊肿或根尖周脓肿的诊断，并且存在被破坏的pdl间隙。
在一些场景中，鉴别诊断被转换或转变为更准确的鉴别诊断，如由可选步骤222所示的。这种转换或转变是使用受试者的医疗记录或病史而实现的。更具体地，判定受试者的医疗记录或病史中指定的临床症状是否匹配由鉴别诊断所识别的医疗状况的临床症状。如果是，则核实或验证所述医疗状况的准确度。如果不是，则确定所述医疗诊断是不准确的。相应地，所述第一信息和医疗记录信息被重新分析以导出更准确的医疗诊断。
在下一个可选步骤224中，计算设备(例如，图1和图14的计算设备100)可选地对指定医疗诊断的信息和/或包括上述图像、直方图或受试者的其他医疗信息的信息进行加密。加密可用于至少符合健康保险携带与责任法案(“hipaa”)保密性要求的目的。加密是使用基于混乱、随机或伪随机数的算法而实现的。任何已知的将已知的基于混乱、随机或伪随机数的算法可以在此没有限制地被使用。在第一计算设备的操作期间，可以从多个预定义种子值中选择或动态地生成基于混乱、随机或伪随机数的算法的种子值。如本文中所使用的，术语“种子值(seedvalue)”指的是用于生成混乱、随机或伪随机整数值序列的起始值。(多个)种子值可以基于与人类或动物受试者相关的信息(例如，识别符、地址、电话号码、年龄、医疗诊断、医疗症状、包含在病史中的信息、疾病区域的平均强度值、正常区域的平均像素强度值、牙周韧带间隙和/或任何其他值之比)而选择或生成。
随后，执行可选步骤226，在所述步骤中，经加密的信息被存储(例如，在图1的存储器112中)和/或在网络(例如，图14的网络1402)上被从第一计算设备传递至远程第二计算设备(例如，图14的服务器1404)，以用于存储在数据存储(例如，图14的数据库1406)中和/或随后处理。在第二计算设备处，经加密的信息可以被解密。用于对数据进行解密的方法在本领域中是公知的，并因此在此将不再描述。任何已知的将已知的解密技术可以在此没有限制地被使用。当完成步骤226时，执行步骤228，在所述步骤中，方法200结束，或执行其他处理。
在一些场景中，方法步骤210至226可以可选地由计算设备在没有或很少的用户输入的情况下自动执行。在这种情况下，医疗诊断可以由计算设备进行，并且在由计算设备执行的图像处理操作期间，图像的异常区域可以自动被识别。在图9至图13中示出了由执行这种自动操作的计算设备生成的示例性图像。
图9示出了自动图像分析过程的正常原始图像输入。在
图10示出了由自动图像分析过程产生的图像。图11示出了由自动图像分析过程产生的经对比度调节的图像。对比度调节被执行以提供对牙槽骨模式更好的理解。图12示出了由自动图像分析过程产生的直方图均衡化图像。在
值得注意的是，本技术可以采用机器学习以用于疾病诊断目的。机器学习可以基于预存储的模式、手动输入和/或先前图像分析的结果。机器学习技术在本领域中是公知的。任何已知的将已知的机器学习技术可以在此没有限制地被使用。
本解决方案不限于方法200的步骤被执行的特定顺序。在此方面，应当理解的是，在方法200中，执行图像处理以进行第一鉴别诊断，并且临床症状用于生成更准确的第二鉴别诊断，和/或验证第一鉴别诊断的准确度。在其他场景中，这种处理的顺序被颠倒，即，临床症状用于生成第一鉴别诊断，并且图像处理的结果用于生成更准确的第二鉴别诊断，和/或验证第一鉴别诊断的准确度。图16提供了展示这种逆向过程的流程图。
现在参照图16，方法1600开始于步骤1602，并且继续进行到步骤1604，在后一个步骤中，医疗状况的第一鉴别诊断是基于临床症状而获得的。医疗状况可以包括但不限于脓肿、慢性根尖脓肿、根尖周肉芽肿或根尖牙周囊肿。每个医疗状况与其临床症状一起在下面被定义。
脓肿是由细菌感染引起的组织液化形成的腔内脓液集合组成的。其本质上是急性发病或慢性的。患有急性损伤的患者经历轻度到剧烈疼痛，其本质上是快速的、自发的且极端的，并且相关组织肿胀。疼痛可以通过在牙齿上施加压力来减轻。在大多数情况下，牙齿对叩击极度敏感。活力测试是阴性的，并且牙齿可能被挤压在齿窝中。可能发生牙关紧闭。也可能产生系统性表现，包括发热、淋巴结肿大、不适、头痛和恶心。射线照相的损伤可能不会示出骨破坏，因为其发展非常快。在大多数情况下，牙齿对叩击极度敏感。活力测试是阴性的。
慢性根尖脓肿损伤是逐渐发病的，很少有或没有不适，并且通过开口于龈缘/牙龈沟的相关联的排流窦道间歇性地排出脓液。窦道在大多数情况下存在，其可以通过杜仲胶测试以及拍射线照片来确认。从射线照相上来看，通常存在骨质破坏的标志，比如，射线可透性。
根尖周肉芽肿总体上是无症状的，通常是通过射线照相诊断以及局限性损伤被诊断的。由于在所涉及的非重要牙齿的顶端处存在肉芽组织，可能存在叩痛不明显并且产生浊音。可能会报告咀嚼或咬时的轻微疼痛。除非急性恶化为脓肿，否则不会看见皮质板穿孔或窦道。
尖牙周囊肿、根尖周囊肿或根尖囊肿是不具有临床表现的无症状性损伤。如果没有二次感染，这些情况是无痛的，并且叩痛明显。这些情况持续一段时间，并且很少造成皮质板的扩张在临床上可见为肿胀。
再次参照图16，方法1600继续进行到步骤1606。步骤1606涉及执行图2的步骤204至220，以基于在步骤216中确定的比率和/或牙周韧带间隙是否已经被加宽和/或被破坏来获得第二鉴别诊断。然后，第二鉴别诊断用在步骤1608中，以便：(a)核实或验证第一鉴别诊断的准确度；和/或(b)以便基于第一鉴别诊断和第二鉴别诊断生成第三鉴别诊断。此后，可以执行可选步骤1610至1612。这些步骤涉及：可选地对指定第一、第二和/或第三医疗诊断的信息，和/或包括图像、直方图和受试者的其他医疗相关信息的信息进行加密；将经加密的信息存储在数据存储中；和/或在网络上传递经加密的信息。随后，执行步骤1614时，在所述步骤中，方法1600结束，或执行其他处理。
在一些场景中，本解决方案可以扩展至根尖周损伤鉴别诊断工具内的人工神经网络和基于规则的知识系统。这种程序执行分类，将描述给定情况的一组发现作为输入并且将一组数字生成为输出，其中，每个输出对应于特定分类可能解释所述发现的可能性。基于规则的决策支持系统是一种基于知识类型的临床决策支持系统。已编译数据的规则和关联最常采用if-then规则的形式。例如，如果这是确定根尖周损伤的系统，那么一个规则可能是，如果射线可透性<1mm，并且如果在叩击时存在疼痛，并且如果牙周韧带间隙被破坏，则存在根尖周脓肿。
在“根尖周损伤临床发现解释”的部分内，每个根尖周损伤(脓肿，肉芽肿和囊肿)的临床发现由提供在段[0067]至[0070]中的定义中找到的某个文本进行描述。这个文本描述了来自病人的临床发现和症状。这些是射线照片的附加。通常，这些发现被文档化，然后拍摄射线照片。在涉及这些发现的同时，发展规则和放射线发现可以加快诊断的准确度。
针对临床发现的上述文本(或关键词)以结构化格式或以非结构化格式来记录。结构化数据指具有高度组织性的信息。所述数据易于分析。非结构化数据指具有混乱的信息，如自由本文的信息。非结构化数据难以分析。不同的学术界使用不同的格式来记录信息。如果其利用结构化格式来记录，则易于检索信息。如果这些发现以非结构化格式(自由本文)被文档化，则可以使用自然语言处理技术来自动提取信息。一旦提取了信息，其就可以与放射线发现结合，并且可以实现最终诊断。在收集了临床发现和放射线发现之后，诊断将由系统自动给出。
鉴于本公开，在没有不当实验的情况下，可以进行和执行在此公开和要求保护的所有装置、方法和算法。虽然已经关于优选实施例对本发明进行了描述，但是对本领域普通技术人员将显而易见的是，在不偏离本发明的概念、精神和范围的情况下，变化可适用于装置、方法和所述方法的步骤顺序。更具体地，将显而易见的是，在实现相同或相似结果的情况下，特定组件可以被添加至、结合至或替代在此描述的组件。对本领域普通技术人员而言显而易见的所有这些相似的替代和修改被视为是在如本发明所限定的精神、范围和概念中。
上面公开的特征和功能、以及其替代可以组合到许多其他不同系统或应用中。本领域的技术人员可以进行各种目前未预见或未预料的替代方案、修改、变体或改进，其中的每个还旨在被所公开的实施例包含。