一种基于人工智能的上颌窦底骨质分类方法及系统与流程

[0001]
本发明涉及医疗辅助诊断技术领域，尤其涉及一种基于人工智能的上颌窦底骨质分类方法及系统。


背景技术：

[0002]
随着现代医疗科技的发展，医疗影像的智能化辅助诊断系统逐步渗透进医疗领域。将人工智能技术应用在医疗影像的诊断上，目前主要分为两部分，一是图像识别，应用于感知环节，其主要目的是将影像这类非机构化数据进行分析，获取一些有意义的信息。二是深度学习，应用于学习和分析环节，是人工智能应用的最核心环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握“诊断”的能力。
[0003]
锥形束ct计算机断层扫描（cbct）广泛应用于口腔种植手术中，依靠cbct进行术前的精确测量、分析以制定精准的种植手术计划，是种植手术至关重要的第一步。上颌后牙区的牙齿缺失较为广泛，由于牙周病变，上颌窦气化等原因使上颌后牙区剩余骨量降低，在采用种植义齿进行固定修复时往往存在骨量不足的问题。经牙槽嵴顶上颌窦底提升术可以有效增加上颌后牙区牙槽骨高度。为了提高种植的成功率，减少术中及术后并发症，医生在术前应严格把握手术的适应证和禁忌症，掌握各种术式的操作要点，根据患者上颌窦底的骨质分类选择不同术式。基于cbct可将上颌窦底骨质分为三类，1分类均质型、2分类三层型、3分类不规则型，其中1分类包括2个亚类，即1亚类低密度型、2亚类高密度型，2分类包括2个亚类，即1亚类骨皮质薄型、2亚类骨皮质厚型。基于cbct对上颌窦底骨质分类可为经牙槽嵴顶上颌窦提升术具体手术方法的选择提供参考。但由于cbct的分析、诊断对医师的临床经验有着较高的要求，不同的医师对cbct的判断存在一定主观性，而且在发展水平较低的地区,经验丰富的口腔种植医师资源相对匮乏。


技术实现要素：

[0004]
本发明提供一种基于人工智能的上颌窦底骨质分类方法及系统，用以解决现有cbct的分析、诊断对医师的临床经验有着较高的要求，不同的医师对cbct的判断存在一定主观性，而且在发展水平较低的地区,经验丰富的口腔种植医师资源相对匮乏的问题。
[0005]
本发明通过以下技术方案实现：一种基于人工智能的上颌窦底骨质分类方法，包括以下步骤：s1.采集患者上颌窦底骨质信息和临床既有骨质分类信息，并对患者上颌窦底骨质信息进行降噪、归一、统计处理；s2. 对处理后的患者上颌窦底骨质信息进行特征提取；s3. 对样本数据训练机器学习模型，并对样本数据进行分类，获得上颌窦底骨质分类模型；其中，所述样本数据训练方法具体包括以下子步骤：s301. 将锥形束ct计算机断层扫描信息和临床既有骨质分类信息的数据关键特征向
量化，转化为高维度空间中的特征点；s302. 将关键特征的向量作为向量支撑描述域算法的输入，对算法进行训练；s303. 利用高斯核函数对关键特征的向量进行评估，并将属于某一类的最远向量距离设定为该类的临界距离；所述样本数据分类方法包括以下子步骤：s304. 将待分类的患者锥形束ct计算机断层扫描信息和临床既有骨质分类信息的数据关键特征向量化，转化为高维度空间中的特征点；s305. 利用待分类的数据向量与待判定类别的临界距离之间的度量距离进行判断：当待分类向量与待判定类别的距离小于待判定类别的临界距离时，则该待判定患者的骨质特征属于当前待判定的特征；当待分类向量与待判定类别的距离大于待判定类别的临界距离，则该待判定患者的骨质特征不属于当前待判定的特征，继续判断待判定患者是否属于下一类别的骨质特征。进一步的，所述待判定类别的临界距离为该类的最远向量距离。
[0006]
进一步的，所述对采集患者上颌窦底骨质信息进行降噪、归一、统计处理包括：通过数据降噪模块对影像采集模块采集的数据进行降噪和数据归一化处理和通过类别标注模块寻找与骨质既有分类类别对应的患者上颌窦底骨质信息，并对骨质形态进行统计。
[0007]
进一步的，所述骨质形态统计包括：统计上颌窦底骨皮质、牙槽突中央骨松质、牙槽嵴顶骨皮质、上颌腭黏膜及上颌窦侧壁的灰度变化，术区剩余骨高度，骨松质中骨小梁占比，牙槽嵴顶骨质和上颌窦底骨质厚度，牙槽嵴顶皮质骨、上颌窦底皮质骨和骨松质的密度。
[0008]
进一步的，所述临床既有骨质分类信息包括均质型骨质信息、3 层型骨质信息和不规则型骨质信息。
[0009]
一种基于人工智能的上颌窦底骨质分类系统，包括：数据采集单元，所述数据采集单元包括用于对患者上颌窦底骨质的锥形束ct计算机断层扫描进行信息读取的影像采集模块和采集临床既有骨质分类信息的分类类别数据采集模块；数据标注单元，所述数据标注单元包括用于医师对目标种植区域骨组织进行手动标注的手动标注模块和对医师手动进行标注的标注数据进行储存的标注储存模块；进一步的，所述数据训练单元包括对患者上颌窦底骨质特征进行提取的数据运输模块和将标注完毕的标注数据与骨质分类类别数据建立映射的映射运算模块；进一步的，所述数据自动分类单元包括计算患者上颌窦底骨质特征值的特征值计算模块和计算特征值与骨质分类类别的特征的匹配分析模块。
[0010]
进一步的，还包括数据预处理单元，所述数据预处理单元包括对影像采集模块采集的数据进行降噪和数据归一化处理的数据降噪模块和寻找与骨质既有分类类别对应的类别标注模块。
[0011]
进一步的，其特征在于，还包括骨质形态统计单元，所述所述骨质形态统计单元用于对数据采集单元采集的影像数据、临床数据进行形态统计，得到统计信息交由数据训练单元进行交互，实现对数据训练单元的数据供给。
[0012]
进一步的，其特征在于，所述统计信息包括上颌窦底骨皮质、牙槽突中央骨松质、牙槽嵴顶骨皮质、上颌腭黏膜及上颌窦侧壁的灰度变化，术区剩余骨高度，骨松质中骨小梁
占比，牙槽嵴顶骨质和上颌窦底骨质厚度，牙槽嵴顶皮质骨、上颌窦底皮质骨和骨松质的密度。
[0013]
进一步的，所述临床既有骨质分类信息包括均质型骨质信息、3 层型骨质信息和不规则型骨质信息。
[0014]
本发明的有益效果：（1）本项目的基于人工智能的上颌窦底骨质分类方法采用了cbct来采集上颌窦底骨质数据，减少了数据缺失，保证了后续数据训练所得的分类模型更准确。
[0015]
（2）本发明的基于人工智能的上颌窦底骨质分类方法建立了基于智能单分类器的骨质分类算法模型，能够有效针对待分类骨质特征进行识别，具有较强扩展性。
附图说明
[0016]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0017]
图1为本发明的系统结构框图；图2为本发明的步骤s3方法流程框图。
具体实施方式
[0018]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0019]
实施例1如图1，一种基于人工智能的上颌窦底骨质分类方法，包括以下步骤：s1.采集患者上颌窦底骨质信息和临床既有骨质分类信息，并对患者上颌窦底骨质信息进行降噪、归一、统计处理；s2. 对处理后的患者上颌窦底骨质信息进行特征提取；s3. 对样本数据训练机器学习模型，并对样本数据进行分类，获得上颌窦底骨质分类模型；其中，所述样本数据训练方法具体包括以下子步骤：s301. 将锥形束ct计算机断层扫描信息和临床既有骨质分类信息的数据关键特征向量化，转化为高维度空间中的特征点；s302. 将关键特征的向量作为向量支撑描述域算法的输入，对算法进行训练；s303. 利用高斯核函数对关键特征的向量进行评估，并将属于某一类的最远向量距离设定为该类的临界距离；所述样本数据分类方法包括以下子步骤：s304. 将待分类的患者锥形束ct计算机断层扫描信息和临床既有骨质分类信息的数据关键特征向量化，转化为高维度空间中的特征点；s305. 利用待分类的数据向量与待判定类别的临界距离之间的度量距离进行判断：当
待分类向量与待判定类别的距离小于待判定类别的临界距离时，则该待判定患者的骨质特征属于当前待判定的特征；当待分类向量与待判定类别的距离大于待判定类别的临界距离，则该待判定患者的骨质特征不属于当前待判定的特征，继续判断待判定患者是否属于下一类别的骨质特征。进一步的，所述待判定类别的临界距离为该类的最远向量距离。
[0020]
进一步的，所述对采集患者上颌窦底骨质信息进行降噪、归一、统计处理包括：通过数据降噪模块对影像采集模块采集的数据进行降噪和数据归一化处理和通过类别标注模块寻找与骨质既有分类类别对应的患者上颌窦底骨质信息，并对骨质形态进行统计。
[0021]
进一步的，所述骨质形态统计包括：统计上颌窦底骨皮质、牙槽突中央骨松质、牙槽嵴顶骨皮质、上颌腭黏膜及上颌窦侧壁的灰度变化，术区剩余骨高度，骨松质中骨小梁占比，牙槽嵴顶骨质和上颌窦底骨质厚度，牙槽嵴顶皮质骨、上颌窦底皮质骨和骨松质的密度。
[0022]
进一步的，所述临床既有骨质分类信息包括均质型骨质信息、3 层型骨质信息和不规则型骨质信息。
[0023]
实施例2在实施例1的基础上，本实施例提出一种基于人工智能的上颌窦底骨质分类系统，包括：数据采集单元，所述数据采集单元包括用于对患者上颌窦底骨质的锥形束ct计算机断层扫描进行信息读取的影像采集模块和采集临床既有骨质分类信息的分类类别数据采集模块；数据标注单元，所述数据标注单元包括用于医师对目标种植区域骨组织进行手动标注的手动标注模块和对医师手动进行标注的标注数据进行储存的标注储存模块；进一步的，所述数据训练单元包括对患者上颌窦底骨质特征进行提取的数据运输模块和将标注完毕的标注数据与骨质分类类别数据建立映射的映射运算模块；进一步的，所述数据自动分类单元包括计算患者上颌窦底骨质特征值的特征值计算模块和计算特征值与骨质分类类别的特征的匹配分析模块。
[0024]
进一步的，还包括数据预处理单元，所述数据预处理单元包括对影像采集模块采集的数据进行降噪和数据归一化处理的数据降噪模块和寻找与骨质既有分类类别对应的类别标注模块。
[0025]
进一步的，其特征在于，还包括骨质形态统计单元，所述骨质形态统计单元用于对数据采集单元采集的影像数据、临床数据进行形态统计，得到统计信息交由数据训练单元进行交互，实现对数据训练单元的数据供给。
[0026]
进一步的，其特征在于，所述统计信息包括上颌窦底骨皮质、牙槽突中央骨松质、牙槽嵴顶骨皮质、上颌腭黏膜及上颌窦侧壁的灰度变化，术区剩余骨高度，骨松质中骨小梁占比，牙槽嵴顶骨质和上颌窦底骨质厚度，牙槽嵴顶皮质骨、上颌窦底皮质骨和骨松质的密度。
[0027]
进一步的，所述临床既有骨质分类信息包括均质型骨质信息、3 层型骨质信息和不规则型骨质信息。
[0028]
实施例3在实施例1、2的基础上，本实施例提出一种基于人工智能的上颌窦底骨质分类方法及
系统的原理流程，如下：第一，采集上颌窦底骨质数据；第二，基于质控后的上颌窦底骨质数据，利用锥形束ct计算机断层扫描的特征提取；第三，结合上颌窦底骨质既有类型，对样本数据训练机器学习模型，获得上颌窦底骨质分类模型。
[0029]
优选的，均质型在cbct 表现为上颌窦底骨皮质与牙槽突中央骨松质无明显灰度差别，且牙槽嵴顶骨皮质与牙槽突中央骨松质无明显灰度差别。
[0030]
优选的，3层型在cbct 表现为上颌窦底骨皮质与牙槽突中央骨松质以及牙槽嵴顶骨皮质与牙槽突中央骨松质具有明显的灰度差别。
[0031]
优选的，不规则型包括窦底或牙槽嵴顶骨皮质不完整，及牙槽突颊舌向骨量不足等牙槽突缺损情况。在cbct 表现:上颌窦底或牙槽嵴的骨皮质缺损，或颊舌向骨量不足。
[0032]
优选的，均质型包括低密度型和高密度型两类亚类。
[0033]
优选的，低密度型在cbct表现包括上颌窦底及牙槽嵴顶骨皮质不明显，牙槽嵴顶骨皮质灰度接近腭黏膜，且明显低于上颌窦侧壁，可见牙槽突中央骨小梁和骨髓腔结构，比例约1∶1。
[0034]
优选的，高密度型在cbct表现包括上颌窦底及牙槽嵴顶骨皮质不明显，上颌窦底骨皮质、牙槽突中央骨松质与牙槽嵴顶骨皮质灰度偏高，明显高于腭黏膜，灰度接近上颌窦侧壁，可见牙槽突中央骨小梁和骨髓腔结构，比例大于 2∶1。
[0035]
优选的，3层型包括骨皮质薄型和骨皮质厚型两类亚类。
[0036]
优选的，骨皮质薄型在cbct 表现包括上颌窦底骨皮质薄，呈线状，灰度低于上颌窦侧壁，牙槽突中央骨小梁结构稀疏。
[0037]
优选的，骨皮质厚型在cbct 表现包括上颌窦底骨皮质及牙槽嵴顶骨皮质厚，灰度接近上颌窦侧壁，可见牙槽突中央骨小梁和骨髓腔结构，比例小于 2∶1。
[0038]
如图2，利用数据训练单元进行以下步骤：a1:将cbct信息和患者临床数据关键特征向量化，转化为高维度空间中的特征点。
[0039]
a2:将关键特征的向量作为向量支撑描述域算法的输入，对算法进行训练。
[0040]
a3:利用高斯核函数为关键特征的向量进行评估：将属于某一类的最远向量距离设定为该类的临界距离。
[0041]
利用数据自动分类单元进行以下步骤：b1:将待分类的患者cbct信息和临床信息的关键数据向量化，转化为高维度空间中的特征点。
[0042]
b2:利用待分类的数据向量与待判定类别的临界距离之间的度量距离进行判断：如果待分类向量与待判定类别的距离小于待判定类别的临界距离，则该待判定患者的骨质特征属于当前待判定的特征；如果待分类向量与待判定类别的距离大于待判定类别的临界距离，则该待判定患者的骨质特征不属于当前待判定的特征，继续判断待判定患者是否属于下一类别的骨质特征。
[0043]
本发明通过对锥形束ct计算机断层扫描获取上颌窦底骨质主要特征，所得分类模型精度高，具有分类准确度高等特点。
[0044]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本
发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。