一种基于人工智能检测龋病及其位置的系统和方法与流程

1.本发明涉及龋病检测技术领域，具体是一种基于人工智能检测龋病及其位置的系统和方法。


背景技术：

2.龋病是一个常见的、多因素诱发的疾病，主要归因于牙齿表面的糖和微生物在一定时间下的相互作用，涉及牙轴质、牙本质、牙骨质的的病变，并可能进一步侵犯牙髓，引起牙髓炎或者根尖周炎，或者牙齿缺失。根据第4次全国口腔健康流行病学调查结果显示：12岁儿童恒牙患龋率为34.5％，5岁儿童乳牙患龋率为70％，呈逐年上升趋势，因此，龋病是一种发病率高的常见病。因此，在早期检测出龋病并进行即时干预是迫切需要解决的医学问题。
3.传统龋齿的诊断方法，主要由临床医生通过色、形、质进行诊断，缺乏客观、统一的标准，很难确切的提供龋损的评价方法。这种根据医生的主观评价方法，主要存在2个问题：不同医生的主观评价存在差异；同一医生的主观评判标准也容易由于环境等原因，出现不稳定的判断。而对于早期龋病的诊断就更难了。横断显微照相技术是目前实用性最强、被广泛接受的定量研究早期龋损金标准。但是对于窝沟龋，传统的影像学检查的敏感性和特异性有限。
4.医院研究表明，在紫外光的照射下，牙齿会自发绿色荧光，而龋损牙体会发出比健康牙体更弱的荧光强度。因此有研究利用光导荧光技术作为一种非侵入性的诊断工具，检测早期龋的矿化情况。尽管如此，以组织学检查为金标准的话，光导荧光技术对于窝沟龋诊断的相关系数仅为0.53(lee hs,j biomed opt,2018,23(9):1
‑
7)，对于较深的窝沟龋的判断则更加有限。这种方法通过单纯的影像特征进行人眼和机器判断的方案，而非机器学习的智能方案，都还存在一定的缺陷，包括1)牙体组织表现为绿色，不利于影像分析；2)检测牙体脱矿情况的能力还需更多临床试验验证，红色荧光的临床应用正在研究阶段。(陈艳艳，国际口腔医学杂志，2019，46(6)：699
‑
702)。因此，其检测结果的准确性也备受争议，只能作为一种辅助诊断工具，医生需要主观和客观结合才能做出准确的判断(王凯欣，2020,28(11)：744
‑
748)。
5.在目前的专利中，有团队开发了便于普通人在家庭中使用的荧光检查器(见专利说明书cn205683069u，cn106821529a)，该设备通过深蓝led激发牙面上的牙菌斑产生红色荧光，并自行观察牙齿是否有牙菌斑以及牙菌斑程度。目前，国外已经有人据此以激光器为光源，结合摄像机技术，研制出牙菌斑荧光检测仪，供医院使用。然而这一类设备并不能用于龋齿检测。荷兰飞利浦公司则开发了一种早期龋齿的检测方法和设备(见专利说明书cn110769746a)，该系统和方法使用由成像设备检测到穿过牙齿的光的透射和来自牙齿的光的反射来检测龋齿。这是利用的光的透射和发射来进行龋齿的测量，而不是像本文中利用牙体的激发光进行检测，而且这一方面也不是采用人工智能对龋齿进行判定。x射线成像是另一种龋齿检测的技术，但是这种技术并不是适合做成便携式的家用设备。另一种早期
龋齿的检测技术是光纤光学透射照明法(foti)，是通过可见光照明来检查牙齿，但是该技术会受到牙齿散射光的影响，导致对比度差。此外，还有采用红外光进行龋齿检测，这是利用龋齿部分的红外光散射特性进行检测。现有的龋齿检测方法不仅是昂贵的、或基于光源的散射/透射/反射现象的(而不是本专利中提及的激发光)，而且没有采用人工智能手段，只能作为辅助手段，还需要人工进行进一步判断，因此，本领域技术人员提供了一种基于人工智能检测龋病及其位置的系统和方法，以解决上述背景技术中提出的问题。


技术实现要素：

6.本发明的目的在于提供一种基于人工智能检测龋病及其位置的系统和方法，以解决上述背景技术中提出的问题。
7.为实现上述目的，本发明提供如下技术方案：一种基于人工智能检测龋病及其位置的系统，系统包括：
8.光源模块：可发射波长为第一波长范围的光线照射牙齿，牙齿吸收光能后，导致牙齿激发出新波段的激发光线，激发光线的波长为第二波长范围；所述的第一波长范围和第二波长范围是不同的。
9.滤光片模块：用于滤除光源模块的反射光和散射光，便于让新波段的激发光线通过；
10.图像采集模块：用于将激发光线状态下的牙齿图像采集；
11.龋齿智能识别模块：对图像采集模块所采集的牙齿图像进行识别，识别出一个或者多个龋齿的位置、病损程度、病损边界；
12.图像显示模块：采用智能终端；
13.传输模块：采用wifi或蓝牙等无线通讯技术或者usb有线传输，与图像显示模块配对连接，实现数据的传输和通讯；
14.供电模块：作为电能供给；
15.龋齿智能标注模块：用于将龋齿的位置、病损程度、病损边界标注在牙齿图像上，并经过传输模块，输出到图像显示模块，最终实现一种对龋病及其位置、数量、病损程度、病损边界等特征的智能自动检测；
16.另上述一种基于人工智能检测龋病及其位置的系统使用方法如下：
17.步骤1：光源模块对准患者口腔，发射出波长为第一波长范围的光线，照射患者的牙齿，牙齿吸收光能，激发出波长为第二波长范围的新波段激发光线，第一波长范围和第二波长范围是不同的，牙齿中的健康牙体以及病损部分吸收光能后，在光学上会表现出不同的、复合的特征，包括强度、颜色、环境信息等，由滤波片模块将波长为第一波长范围的散射和反射光线滤除，使得第二波长范围的新波段激发光线能够进入图像采集模块，进而可以使得采集图片的龋齿病损区域特征会更明显；
18.步骤2：图像采集模块将采集的图像传输至龋齿智能识别模块，龋齿智能识别模块是基于深度神经网络的对象和定位识别算法训练得到的检测模型，输入的数据集通过检测模型进行识别步骤，包括但不限于卷积、池化、全连接，识别输出包含龋齿位置、病损程度；
19.步骤3：龋齿智能标注模块会在在龋齿周围绘制一个边界框，并以文字形式标注出病损程度、病损数量、病损的牙齿编号等信息；例如：病损程度被划为5个等级，其中等级a是
最严重的，等级e是最轻微的，从a到e依次递减，人的32颗牙齿被依次编号，其中患有龋病的牙齿会被识别，并会显示编号；
20.步骤4：传输模块将标注出病损程度、病损数量、病损的牙齿编号等信息传输至图像显示模块并显示出来。
21.优选的，在一个实施例中，第一波长范围是390
‑
430nm；
22.优选的，在另一个实施例中，第一波长范围是620
‑
1200nm；
23.优选的，在另一个实施例中，第一波长范围是由390
‑
430nm和620
‑
1200nm等多个波长范围组合而成。
24.优选的，在一个实施例中，第二波长范围450
‑
600nm；
25.优选的，在另一个实施例中，第二波长范围是620
‑
750nm；
26.优选的，在另一个实施例中，第二波长范围是由450
‑
600nm和620
‑
750nm等多个长范围组合而成。
27.在一个实施例中，牙齿激发光是一种荧光。
28.在一个实施例中，滤波片模块滤除的是第一波长范围的一部分波段光线，并允许第一波长范围的另一部分波段光线透过。
29.作为本发明更进一步的方案：光源模块安装在滤光片模块的外周，且光源模块采用发光二极管或激光器，便于作为照明入射到牙齿和图像采集模块。
30.作为本发明更进一步的方案：滤光片模块设置于图像采集模块前方，用于屏蔽波长为第一波长范围的反射光线和散射光线，图像采集模块采用高清摄像头，高清摄像头采用是ccd或cmos芯片。
31.作为本发明更进一步的方案：龋齿智能识别模块包括计算单元和存储单元单元，存储单元用于牙齿图像、检测模型、用户数据等的存储，计算单元用于龋齿智能识别，识别方法如下：
32.s1：对输入的激发光图像进行计算机数值运算，求得激发光图像的多尺度特征，包括每一个子像素的红色分量、绿分量、蓝分量的数值及其分布和平均值等；
33.s2：将激发光图像的多尺度特征作为自变量，输出龋病智能检测模型中进行计算，并选择性的自动输出龋病相关的因变量，包括每一个牙齿的病损程度、病损位置、数量、每一个病损区域的面积、病损区域的边界；
34.作为本发明更进一步的方案：激发光图像相关的多尺度特征与龋病相关的因变量呈一个n元m次多项式函数关系，龋病相关的因变量的数值可以通过常数与自变量经过有限次乘法和加法运算得到，多项式函数关系和常数是在一组标记好龋齿特征的训练样本的基础上，不断优化分类器的参数得到的，多项式函数关系如下：
[0035][0036]
其中，x
n
代表激发光图像中的一个特征，k
n
代表此对项式的系数，当龋齿相关的因变量f(x1，x2,
…
,x
n
）达到某个阈值时，即可以预测该区域为龋齿病损区域。
[0037]
作为本发明更进一步的方案：龋病智能检测模型是由激发光图像相关的因变量与龋病相关因变量的函数关系，通过机器学习训练得到的，具体学习方法如下：
[0038]
首先对于龋齿病损的部分，进行人工的标注，并形成大规模的龋齿特征训练样本，
对龋齿特征训练样本的缺失值、重复值进行优先处理，并进行数据类型的转化；
[0039]
然后进行龋齿特征的提取和选择，计算各特征于龋齿的相关性，并确定相关系数，根据相关系数的大小选择其中的某些特征作为龋病智能检测模型的输入；
[0040]
选取龋齿训练数据和龋齿测试数据的特征和标签，并把大于等于50％的数据划分为训练数据集，同时导入机器学习算法，并创建和训练出龋病智能检测模型，所述的机器学习算法，包括但不限于随机森林、支持向量机、朴素贝叶斯、神经网络等。
[0041]
作为本发明更进一步的方案：边界框采用矩形、圆形或多边形轮廓中任一种；
[0042]
矩形：由左上角的坐标和右下角的坐标确定，使得边界框可以把连续的病损区域圈起来；
[0043]
圆形：由圆心的坐标确定，圆形以病损的中心为中心，若识别到的病损区域不是连续的，则由多个圆心进行框选，并在周围区域进行注释；
[0044]
多边形轮廓：由计算机沿着病损和健康的牙体交界处进行轮廓绘制，从一个被识别的边界点出发，以龋齿病损的多尺度特征作为边界的判别准则，并持续搜索，以边框绘制的方式勾勒病损区域的轮廓。
[0045]
作为本发明更进一步的方案：龋病智能检测模型还包括牙隐裂或牙菌斑智能识别模型，牙裂或牙菌斑智能识别模型是基于深度神经网络的对象识别和定位识别算法训练得到的检测模型，输入的数据集通过检测模型进行卷积、池化、全连接等步骤，最终输出包含牙菌斑和牙隐裂的病损信息。
[0046]
与现有技术相比，本发明的有益效果是：本发明通过滤光片模块滤除入射光源的散射光和反射光，使得牙齿激发光图像的干扰大大降低，从而能够更明显的突出病损的特征，同时对标注好病损特征的激发光图像进行大规模的训练和学习，获得一种智能型的龋齿检测模型，摆脱传统的人工检测，实现对龋齿的自动检测，提高了龋病的检测效率、准确率、敏感性和特异性。
附图说明
[0047]
图1为一种基于人工智能检测龋病及其位置的系统流程示意图；
[0048]
图2为一种基于人工智能检测龋病及其位置的系统和方法中图像采集模块工作示意图；
[0049]
图3为一种基于人工智能检测龋病及其位置的系统和方法中双光源的图像采集模块工作示意图。
具体实施方式
[0050]
请参阅图1～3，本发明实施例中，一种基于人工智能检测龋病及其位置的系统，系统包括：
[0051]
光源模块：可发射波长为620
‑
1200nm的光线照射牙齿，牙齿吸收光能后，导致牙齿激发出新波段的激发光线，激发光线的波长为450
‑
600nm；
[0052]
滤光片模块：用于滤除光源模块的反射光和散射光，便于让新波段的激发光线通过；
[0053]
图像采集模块：用于将激发光线状态下的牙齿图像采集；
[0054]
龋齿智能识别模块：对图像采集模块所采集的牙齿图像进行识别，识别出一个或者多个龋齿的位置、病损程度、病损边界；
[0055]
图像显示模块：采用智能终端；
[0056]
传输模块：采用wifi或蓝牙等无线通讯技术或者usb有线传输，与图像显示模块配对连接，实现数据的传输和通讯；
[0057]
供电模块：作为电能供给；
[0058]
龋齿智能标注模块：用于将龋齿的位置、病损程度、病损边界标注在牙齿图像上，并经过传输模块，输出到图像显示模块，最终实现一种对龋病及其位置、数量、病损程度、病损边界等特征的智能自动检测；
[0059]
另上述一种基于人工智能检测龋病及其位置的系统使用方法如下：
[0060]
步骤1：光源模块对准患者口腔，发射出波长为620
‑
1200nm之间的光线，照射患者的牙齿，牙齿吸收光能，激发出波长为450
‑
600nm的新波段激发光线，牙齿中的健康牙体以及病损部分吸收光能后，在光学上会表现出不同的、复合的特征，包括强度、颜色、环境信息等，由滤波片模块将波长为620
‑
1200nm的散射和反射光线滤除，使得只有450
‑
600nm的新波段激发光线能够进入图像采集模块，进而可以使得采集图片的龋齿病损区域特征会更明显；
[0061]
步骤2：图像采集模块将采集的图像传输至龋齿智能识别模块，龋齿智能识别模块是基于深度神经网络的对象和定位识别算法训练得到的检测模型，输入的数据集通过检测模型进行识别步骤，包括但不限于卷积、池化、全连接，识别输出包含龋齿位置、病损程度；
[0062]
步骤3：龋齿智能标注模块会在在龋齿周围绘制一个边界框，并以文字形式标注出病损程度、病损数量、病损的牙齿编号等信息；例如：病损程度被划为5个等级，其中等级a是最严重的，等级e是最轻微的，从a到e依次递减，人的32颗牙齿被依次编号，其中患有龋病的牙齿会被识别，并会显示编号；
[0063]
步骤4：传输模块将标注出病损程度、病损数量、病损的牙齿编号等信息传输至图像显示模块并显示出来。
[0064]
进一步的，光源模块安装在滤光片模块的外周，且光源模块采用发光二极管或激光器，便于作为照明入射到牙齿和图像采集模块。
[0065]
进一步的，滤光片模块设置于图像采集模块前方，用于屏蔽波长为390
‑
430nm的反射光线和散射光线，图像采集模块采用高清摄像头，高清摄像头采用是ccd或cmos芯片。
[0066]
进一步的，龋齿智能识别模块包括计算单元和存储单元单元，存储单元用于牙齿图像、检测模型、用户数据等的，计算单元用于龋齿智能识别，识别方法如下：
[0067]
s1：对输入的激发光图像进行计算机数值运算，求得激发光图像的多尺度特征，包括每一个子像素的红色分量、绿分量、蓝分量的数值及其分布和平均值等；
[0068]
s2：将激发光图像的多尺度特征作为自变量，输出龋病智能检测模型中进行计算，并选择性的自动输出龋病相关的因变量，包括每一个牙齿的病损程度、病损位置、数量、每一个病损区域的面积、病损区域的边界；
[0069]
进一步的，激发光图像相关的多尺度特征与龋病相关的因变量呈一个n元m次多项式函数关系，龋病相关的因变量的数值可以通过常数与自变量经过有限次乘法和加法运算得到，多项式函数关系和常数是在一组标记好龋齿特征的训练样本的基础上，不断优化分
类器的参数得到的，多项式函数关系如下：
[0070][0071]
其中，x
n
代表激发光图像中的一个特征，k
n
代表此对项式的系数，当龋齿相关的因变量f(x1，x2,
…
,x
n
）达到某个阈值时，即可以预测该区域为龋齿病损区域。
[0072]
进一步的，龋病智能检测模型是由激发光图像相关的因变量与龋病相关因变量的函数关系，通过机器学习训练得到的，具体学习方法如下：
[0073]
首先对于龋齿病损的部分，进行人工的标注，并形成大规模的龋齿特征训练样本，对龋齿特征训练样本的缺失值、重复值进行优先处理，并进行数据类型的转化；
[0074]
然后进行龋齿特征的提取和选择，计算各特征于龋齿的相关性，并确定相关系数，根据相关系数的大小选择其中的某些特征作为龋病智能检测模型的输入；
[0075]
选取龋齿训练数据和龋齿测试数据的特征和标签，并把大于等于50％的数据划分为训练数据集，同时导入机器学习算法，并创建和训练出龋病智能检测模型，所述的机器学习算法，包括但不限于随机森林、支持向量机、朴素贝叶斯、神经网络等。
[0076]
进一步的，边界框采用矩形、圆形或多边形轮廓中任一种；
[0077]
矩形：由左上角的坐标和右下角的坐标确定，使得边界框可以把连续的病损区域圈起来；
[0078]
圆形：由圆心的坐标确定，圆形以病损的中心为中心，若识别到的病损区域不是连续的，则由多个圆心进行框选，并在周围区域进行注释；
[0079]
多边形轮廓：由计算机沿着病损和健康的牙体交界处进行轮廓绘制，从一个被识别的边界点出发，以龋齿病损的多尺度特征作为边界的判别准则，并持续搜索，以边框绘制的方式勾勒病损区域的轮廓。
[0080]
进一步的，龋病智能检测模型还包括牙隐裂或牙菌斑智能识别模型，牙裂或牙菌斑智能识别模型是基于深度神经网络的对象识别和定位识别算法训练得到的检测模型，输入的数据集通过检测模型进行卷积、池化、全连接等步骤，最终输出包含牙菌斑和牙隐裂的病损信息。
[0081]
以上所述的，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。