一种检测方法，特别是一种牙齿健康状态检测的方法。
背景技术：
随人们口腔卫生及健康意识的不断提高，牙齿健康越来越受到重视。龋齿是困扰人们的最普通疾病之一，2007年,由国家卫生部公布的第三次全国口腔健康流行病学抽样调查结果显示:我国5岁儿童乳牙龋病的患病率为,平均有龋齿3.5颗；35一44岁中年人龋患率为88.1％；65一74岁老人的龋患率高达98.4％。牙菌斑是由细菌、唾液、食物残渣等物质沉积在牙齿表面形成的生物膜，是引发龋病和牙周疾病的主要因素之一；因此牙菌斑含量与分布的检测对于口腔健康的提高具有重要的意义。
传统的牙齿健康诊断方法包括视诊、探针、X线片等。视诊是牙医根据临床经验，从外观上对牙齿健康状况进行判别，而且较难以早期龋齿。探针是在视诊无法确定牙齿是否龋损的情况下，用探针敲击牙釉质表面，判断牙齿是否松软，探针能否刺入牙齿组织，该方法使用外力刺激牙齿硬组织，影响牙齿自愈能力，因此多个国家已不提倡该方法的使用。X线片可以客观评价牙齿健康状况并检测出早期龋齿，但X线片检查具有放射性，对人体有害，不能长期多次使用，尤其是孕妇和儿童不宜使用；现有技术还未解决这些问题。
技术实现要素：
为解决现有技术的不足，本发明的目的在于采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息。
为了实现上述目标，本发明采用如下的技术方案：
一种利用深度学习自动进行牙齿健康状况检测的方法，包括：以下步骤：
步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；
步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，龋齿分类的方法，包括以下步骤：
步骤一，采集不同等级的龋损牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的龋损等级，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的龋齿等级；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，龋齿等级包括：无龋齿、浅龋、中龋、深龋。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，牙菌斑量化的方法，包括以下步骤：
步骤一，采集含不同菌斑指数的牙菌斑的牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的菌斑指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的菌斑指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，菌斑指数包括：Silness菌斑指数，Loe菌斑指数，Quigby菌斑指数，Hein菌斑指数。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，深度学习网络包括：卷积神经网络，循环神经网络。
前述的一种利用深度学习自动进行牙齿健康状况检测的方法，牙齿图像数据库包括：用于深度学习网络训练的训练库，用于对深度学习网络的效果进行测试的测试库。
本发明的有益之处在于：本发明采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息；具有无损、可视化、定量等优点。
附图说明
图1是本发明的一种实施例的流程图；
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
一种利用深度学习自动进行牙齿健康状况检测的方法，包括：以下步骤：
步骤一，采集牙齿自体图像，建立一个牙齿图像数据库；
步骤二，由牙医判断并记录每颗牙齿的健康指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的健康指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是：深度学习网络包括：卷积神经网络，循环神经网络。牙齿图像数据库包括：用于深度学习网络训练的训练库，用于对深度学习网络的效果进行测试的测试库。采集的牙齿自体图像可以是牙齿自体荧光图像，也可以是其他牙齿图像，例如：荧光成像，可见光成像，红外成像，X射线成像，OCT成像，三维成像点云图等牙齿图像。
作为一种实施例，龋齿分类的方法，包括以下步骤：
步骤一，采集不同等级的龋损牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的龋损等级，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的龋齿等级；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是，龋齿等级包括：无龋齿、浅龋、中龋、深龋。
作为一种实施例，牙菌斑量化的方法，包括以下步骤：
步骤一，采集含不同菌斑指数的牙菌斑的牙齿自体荧光图像，建立一个牙齿荧光图像数据库；
步骤二，由牙医判断并记录每颗牙齿的菌斑指数，作为每颗牙齿的标签；
步骤三，采用深度学习方法来自动学习荧光图像的特征并分类，即用深度学习网络作为一个分类器；
步骤四，构建一个深度学习网络，并用所建的数据库来训练网络识别每颗牙齿的菌斑指数；
步骤五，对训练出来的分类器进行测试，当精度满足实际使用需求时，分类器构建完成。
需要说明的是：菌斑指数包括：Silness菌斑指数，Loe菌斑指数，Quigby菌斑指数，Hein菌斑指数。
本发明的基本原理是：因为健康牙体组织与龋齿及牙菌斑自体荧光光谱差异性，所以对牙齿进行荧光成像后，不同龋损程度牙齿以及不同含量牙菌斑牙齿表征在荧光图像上有差异。
本发明采用自体荧光成像的方法对牙齿进行检测；在用自体荧光成像系统采集牙齿荧光图像后，可用深度学习网络训练出的分类器自动将牙齿进行分类，即自动判别了牙齿是否龋损以及牙菌斑的含量，此种方法除去网络训练阶段比较麻烦，一旦分类器训练好，能够快速客观的给出牙齿诊断信息；具有无损、可视化、定量等优点。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。