本发明涉及领域，具体涉及基于深度学习的神经导管自动检测算法。
背景技术：
相关产品中该技术的缺陷分析
涉及下颌神经管检测技术的种植软件产品：
缺陷总结：
目前市场上尚未出现全自动的下颌神经管检测技术，绝大部分空腔种植软件都是采用了人工交互勾画下颌神经管的方法。使用时用户需要在全景图像上画出完整的下颌神经管的曲线，然后生成三维的神经导管。为保证精度，通常需要用户不断地调整全景图，以完全显现下颌神经管，该操作非常繁琐，需要大量的交互工作。极少数产品中提供了半自动自动的下颌神经管检测功能(如blueskyplant)，该产品需要用户标记下颌神经管的入口，除此之外该产品的方法并不稳定，检测结果容易受到数据质量和病人个体差异的影响，
相关技术的缺陷简要分析：
论文
名称：automaticextractionofmandibularnerveandbonefromcone-beamctdata
会议：internationalconferenceonmedicalimagecomputingandcomputer-assistedintervention
日期：2009年
缺陷：该方法需要通过统计方法重建整个下颌骨和下颌神经管，然后采用最短路径法改善初始的下颌神经管。该方法的统计模型限制了该方法的使用范围，另外最短路径的权重的设置受数据影响，不具有稳定性。
名称：automatedtrackingofthemandibularcanalincbctimagesusingmatchingandmultiplehypothesesmethods
杂志：fourthinternationalconferenceoncommunication&electronics
日期：2012年
缺陷：该方法采用形态学方法检测神经导管的入口和出口，然后采用基于局部匹配的方法分别从入口和出口对神经导管进行跟踪。该方法整体是基于基本的图像处理技术，因此容易受到图像噪声影响；除此之外该方法假设神经导管是圆形，而实际中神经管的形状变化较大，尤其是大龄病人，下颌神经管呈现不规则形状，因此该方法容易受到数据的影响。
名称：tubulargeodesicsusingorientedflux:anitkimplementation
杂志：theinsightjournal
日期：2013年
缺陷：该方法需要手工确定下颌神经管的起始点和终止点，然后通过最短路径的方法确定下颌神经管。对于噪声较大的数据，肉眼难以确定下颌神经管的起始和终止点，另外最短路径的权重通常需要对不同的数据单独调整，因此算法不具有稳定性。
缺陷总结：
目前绝大部分的下颌神经管检测技术都是依赖低级的图像特征，如图像光度和梯度，进行检测。然而由于下颌神经管会随着病人的年龄，性别，骨质状况的不同而呈现出较大的差异，传统的方法无法处理如此复杂的情况，因此现存的方法在自动化程度和稳定性上都存在很大的不足。
技术实现要素：
本发明针对现有技术的不足，提出基于深度学习的神经导管自动检测算法，具体技术方案如下：
一种基于深度学习的神经导管自动检测算法，其特征在于：
采用以下步骤，
步骤1：读取cbct图像数据，通过该cbct图像数据重建三维模型，且自动拟合牙弓曲线，该牙弓曲线如图3所示；
步骤2：利用手工交互的方式在三维模型中沿着牙弓曲线勾画对应的曲线，并在三维空间中重建下颌神经管；
步骤3：在三维空间坐标系中，以牙弓曲线为参考线，沿着牙弓曲线每间隔指定距离对三维模型进行切片，得到切片图，记录每个切片图在三维空间坐标系中的空间位置，所有的切片图组成该三维图像的图像序列；
步骤4：针对图像序列，对每张切片图中与下颌神经管相交形成的交点进行标记得到标记数据；
步骤5：重复步骤1至步骤，选取深度神经网络模型，利用标记数据对深度神经网络模型进行训练，使得深度神经网络模型的识别率达到设定值；
步骤6：选取需要测量的三维模型，按照步骤1至步骤3得到图像序列；
步骤7：利用训练完成的深度神经网络模型分别识别每张切片图中下颌神经管的位置；
步骤8：根据每个切片图在三维空间坐标系中的空间位置，利用图像序列在三维空间坐标系中重建检测完毕后的三维模型；
步骤9：对重建三维模型中的下颌神经管利用卡尔曼滤波进行平滑处理，对三维模型中的下颌神经管采用样条曲线拟合技术，根据用户输入的半径将下颌神经管重建成三维管道。
进一步地：所述步骤9包括如下步骤：
步骤91：对检测完毕后的三维模型从牙弓曲线的中心位置开始利用卡尔曼滤波，分别向位于两侧的下颌神经管逐帧处理；
步骤92：当检测到下颌神经管入口时，标记为卡尔曼滤波的开始处；
步骤93：对模型进行初始化，在每一帧上预测下颌神经管的位置，且实时更新三维模型，直到下颌神经管消失，完成滤波处理；
步骤94：在三维模型中得到下颌神经管的分段曲线后，采用样条曲线拟合技术，根据用户输入的半径将下颌神经管重建成三维管道。
本发明的有益效果为：第一，采用先进的深度学习检测模型，能够适应不同年龄，不同骨质状况的病人数据，因此算法具有很高的稳定性。
第二，采用神经网络识别能够自动地区分下颌神经管的入口部分和其它部分，相比较于现存方法更加灵活。除此之外，设计了一种高效的训练数据标记方法，能够快速、高效准确地标记图像中的下颌神经管，为检测模型的准确率提供了保障。最后为了进一步利用下颌神经管的局部平滑特性，本技术采用了卡尔曼滤波技术，对个别较差的检测结果进行修正，保证了检测结果的稳定性。
第三，检测过程中不需要任何交互，只需要用户确认检测结果即可。相比较于目前的绝大多数交互滑县以及极少数半自动的方法，本技术极大地节省了人工成本，提高了口腔种植的效率。
第四，将三维cbct数据转化成二维的有序图像序列，从而有效的发挥了以卷积神经网络为基础的深度检测模型的性能，同时大量的不同状况的训练数据，使本文的技术对能够适用各种病人的数据，保证的检测的准确性。同时卡尔曼滤波的使用，利用了下颌神经管的局部平滑性，因此保证了本技术的稳定性。
附图说明
图1为本发明的结构框图；
图2为技术方案辅助示意图；
图3为牙弓曲线自动拟合结果；
图4为下颌神经管自动检测训练样本数据；
图5为下颌神经管三维检测结果图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示：一种基于深度学习的神经导管自动检测算法，
采用以下步骤，
步骤1：读取cbct图像数据，通过该cbct图像数据重建三维模型，且自动拟合牙弓曲线，该三维模型如图2中的1所示；
步骤2：利用手工交互的方式在三维模型中沿着牙弓曲线勾画对应的曲线，并在三维空间中重建下颌神经管；
步骤3：在三维空间坐标系中，以牙弓曲线为参考线，沿着牙弓曲线每间隔指定距离对三维模型进行切片，得到切片图，记录每个切片图在三维空间坐标系中的空间位置，所有的切片图组成该三维图像的图像序列；
步骤4：针对图像序列，对每张切片图中与下颌神经管相交形成的交点进行标记得到标记数据；
步骤5：选取深度神经网络模型，利用带有标记数据的切片图对深度神经网络模型进行训练，使得深度神经网络模型的识别率达到设定值；
步骤6：选取需要测量的三维模型，按照步骤1至步骤3得到图像序列；
步骤7：利用训练完成的深度神经网络模型分别识别每张切片图中下颌神经管的位置，由下颌神经管开口的位置通常与牙弓曲线接近垂直，因此在开口位置的切片图上，下颌神经管与图像所在的平面接近近似一条线段，以该线段为对角线创建矩形框，便可以在该切片图上包含所有神经管部分，如图2中3-1标示的红色部分为检测到的神经导管，3-2中绿色部分为神经导管入口；
步骤8：根据每个切片图在三维空间坐标系中的空间位置，利用图像序列在三维空间坐标系中重建检测完毕后的三维模型，该图像序列如图2中3-3所示；
步骤9：对检测完毕后的三维模型从牙弓曲线的中心位置开始利用卡尔曼滤波，分别向位于两侧的下颌神经管逐帧处理；
步骤10：当检测到下颌神经管入口时，标记为卡尔曼滤波的开始处；
步骤11：对模型进行初始化，在每一帧上预测下颌神经管的位置，且实时更新三维模型，直到下颌神经管消失，完成滤波处理；
步骤12：在三维模型中得到下颌神经管的分段曲线后，采用样条曲线拟合技术，根据用户输入的半径将下颌神经管重建成三维管道，如图5所示为重建完成的模型。