技术特征：
1.一种增强牙根管roi辨识模型的区分度的方法，其特征在于，包括：s1基于采集的根切片牙根管原始图像构建样本集，同时对该样本集进行扩增处理；s2通过色域增强方法，对扩增处理后的样本集中的特征图进行roi特征增强操作，获得特征增强集；s3基于该特征增强集，通过划分处理获得训练集和测试集；s4将所述训练集和测试集输入到卷积神经网络中进行训练和测试；s5随机获取根切片牙根管原始图像输入到执行了步骤s4后的卷积神经网络中，对该卷积神经网络进行优化。2.根据权利要求1所述的方法，其特征在于，步骤s1包括：通过反转、增强对比度和增加亮度的方法对所述样本集进行扩增处理；所述根切片牙根管原始图像包括根切片牙根管阴性图像和根切片牙根管阳性图像。3.根据权利要求1所述的方法，其特征在于，步骤s2包括：s21对样本集中的根切片牙根管原始图像进行灰度化转换，获得灰度图像，在该灰度图像中选取牙根管roi区域图像；s22基于灰度图像的牙根管roi区域所有像素点，计算获得灰度图像的牙根管roi区域的像素均值，再计算获得每个灰度图像的牙根管roi像素点值与所述灰度图像的牙根管roi区域的像素均值的差值；s23将该差值与预设阈值进行比较，若该差值超过预设阈值，则增加灰度图像的牙根管roi区域的像素点的亮度，获得所述特征增强集。4.根据权利要求1所述的方法，其特征在于，所述灰度图像中牙根管roi区域图像的长度为所述灰度图像长度的三分之二，所述灰度图像中牙根管roi区域图像的宽度为所述灰度图像宽度的五分之四。5.根据权利要求3所述的方法，其特征在于，步骤s3包括：对样本集进行乱序处理，随机获得80％的灰度图像构成训练集，20％的灰度图像构成测试集。6.根据权利要求5所述的方法，其特征在于，所述卷积神经网络为基于vgg16架构的卷积神经网络，步骤s4包括：s41选取adam优化器作为所述卷积神经网络中的优化器，选取softmax分类器作为所述卷积神经网络中的分类器；s42将式作为所述卷积神经网络中的交叉熵损失函数；式中，m表示样本个数，n为标签类别的个数，q(xij)表示第i个样本被模型判断为第j个标签的概率，p(xij)表示表示第i个样本实际为第j个标签的概率；s43依次将所述训练集和测试集输入到所述卷积神经网络中进行训练和测试；s44重复步骤s43多次，获得测试结果，基于该测试结果获得测试后的所述卷积神经网络。
技术总结
本发明提供一种增强牙根管ROI辨识模型的区分度的方法，基于临床数据图像制作样本集，同时为了提高训练模型的泛化能力，采用数据增强的方式扩增样本集。为了突出牙根管阳性牙齿(有牙根管治疗史)和牙根管阴性牙齿(无牙根管治疗史)的区别，本发明提出了针对牙根管治疗史判断的ROI特征增强的方法，通过将牙根管阳性牙齿的突出部位进行增强亮度来实现。经过ROI特征增强后的全部样本进行训练集和测试集的划分，输入卷积神经网络进行训练与测试。得到的模型就可以用来诊断牙齿牙根管是否具有治疗史，同时可以保存模型做进一步的训练和优化。化。化。
技术研发人员：朱宇昂 梁生 赵小艇 曹寅 李琳 许桐楷 刘峰 彭俐
受保护的技术使用者：北京交通大学
技术研发日：2021.09.29
技术公布日：2022/2/6