一种基于深度学习网络的智齿识别和分类方法

1.本发明涉及智齿图像处理技术领域，特别涉及一种基于深度学习网络的智齿识别和分类方法。


背景技术：

2.智齿又名第三磨牙，常于16岁之后萌出，由于是口内最后一颗萌出的牙齿，多因萌出空间不足，形态异常，萌出方向的原因导致其阻生不能正常萌出,发病率可达80％。由于第三磨牙阻生的原因，邻牙由于无法清洁可出现龋坏，发病率在7％-78.4％；同时还会导致包括智齿冠周炎，咬合干扰和颞下颌关节不适等症状，所以阻生智齿多在发现后及时拔除。
3.由于第三磨牙从11岁左右开始发育，17岁左右牙根发育完成后根据其生长方向可以判断其是否能够正常萌出且与对合牙建立良好咬合关系。而阻生智齿的拔除难度与其生长方向相关，其难度依次为垂直阻生智齿《近中阻生智齿《水平阻生智齿《倒置阻生智齿，所以在术前准确判断其生长方向有利于评估其拔除的难度以及合理的医患沟通。
4.当前智齿的识别一般通过口腔全景x片依赖医生的经验进行直接的观察进行判断，这对于智齿的识别具有相当的局限性；现有技术中还有通过神经网络构建的模型进行牙齿类型的识别，然而对于牙齿来说，不同类型的牙齿其特征不同，智齿的识别不同于其它类型牙齿的识别，智齿的识别发现是为了便于后续及时拔出，而智齿的拔出还需要识别获取到智齿的生长方向，现有技术中的关于牙齿识别的神经网络对智齿的识别准确率不高，且并不能获取智齿的生长方向。


技术实现要素：

5.为解决上述问题，本发明提供了一种基于深度学习网络的智齿识别和分类方法，通过yolov5网络对初始的全景x片图像进行标注和识别，获得模型的最佳阈值和匹配函数，之后将未训练x片输入进行预测获得标注智齿标签的x线片，对x线片中的智齿标签图片提取后，对牙冠面的高密度影区进行点标注，获得的特征分布于牙冠高密度区的点坐标；通过训练resnet18网络获得未训练标签智齿图片的特征点坐标，对特征点坐标进行一元线性回归，通过拟合的回归函数获得智齿生长方向函数，进而获取智齿生长角度，根据设定的角度阈值，对智齿进行分类。
6.本发明提供了一种基于深度学习网络的智齿识别和分类方法，具体技术方案如下：
7.s1：获取全景x片图像构建图像数据集，对所述图像数据集进行预处理，并对所有所述全景x片图像中的智齿进行标注，获得位置标签；
8.s2：对处理标注后的数据集进行划分，并构建yolov5网络模型，将划分后的数据集输入到模型中进行训练，获得训练后的模型；
9.s3：将图像数据集中的图像输入到模型中，获得网络模型识别的智齿区域，并进行分割，获得局部智齿特征图；
10.s4：根据得到的所述局部智齿特征图，对智齿牙冠面进行标注，获取图像数据集中牙冠面的标注点集；
11.s5：对得到的标注点集进行线性回归，获得一元线性回归模型，根据回归模型的系数，获得牙轴方向，并根据设定的阈值进行分类。
12.进一步的，所述预处理，包括对图像数据集中的数据图像进行直方图均衡化处理和线性变换。
13.进一步的，对全景x片图像进行所述直方图均衡化处理，将灰度值均衡至[0-255]之间；对进行均衡化的全景x片图像再进行线性变换，所述线性变换的k为3.2，b为-300。
[0014]
进一步的，步骤s1中对全景x片图像中的智齿进行标注时，标注区域选取智齿及其周围硬组织结构。
[0015]
进一步的，所述位置标签为获取标注区域相对两点的位置坐标。
[0016]
进一步的，所述yolov5网络模型由loss函数表达，具体如下：
[0017]
loss
yolo
＝loss
coord
+loss
class
+loss
conf
[0018]
loss
coord
表示检测框位置预测的损失函数，loss
class
表示目标类别的置信度，loss
conf
表示检测框中存在目标物体的置信度；
[0019]
在所述yolov5网络模型中，检测框位置损失函数权重设为5，切割图片网格数量设为49，预测框数量设为2；没有物体的背景区域误判时的损失权重设为0.4，信度阈值设为0.6。
[0020]
进一步的，在步骤s3获得所述局部智齿特征图之前，对图像进行二次归一化处理，使得图片高和宽等长。
[0021]
进一步的，步骤s3中，采用resnet18卷积神经网络模型进行特征点的标注，图片大小格式设为224*224，信度阈值设为0.8。
[0022]
进一步的，步骤s5具体过程如下：
[0023]
获取回归模型的系数a，根据系数a计算智齿生长方向的斜率，根据斜率计算智齿的倾斜角度α；
[0024]
判定α与设定阈值的大小，根据角度与阈值的比较结果进行分类。
[0025]
本发明的有益效果如下：
[0026]
1、通过对原始全景x片图像进行均衡化处理和线性变换，大大提升图片质量，使得集中于前牙区的灰度值较高且集中的区域更加清晰，提升了牙齿的分辨特征，通过对处理后的图像进行标注并采用yolov5网络模型进行识别和特征提取，提高了对智齿识别的有效性和准确度。
[0027]
2、对获取的智齿特征图，对其牙冠面高密度影区进行点标注，获得的特征分布于牙冠高密度区的点坐标，特征点的标注，采用卷积神经网络模型进行训练，使其能够自动标注智齿牙冠面特征点，有效提取智齿的空间位置和牙冠平面线，进而通过对特征点集进性一元线性回归，获得牙面的拟合函数，根据拟合函数计算智齿生长角度，获的牙体的生长方向。
[0028]
3、基于yolov5和resnet18卷积神经网络模型实现智齿的识别和分类，识别获取智齿并获得其生长方向，降低了智齿识别对医师经验的依赖，同时提高了现有智齿识别的效率和准确性。
附图说明
[0029]
图1为本发明基于yolov5网络的口腔x线片识别智齿流程示意图；
[0030]
图2为本发明图像预处理中数据集的智齿标注形式流程示意图。
具体实施方式
[0031]
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0032]
实施例1
[0033]
本发明的实施例1公开了一种基于深度学习网络的智齿识别和分类方法，如图1所示，具体步骤流程如下：
[0034]
s1：获取全景x片图像构建图像数据集，对所述图像数据集进行预处理，降低由于影像设备和认为误差造成的影响；
[0035]
如图2所示，所述预处理，包括对图像数据集中的数据图像进行直方图均衡化处理和线性变换；
[0036]
本实施例中，所述直方图均衡化处理，将图像的灰度值均衡至[0-255]之间，提高图像的对度；
[0037]
对进行均衡化的全景x片图像再进行线性变换，来提升牙齿的分辨特征，所述线性变换的线性函数中，k为3.2，b为-300。
[0038]
本实施例中，对预处理后的图像再进行同一化处理，调整图片大小格式为2776*1480。
[0039]
之后，对所有处理后的所述全景x片图像中的智齿进行标注，获得位置标签；
[0040]
采用labelimg软件对智齿进行人为空间位置标注，标注区域选取智齿及其周围硬组织结构，利于网络对边缘特征识别，提高识别准确率；
[0041]
所述位置标签为获取标注区域相对两点的位置坐标，本实施实例中，获取智齿区域的左上和右下的位置坐标。
[0042]
s2：对处理标注后的数据集进行划分，并构建yolov5网络模型，将划分后的数据集输入到模型中进行训练，获得训练后的模型；
[0043]
将处理并标注后得到的数据集按照8:2的比例划分训练集和测试集；
[0044]
基于c语言的darknet构架搭建yolov5网络模型，并将分配好的训练集和测试集导入模型中进行训练，获得模型的精度与检测阈值后，得到训练后的模型；
[0045]
所述yolov5网络模型由loss函数表达，具体如下：
[0046]
loss
yolo
＝loss
coord
+loss
class
+loss
conf
[0047]
loss
coord
表示检测框位置预测的损失函数，如下所示：
[0048][0049]
其中，λ
coord
表示检测框位置损失函数权重，λ
coord
＝5；(xi，yi)、(wi，hi)为第i个预测
框中心点坐标和宽高，为标签中心点坐标和宽高；
[0050]
loss
class
表示目标类别的置信度，如下所示：
[0051][0052]
其中，pi(c)表示预测第i个网格中包含类别c的置信度，表示的是标签中第i个网格中包含类别c的置信度；
[0053]
loss
conf
表示检测框中存在目标物体的置信度，如下所示：
[0054][0055]
其中，λ
noobj
表示没有物体的背景区域误判时的损失权重，λ
noobj
＝0.4，ci表示预测第i个网格中存在目标的置信度，表示标签中第i个网格存在目标的置信度；
[0056]
s2表示切割图片网格数量，s＝7；b为预测框数量，b＝2。
[0057]
本实施例中，yolov5网络模型的训练，主函数设置迭代次数epochs为300次，梯度下降batch设置为4，图片大小格式img-size设置为2776*1480，优化器使用adam，激活函数为relu，信度阈值设定为0.6。
[0058]
s3：将图像数据集中的图像输入到模型中，获得网络模型识别的智齿区域，并进行分割，获得局部智齿特征图；
[0059]
如图2所示，将图像数据集中的图像输入到训练好的yolov5网络模型中，输出识别图像，本实施例还对输出的识别图像进行二次归一化处理，图片统一加注黑边后使得图片高(h)与宽(w)等长，放缩图片h与w，使图片归一化为224*224大小；之后对识别的支持区域进行分割获得局部智齿特征图。
[0060]
s4：根据得到的所述局部智齿特征图，对智齿牙冠面进行标注，获取图像数据集中牙冠面的标注点集；
[0061]
对智齿牙冠面进行标注，获取牙冠面的标注点集；
[0062]
例如：第s张凸型的标注点集为[(x
s1
，y
s1
)，(x
s2
，y
s2
)
……
(x
sk
，y
sk
)]，单张区域特征图标注特征点数量k＝21。
[0063]
本实施例中，采用resnet18神经网络实现对智齿牙冠面的自动标注，通过获取牙冠面标注点集图像输入到构建的resnet18神经网络模型中，进行训练，实现自动标注；该网络包含17个卷积层与一个全连接层，全连接层(fc)。
[0064]
所述resnet18神经网络模型核心函数由smoothl1loss函数表达，resnet18网络loss函数，如下所示：
[0065][0066]
其中，k表示特征点数量，yi表示实际标注坐标值，f(xi)表示resnet18网络输出的映射坐标值。
[0067]
本实施例中，resnet18网络模型的训练，主函数设置迭代次数epochs为500次，梯
度下降batch设置为4，图片大小格式img-size设置为224*224，fc层激活函数为linear，信度阈值为0.8。
[0068]
s5：对得到的标注点集进行线性回归，获得一元线性回归模型，根据回归模型的系数，获得牙轴方向，并根据设定的阈值进行分类。
[0069]
将通过模型输出的映射向量转换为点坐标后，进行一元线性回归，获得回归函数y
t
＝ax
t
+b，根据回归模型的系数a，计算智齿生长方向的斜率，如下：
[0070]k智齿
＝－1/a
[0071]
进而根据斜率计算智齿的倾斜角度α，如下：
[0072]
α＝tan
－1k智齿
[0073]
判定α与设定阈值的大小，根据角度与阈值的比较结果进行分类；本实施例中，α》90
°
时为远中阻生；90
°
》α》70
°
为垂直阻生；α＜70
°
时为近中阻生。
[0074]
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。