一种基于云平台的数字化口腔咬合分析系统及分析方法与流程

1.本发明涉及口腔咬合分析技术领域，特别涉及一种基于云平台的数字化口腔咬合分析系统及分析方法。


背景技术：

2.根据2017年流行病学调查的结果，口腔医疗的需求人数增长到6.94亿人。整体来看，有约50％的中国居民患有各类口腔疾病，需求长期保持在高位。咬合学，作为口腔医学基础类学科，又是口腔临床类的应用学科，贯穿了口腔疾病的诊断、治疗和评估的全过程，因此对咬合进行准确的量化评估就显得尤为重要。当前以t
‑
scan为代表的数字化咬合分析系统愈来愈受到重视，随着人工智能、大数据、云平台等技术的不断引入，智能化、无线化、云端化将会是未来数字化咬合分析系统的发展趋势。
3.现有技术的不足之处在于，现有的咬合分析系统提供了较为全面的咬合数据分析工具，但如何从咬合数据与口腔疾病建立联系仍需要口腔科医生的临床经验，同时系统对咬合数据分析的功能较为薄弱。


技术实现要素：

4.本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于云平台的数字化口腔咬合分析系统及分析方法，以解决上述背景技术中提出的问题。
5.一种基于云平台的数字化口腔咬合分析系统，包括：
6.医疗管理云平台，用于接收、存储和传输口腔数据，且提供数据操作权限；
7.移动医疗终端模块，用于对用户基本信息和口腔咬合数据实时上传至所述医疗管理云平台，且能够进行数据存储、处理和显示；
8.数据采集模块，用于记录口腔咬合数据，且能够将口腔咬合数据实时传输至所述移动医疗终端模块；
9.锥形束ct端，用于获取用户的二维断层扫描图像和口腔三维模型，且能够实时上传至所述医疗管理云平台；
10.智能辅助诊断系统，用于获取所述医疗管理云平台样本进行自主学习，且根据获取的新样本给出诊断分析结果。
11.作为本发明的进一步的方案：所述数据采集模块包括柔性力敏传感器、设置于所述柔性力敏传感器的支持架，以及设置于所述支持架的手柄。
12.作为本发明的进一步的方案：所述柔性力敏传感器外表面设置有食用色素涂层，且柔性力敏传感器采用高密度柔性材料。
13.作为本发明的进一步的方案：所述数据采集模块与所述移动医疗终端模块能够采用蓝牙、wifi或nfc连接方式。
14.作为本发明的进一步的方案：所述移动医疗终端模块包括智能手机、智能平板和pc端。
15.作为本发明的进一步的方案：所述医疗管理云平台包括用于处理用户基本信息、口腔咬合数据、三维模型和诊断档案的用户档案模块，以及用于管理医生基本信息、病例诊断结果的医生管理模块。
16.一种如上任一项所述的一种基于云平台的数字化口腔咬合分析系统的分析方法，包括如下步骤：
17.根据口腔数据库中的口腔咬合数据进行分类和截取处理，获取图像数据及数值数据；
18.以上颌中切牙中缝点为坐标原点建立坐标系，对图像数据进行特征处理，同时提取数值数据中的量化指标，得到图像数据集和数值特征集；
19.将图像数据集和数值特征集分为训练集和测试集，其比例为7:3；
20.将图像数据集放入到预训练模型vgg16中，训练后的模型作为基础学习器a；
21.将数值特征集放入到k
‑
nn分类器中，训练后的模型作为基础学习器b；
22.将基础学习器a和基础学习器b的预测结果作为元数据，得到综合数值数据和图像数据的咬合分类模型。
23.作为本发明的进一步的方案：所述量化指标包括左右两侧咬合力比值、数据采集模块提供的咬合分离时间和咬合时间。
24.作为本发明的进一步的方案：所述图像数据集放入到预训练模型vgg16的具体步骤为：
25.冻结vgg16模型前4块的模型参数，对卷积层，以及最后三个完全连接层和输出层的权重进行微调。
26.作为本发明的进一步的方案：所述得到综合数值数据和图像数据的咬合分类模型的具体步骤为：
27.将预测结果作为元数据，放入到一个包含1024个节点的单层神经网络中，丢弃率为0.3，采用交叉验证算法进行训练。
28.与现有技术相比，本发明存在以下技术效果：
29.通过采用上述的技术方案，将患者的基本信息、咬合数据和口腔三维模型等上传到云平台，能够减小医院本地存储的压力，同时使得医生可以随时随地查看患者的情况并做出远程诊断。且在云平台设置载有智能辅助诊断系统，利用其在医院的样本库中进行学习，在遇到新的病例样本时能够对医生提供建议，减小医生看诊的时间和压力，提高诊断效率。同时，该患者也可以通过移动医疗终端模块查看自己的口腔咬合情况，能更好的配合医生进行治疗。
附图说明
30.下面结合附图，对本发明的具体实施方式进行详细描述：
31.图1为本申请公开的一些实施例的数字化口腔咬合分析系统的系统示意图；
32.图2为本申请公开的一些实施例的数据采集模块和移动医疗终端模块的示意图；
33.图3为本申请公开的一些实施例的智能辅助诊断系统的训练流程框图；
34.图4为本申请公开的一些实施例的咬合压力分布图像的二维坐标系示意图；
35.图5为本申请公开的一些实施例的vgg16模型的网络结构示意图。
36.图中：1、医疗管理云平台；2、移动医疗终端模块；3、数据采集模块；31、柔性力敏传感器；311、食用色素涂层；32、支持架；33、手柄；4、锥形束ct端；5、智能辅助诊断系统。
具体实施方式
37.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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。
38.请参考图1，本发明实施例中，一种基于云平台的数字化口腔咬合分析系统，包括：。
39.医疗管理云平台1，用于接收、存储和传输口腔数据，且提供数据操作权限；
40.移动医疗终端模块2，用于对用户基本信息和口腔咬合数据实时上传至所述医疗管理云平台1，且能够进行数据存储、处理和显示；
41.数据采集模块3，用于记录口腔咬合数据，且能够将口腔咬合数据实时传输至所述移动医疗终端模块2；
42.锥形束ct端4，用于获取用户的二维断层扫描图像和口腔三维模型，且能够实时上传至所述医疗管理云平台1；
43.智能辅助诊断系统5，用于获取所述医疗管理云平台1样本进行自主学习，且根据获取的新样本给出诊断分析结果。
44.在一些具体的实施例中，如图2所示，所述数据采集模块3包括柔性力敏传感器31、设置于所述柔性力敏传感器31的支持架32，以及设置于所述支持架32的手柄33。
45.具体的，所述柔性力敏传感器31包括两片相贴的聚脂薄膜，其中一片聚脂薄膜内表面铺设彼此平行的第一带状导体，另一聚脂薄膜内表面铺设与第一带状导体垂直相交的彼此平行的第二带状导体，两片聚脂薄膜合为一体从而构成了点阵阵列，该第一带状导体和第二带状导体均涂有压敏材料涂层，当外力作用到所述的点阵阵列上时，两片聚脂薄膜间的电阻就会产生与压力大小呈函数关系的变化。所述柔性力敏传感器31的表面涂覆有食用色素涂层，可用于在牙齿上标记咬合位点。且柔性力敏传感器31采用高密度材料制成。
46.具体的，所述支持架32用于容纳高密度的柔性力敏传感器31并进行固定，且表面有凸起，可用于嵌入到用户上颌中切牙中缝间。同时具有多种型号以适应不同的类型的口腔大小，支持架32的尾端可以插入到手柄33开设有的限位孔中。
47.具体的，所述手柄33还包括设置a/d转换器对点阵的电压值进行转换功能的采集电路、电源电路。该电源电路可采用aa电池等作为供电电源。
48.在一些具体的实施例中，所述数据采集模块3与所述移动医疗终端模块2能够采用蓝牙、wifi或nfc连接方式进行通信。
49.在一些具体的实施例中，如图1和图2所示，所述移动医疗终端模块2可选用智能手机、智能平板和pc端。该移动医疗终端模块2可能实时地显示咬合数据以及智能辅助诊断系统5所提供的诊断结果和治疗意见。
50.在一些具体的实施例中，所述医疗管理云平台1包括用于处理用户基本信息、口腔咬合数据、三维模型和诊断档案的用户档案模块，以及用于管理医生基本信息、病例诊断结
果的医生管理模块。
51.具体的，用户可以凭登录名和密码进入医疗管理云平台1的用户档案模块，并在其中增加、修改和删除自己的基本信息，查看咬合数据、口腔三维模型和诊断档案等。
52.具体的，医生可以凭登录名和密码进入医疗管理云平台1的医生管理模块，在其中增加、修改和删除自己的基本信息，并对平台中的病例给出诊断意见和治疗建议。
53.医疗管理云平台1设置有不同类型的服务器，其主要包括深度学习服务器、数据库服务器和web服务器。其中，web服务器能够储存大量数据和在网页端浏览用户基本信息、生理数据和诊断结果。数据库服务器能建立不同数据之间的存储关系，并提供数据的增加、修改和删除功能。深度学习服务器用于为智能辅助诊断系统5的样本训练。
54.一种如上任一项所述的一种基于云平台的数字化口腔咬合分析系统的分析方法，如图3所示，包括如下步骤：
55.s101：首先在医院口腔科数据库中采集大量的牙尖交错位的口腔咬合数据，根据已有的诊断结果将其分为安氏ⅰ类、ⅱ类和ⅲ类。通过逐帧比较显示压力位点的多少，截取出咬合接触面积最大的帧为输入帧，该帧的压力分布图像为图像数据，各位点的压力大小为数值数据。
56.s102：如图4所示，对图像数据特征进行处理，以支持架32的定位点，即上颌中切牙中缝点为坐标原点建立坐标系，在(30，55)，(
‑
30，55)，(30，
‑
5)，(
‑
30，
‑
5)四个点处裁剪出60mm
×
60mm的正方形，得到图像数据集和数值特征集。
57.s103：提取数值数据中的量化指标，包括左右两侧咬合力比值以及咬合数据采集终端提供的咬合分离时间、咬合时间等值。
58.具体的，如图4所示，左右两侧咬合力比值，即y轴的左侧和右侧咬合力的比值，咬合时间和咬合分离时间需要在咬合的全过程进行计算。首先，扫描咬合的全过程，计算每帧咬合力的总和，将总咬合力最大的一帧作为最大咬合力帧。再计算其余帧的总咬合力占最大咬合力帧的总咬合力的百分比。当百分比大于1％时，即为咬合接触开始，记为时刻a。当百分比达到95％且维持一定时间，即为咬合接触完成，记为时刻b。当百分比从95％开始下降时，即为咬合分离开始，记为时刻c。当百分比下降到1％时，即为咬合分离结束，记为时刻d。时刻a、b的时间差即为咬合时间，时刻c、d的时间差即为咬合分离时间。
59.s104：将图像数据集和数值特征集分为70％的训练集和30％的测试集。
60.s105：如图5所示，图示出了vgg16模型的网络结构。将图像数据集放入到预训练模型vgg16中，冻结vgg16模型前4块的参数，对卷积层、最后三个完全连接层和输出层(softmax层)的权重进行微调，输入的特征图像大小为224
×
224
×
3。
61.采用随机梯度下降法，根据损失函数公式，通过计算预测结果与真实标注之间的误差，并反向传播到深度神经网络模型，从而计算梯度来更新网络参数。训练后的模型作为基础学习器a。
62.s106：将数值特征集放入到k
‑
nn分类器中，使用欧几里得距离计算两点之间的距离，k值设置为4，训练后的模型作为基础学习器b。
63.s107：将来自两个基础学习器a和基础学习器b的预测结果作为元数据，放入到一个包含1024个节点的单层神经网络中，丢弃率为0.3，采用交叉验证算法进行训练，得到综合数值数据和图像数据的咬合分类模型。
64.模型训练完毕之后，将其植入医疗管理云平台1中，辅助医生进行诊断，在标签样本达到一定数量之后，可再进行训练更新。
65.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。