基于二阶段深度学习模型的全景片牙周炎智能分级系统

本发明属于医学人工智能领域，尤其是涉及一种基于二阶段深度学习模型的全景片牙周炎智能分级系统。

背景技术：

1、牙周炎是全球第六大最常见疾病，会导致牙槽骨吸收、牙齿脱落、无牙颌畸形和咀嚼功能障碍，近年来还被发现是心血管疾病、糖尿病、呼吸系统感染和消化系统疾病等全身系统性疾病的危险因素或指标，带来巨大的社会经济影响和医疗成本。然而，在早期阶段，牙周病的症状并不明显，有时被忽视或遗漏，导致疾病的持续和不可逆的发展，最终导致牙齿活动、丧失，甚至全身性疾病。

2、牙周炎进行分类有助于个性化治疗方案的制定。2017年，美国牙周病学会和欧洲牙周病学联合会基于多维分期和分级系统为牙周炎提供了新的定义和分类框架。其中，临床附着丧失(cal)及放射学骨丧失(pbl)被认为可共同评价牙周炎严重程度以指导牙周炎分期。

3、牙周炎的诊断和分期分类主要基于牙周牙槽骨吸收的状态，包括水平、形状和位置。目前临床上使用牙周探针进行诊断，但是由于牙槽骨丢失往往隐藏在牙周组织后面，无法接近，所以需要全景片来评估牙周牙槽骨吸收的状态。

4、目前临床上主要采用牙周探诊测量临床附着丧失，评估牙周健康状况。然而，这种方法在与探测力、角度、位置和牙周探针尖端直径相关的可靠性方面受到限制。检测和评估牙周炎引起的骨质流失的常用附加方法是放射成像，其中，全景x线检查应用广泛，且已有研究证明全景放射成像pbl读数和口内在很大程度上相互一致。全景x线检查可用于补充和支持pbl的临床评估。

5、然而，在全景x线片上检测pbl受限于单个检查者的准确性和不同检查者之间的低可靠性，且系统、全面和可靠的评估需要大量的人力。因此，随着人工智能和深度学习的发展，一种基于深度学习的计算机辅助诊断(cad)系统应运而生。很多研究者尝试使用ai技术在全景片自动识别牙周牙槽骨吸收的状态，进而对牙周炎进行自动分级诊断。人工智能模型可以基于同样的标准稳定地输出，当面对大量的影像学数据时，具有良好的牙周炎筛查潜力。

6、牙周骨丢失是牙周炎分期最重要的基础之一，其影像学诊断有准确性有限、不一致、诊断度低等问题，病患个体之间的差异更加大了基于影像的牙周炎自动分级难度。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于二阶段深度学习模型的全景片牙周炎智能分级系统，以实现对牙周炎的智能快速准确分级。

2、为实现上述发明目的，实施例提供了一种基于二阶段深度学习模型的全景片牙周炎智能分级系统，包括计算机存储器、以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，所述计算机存储器还存储有基于深度学习网络构建的牙齿分割模型和关键点检测模型，所述计算机处理器执行所述计算机程序时实现以下步骤：

3、获取待检测的牙齿全景片；

4、利用牙齿分割模型对牙齿全景片进行牙齿分割，得到单颗牙齿图；

5、利用关键点检测模型对单颗牙齿图进行关键点定位以得到每颗牙齿的关键点位置；

6、基于每颗牙齿的关键点位置计算牙周骨损失率；

7、依据牙周骨损失率确定牙周炎等级。

8、优选地，所述牙齿分割模型采用swinunet模型，在被应用之前需要经过参数优化，参数优化时，损失函数l1为：

9、

10、其中，e表示分割面积，f表示真实面积。

11、优选地，所述关键点检测模型采用yolov3模型，在被应用之前需要经过参数优化，参数优化时，损失函数l2为：

12、

13、其中，m表示样本数量，m为样本索引，n表示关键点个数，n表示关键点索引，分别表示yolov3模型中y1-y3模块中预测关键点与实际点的欧式距离。

14、优选地，采用以下公式基于每颗牙齿的关键点位置计算牙周骨损失率pbl％：

15、pbl％＝max(d(m1-m2)/d(m1-m3),d(d1-d2)/d(d1-d3))

16、其中，d1表示远端釉牙骨质界点的位置，d2表示远端牙槽嵴的位置，d3表示远端根尖的位置，m1表示近端釉牙骨质界点的位置，m2表示近端牙槽嵴的位置，m3表示近端根尖的位置，max()取最大值函数，d(m1-m2)表示m1到m2的距离，d(m1-m3)表示m1到m3的距离，d(d1-d2)表示d1到d2的距离，d(d1-d3)表示d1到d3的距离。

17、优选地，所述依据牙周骨损失率确定牙周炎等级，包括：

18、当pbl％<＝15％时，牙周炎的等级为i级；

19、当15％<pbl％<＝33％时，牙周炎的等级为ii级；

20、当pbl％>33％时。牙周炎的等级为ⅲ～ⅳ级别。

21、为实现上述发明目的，实施例还提供了一种基于二阶段深度学习模型的全景片牙周炎智能分级系统，包括获取模块、分割模块、定位模块、损失率计算模块、等级划分模块，

22、所述获取模块用于获取待检测的牙齿全景片；

23、所述分割模块用于利用牙齿分割模型对牙齿全景片进行牙齿分割，得到单颗牙齿图；

24、所述定位模块用于利用关键点检测模型对单颗牙齿图进行关键点定位以得到每颗牙齿的关键点位置；

25、所述损失率计算模块用于基于每颗牙齿的关键点位置计算牙周骨损失率；

26、所述等级划分模块用于依据牙周骨损失率确定牙周炎等级。

27、优选地，所述牙齿分割模型采用swinunet模型，在被应用之前需要经过参数优化，参数优化时，损失函数l1为：

28、

29、其中，e表示分割面积，f表示真实面积。

30、优选地，所述关键点检测模型采用yolov3模型，在被应用之前需要经过参数优化，参数优化时，损失函数l2为：

31、

32、其中，m表示样本数量，m为样本索引，n表示关键点个数，n表示关键点索引，分别表示yolov3模型中y1-y3模块中预测关键点与实际点的欧式距离。

33、优选地，在损失率计算模块中，采用以下公式基于每颗牙齿的关键点位置计算牙周骨损失率pbl％：

34、pbl％＝max(d(m1-m2)/d(m1-m3),d(d1-d2)/d(d1-d3))

35、其中，d1表示远端釉牙骨质界点的位置，d2表示远端牙槽嵴的位置，d3表示远端根尖的位置，m1表示近端釉牙骨质界点的位置，m2表示近端牙槽嵴的位置，m3表示近端根尖的位置，max()取最大值函数，d(m1-m2)表示m1到m2的距离，d(m1-m3)表示m1到m3的距离，d(d1-d2)表示d1到d2的距离，d(d1-d3)表示d1到d3的距离。

36、优选地，在等级划分模块中，依据牙周骨损失率确定牙周炎等级，包括：

37、当pbl％<＝15％时，牙周炎的等级为i级；

38、当15％<pbl％<＝33％时，牙周炎的等级为ii级；

39、当pbl％>33％时。牙周炎的等级为ⅲ～ⅳ级别。

40、与现有技术相比，本发明具有的有益效果至少包括：

41、本发明采用先分割牙齿再检测关键点的二阶段方法，与一阶段的方法相比，将每颗牙齿分割出来后，在单颗牙齿上准确识别出关键点，从而避免对一些牙齿的漏检，提升了关键点定位的准确率，从而避免因各种原因(翻转角度、结构重叠、医生能力、个人主观性等)导致的牙周炎诊断不精准的问题。

42、本发明可以通过在牙齿全景片上自动识别每颗牙齿的牙周骨损失率，并根据牙周骨损失率自动诊断每颗牙齿的牙周炎的等级，减少了医生的查看时间，极大地提升了诊断的效率。