本发明涉及隐裂牙裂识别,具体为基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法。
背景技术:
1、隐裂牙指发生在牙齿表面上的较为细微的裂纹,是造成成年人牙齿脱落的第三大主要病因,也是目前口腔临床检测中一个棘手的难题。隐裂牙的临床诊断通常是根据临床症状,例如。对于可疑的牙齿,临床医生可以通过几种传统的临床测试来确定,如咬合试验法、探针法、染色法、冷刺激法、光透照法、根尖x线片(pr)和计算机断层扫描技术(cbct)等。
2、然而临床医生基于上述成像方法,通过人眼观察进行裂纹的识别与诊断,一方面对临床医生提出了一定临床经验的要求。另一方面由于医生的视觉疲劳或误判,会对隐裂牙的诊断造成不准确的诊断。通过人工智能进行图像处理并实现裂纹的自动识别和判断,可以在一定程度解决上述两个方面的问题。因此亟需进行改进。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足,本发明提供了基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,具备实现临床上隐裂牙裂纹的分割,无需人工参与,对医生的诊断经验要求,并且可以提升诊断的准确率;对任意成像手段(x射线影像;超声成像;光学成像等)所生成的图像均适用优点,解决了然而临床医生基于上述成像方法,通过人眼观察进行裂纹的识别与诊断,一方面对临床医生提出了一定临床经验的要求。另一方面由于医生的视觉疲劳或误判,会对隐裂牙的诊断造成不准确的诊断的问题。
3、(二)技术方案
4、为实现上述实现临床上隐裂牙裂纹的分割,无需人工参与,对医生的诊断经验要求,并且可以提升诊断的准确率;对任意成像手段(x射线影像;超声成像;光学成像等)所生成的图像均适用目的,本发明提供如下技术方案:基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,包括以下步骤:
5、s1、制作隐裂牙
6、采用温差法对健康牙齿进行处理产生裂纹模拟隐裂牙;取正常牙齿,在100度沸水和零下196度的液氮中切换,通过骤冷骤热过程,模拟隐裂牙裂纹;
7、s2、制作隐裂牙语义分割数据集
8、使用电子显微镜拍摄牙齿表面带有裂纹的区域,图片大小为1920×1080,把其裁剪成大小为512×512大小的小图片,并人工把有裂纹的小图片进行语义级别像素标记;
9、s3、进行deeplabv3+网络训练
10、将上述步骤s2中标记好的数据集放入改进的fdb-deeplabv3+网络进行训练,使其具备分割裂纹的能力,形成deeplabv3+的图像语义分割模型。
11、优选的,步骤s3中,deeplabv3+的图像语义分割模型采用编解码器结构,主干网络改为resnet50模型。
12、优选的,所述resnet50模型在编码部分将resnet50模型前三个阶段的特征图采用fpn方式相结合,以弥补丢失的细节特征。resnet50模型第四个阶段采用了bam注意力机制模块,通过细化裂纹特征来有效的引导模型训练,从而获得更好的检测结果。
13、优选的,所述步骤s3中,受到densenet网络的启发,在deeplabv3+的图像语义分割模型的密集链接的模块中,采用了密集链接的方式将原来并联的注意力机制模块进行相连,以密集连接的方式连接不同的空洞卷积层,从而生成了多尺度的特征,可以显著增加模型的感受野和特征提取能力。
14、优选的,所述densenet表达公式即以下所示:
15、首先通过传统的网络在l层的输出公式:
16、xl=hl(xl-1)
17、增加来自上一层输入的identity函数得到resnet公式:
18、xl=hl(xl-1)+xl-1
19、此时在会连接前面所有层作为输入即可得到densenet公式:
20、xl=hl([x0,x1,...,xl-1])。
21、优选的,其中,上述的h1(·)代表是非线性转化函数(non-lineartransformation),它是一个组合操作,其可能包括一系列的bn(batch normalization),relu,pooling及conv操作。注意这里1层与1,-1层之间可能实际包含多个卷积层。
22、(三)有益效果
23、与现有技术相比,本发明提供了基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,具备以下有益效果:
24、1、该基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,实现临床上隐裂牙裂纹的分割,无需人工参与,对医生的诊断经验要求,并且可以提升诊断的准确率。
25、2、该基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,对任意成像手段(x射线影像;超声成像;光学成像等)所生成的图像均适用。
1.基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,所述步骤s3中,deeplabv3+的图像语义分割模型采用编解码器结构,主干网络改为resnet50模型。
3.根据权利要求2所述的基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,所述resnet50模型在编码部分将resnet50模型前三个阶段的特征图采用fpn方式相结合,以弥补丢失的细节特征。resnet50模型第四个阶段采用了bam注意力机制模块,通过细化裂纹特征来有效的引导模型训练,从而获得更好的检测结果。
4.根据权利要求1所述的基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,所述步骤s3中,受到densenet网络的启发,在deeplabv3+的图像语义分割模型的密集链接的模块中,采用了密集链接的方式将原来并联的注意力机制模块进行相连,以密集连接的方式连接不同的空洞卷积层,从而生成了多尺度的特征,可以显著增加模型的感受野和特征提取能力。
5.根据权利要求4所述的基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,所述densenet表达公式即以下所示:
6.根据权利要求5所述的基于fdb-deeplabv3+模型的隐裂牙裂纹图像分割的方法,其特征在于,其中,上述的h1(·)代表是非线性转化函数(non-linear transformation),它是一个组合操作,其可能包括一系列的bn(batch normalization),relu,pooling及conv操作。注意这里1层与1,-1层之间可能实际包含多个卷积层。