基于FDB-DeepLabv3+模型的隐裂牙裂纹图像分割的方法

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。

技术特征：

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。

技术总结
本发明涉及软件通讯类技术领域，且公开了基于FDB‑DeepLabv3+模型的隐裂牙裂纹图像分割的方法，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；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；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。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。

技术研发人员：王文龙,郭俊城
受保护的技术使用者：广州大学
技术研发日：
技术公布日：2024/1/15