一种基于深度学习算法的牙齿病变检测方法及系统与流程

本发明涉及医疗图像处理领域，特别涉及一种基于深度学习算法的牙齿病变检测方法及系统。

背景技术：

1、牙齿病变检测是口腔医学领域的重要任务，涵盖了龋齿和楔状缺损等多种疾病的检测和识别。对这些疾病的及早发现和精确诊断对维护口腔健康至关重要。

2、目前，牙齿病变的类型检测和分类主要依赖于卷积神经网络(cnn)等深度学习技术。cnn具有层次化结构，能够自动提取图像特征，因此非常适合用于牙齿病变检测。以前的方法中，使用了一系列网络架构如u-net、faster-rcnn、ssd和yolo等。

3、具体地，早期采用了yolov5算法，结合x光片图像对牙齿病变进行检测和识别，并获得了较好的结果。然而，这种方法仍然依赖于专业设备和医生的支持，无法实现患者的自助诊断。其中，使用x光片进行诊断通常需要专业设备和专业医生，这限制了患者自行诊断的可能性。此外，部分网络如u-net是基于像素分类的，对牙齿病变的检测精度和分类效果相对较低。而faster-rcnn系列由于是二阶段检测器，其速度较慢，不适用于实际应用场景。

4、基于上述限制和需求，需要提供一种能够利用自然光，即通过手机拍照的方式进行牙齿病变检测的方法，这将使患者能够更加方便地进行自助诊断，减少对专业设备和医生的依赖。

技术实现思路

1、有鉴于此，针对现有技术在牙齿病变检测方面存在一些限制和不足，本发明的目的在于提出一种基于深度学习算法的牙齿病变检测方法及系统，该方法允许患者使用自然光和手机拍照来进行自助诊断，同时保持高精度和高效率的检测和分类，这将克服传统牙齿病变检测方法的限制，实现更便捷、高效的病变检测和自助诊断。

2、基于上述目的，第一方面，本发明提供了一种基于深度学习算法的牙齿病变检测方法，包括以下步骤：

3、通过自然光拍照方式获取包含牙齿病变区域的目标图像；

4、使用yolov7算法对所述目标图像进行处理，检测并标记出牙齿病变区域的位置；

5、将标记的病变区域裁切，并送入支持向量机(svm)分类器进行病变种类分类；

6、输出包含通过分类的牙齿病变区域及类型的病变类别结果。

7、作为本发明的进一步方案，所述自然光拍照方式为通过移动设备拍摄包含牙齿病变的目标图像，将目标图像输入深度学习模型的yolov7算法进行病变区域检测，其中，移动设备拍摄为手机。

8、作为本发明的进一步方案，所述目标图像中的牙齿病变区域包括龋齿和楔形缺损。

9、作为本发明的进一步方案，使用yolov7算法对所述目标图像进行处理为使用yolov7深度学习模型对所述目标图像中龋齿和楔形缺损进行病变区域检测，包括以下步骤：

10、通过移动设备的摄像头拍摄采集自然光下的口腔图像作为目标图像；

11、将采集的口腔图像进行预处理，将预处理的口腔图像调整大小后输入至预先训练好的yolov7深度学习模型中，并输出病变区域位置和病变类别；

12、将得到的病变区域位置进行裁切，将裁切好的病变区域送入训练好的支持向量机(svm)分类器进行分类，得到病变类别结果。

13、作为本发明的进一步方案，预处理的口腔图像被调整为640×640大小。

14、作为本发明的进一步方案，所述病变类别结果包括标记和定位的病变区域的位置、病变类型和严重程度。

15、作为本发明的进一步方案，将预处理的口腔图像调整大小后输入至预先训练好的yolov7深度学习模型中，还包括：

16、将调整大小后的口腔图像输入到yolov7深度学习模型的backbone网络中；

17、经过head层网络，输出三层不同大小的feature map；

18、使用rep和conv层处理feature map，生成牙齿病变的预测结果；

19、将预测结果中的病变区域位置和病变类别提取出来，得到标记和定位的病变区域的位置以及确定的病变类别。

20、作为本发明的进一步方案，预先训练好的yolov7深度学习模型还包括重新调整原始的损失分配系数，通过降低目标检测的loss系数以及提升正负样本loss系数，以增加楔形缺损病变的检测召回率。

21、作为本发明的进一步方案，支持向量机(svm)分类器进行病变种类分类时，还包括以下步骤：

22、将检测出来的病变区域位置裁切后送入svm分类器进行二次分类；

23、采用加权平均的方式输出牙齿病变的类别。

24、作为本发明的进一步方案，将标记的病变区域裁切，并送入支持向量机(svm)分类器进行病变种类分类时，支持向量机(svm)分类器根据提取的图像特征对病变区域进行病变种类分类，得到svm的分类结果。

25、作为本发明的进一步方案，将预测结果中的病变区域位置和病变类别提取出来，得到标记和定位的病变区域的位置以及确定的病变类别，还包括以下步骤：

26、yolov7深度学习模型对病变区域进行分类并计算病变区域的病变置信度；

27、根据yolov7深度学习模型分类计算的病变区域的病变置信度，当病变置信度小于0.8时，采用svm的分类结果作为最终结果；当病变置信度大于等于0.8时，则直接使用yolov7的分类结果作为最终结果。

28、第二方面，本发明提供了一种基于深度学习算法的牙齿病变检测系统，包括：

29、图像采集装置，用于通过自然光拍照方式获取包含牙齿病变区域的目标图像；

30、目标检测模块，用于使用预先训练好的yolov7深度学习模型处理目标图像，检测并标记出牙齿病变区域的位置；

31、病变分类模块，用于通过支持向量机(svm)分类器对标记的病变区域进行病变种类分类；

32、结果输出模块，用于输出包含通过分类的牙齿病变区域及类型的病变类别结果。

33、作为本发明的进一步方案，所述图像采集装置为移动设备，如手机；所述目标图像中的牙齿病变区域包括龋齿和楔形缺损。

34、本发明的又一方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被处理器执行时执行上述任一项根据本发明的基于深度学习算法的牙齿病变检测方法。

35、本发明的再一方面，还提供了一种计算机可读存储介质，存储有计算机程序指令，该计算机程序指令被执行时实现上述任一项根据本发明的基于深度学习算法的牙齿病变检测方法。

36、与现有技术相比较而言，本发明提出的一种基于深度学习算法的牙齿病变检测方法及系统，具有以下有益效果：

37、1.高效的病变检测：本发明的基于深度学习算法的牙齿病变检测系统利用深度学习模型yolov7能够高效地检测和标记出牙齿病变区域的位置，包括龋齿和楔形缺损等，极大地提高了病变检测的速度和准确性。

38、2.移动设备应用：本发明的基于深度学习算法的牙齿病变检测方法及系统允许通过移动设备(如手机)的自然光拍照方式获取口腔图像，无需专业设备，使病人可以在家中使用移动设备自行进行口腔检查。这为牙齿病变的早期检测和自助诊断便捷的自助诊断途径，有助于早期发现疾病。

39、3.深度学习模型的性能优化：本发明的基于深度学习算法的牙齿病变检测系统中的yolov7深度学习模型经过重新调整原始的损失分配系数，提高了对楔形缺损病变的检测召回率，从而提高了检测的全面性。

40、4.多层次的结果输出：本发明的基于深度学习算法的牙齿病变检测方法及系统能够输出病变区域的位置、病变类型和严重程度等多层次的结果，能够为医生提供详细的口腔检查信息，有助于医生更好地理解患者的口腔状况，制定更精确的治疗计划。

41、5.结合深度学习和传统方法：通过将yolov7的检测结果与svm分类器的结果结合，可以提高病变分类的精确性，特别是对于复杂或不明显的病变区域。

42、综上所述，本发明的基于深度学习算法的牙齿病变检测方法及系统通过自然光拍照方式获取图像，无需额外的设备或光源。病人可以轻松地使用手机拍照，不需要专业的口腔检查设备，并且结合了先进的计算机视觉技术和移动设备的便利性，提供了一种高效、准确和用户友好的牙齿病变检测解决方案，能够在早期病变检测和口腔健康监测领域产生积极的影响。

43、本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。