CN111967539B - 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 - Google Patents
基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111967539B CN111967539B CN202011046290.5A CN202011046290A CN111967539B CN 111967539 B CN111967539 B CN 111967539B CN 202011046290 A CN202011046290 A CN 202011046290A CN 111967539 B CN111967539 B CN 111967539B
- Authority
- CN
- China
- Prior art keywords
- fracture
- cbct
- image block
- model
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,其实施方式提供了一种基于CBCT数据库的颌面部骨折的识别方法,所述方法包括:将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置。同时还提供了对应的基于CBCT数据库的颌面部骨折的识别装置,以及一种终端设备。本发明提供的实施方式适用于医学图像中的CBCT图像中的骨折识别,提升了效率。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种基于CBCT数据库的颌面部骨折的识别方法、一种基于CBCT数据库的颌面部骨折的识别装置、一种终端设备以及对应的存储介质。
背景技术
颌面部骨折是交通事故、意外伤害、竞技运动等事故中常见的外伤类型。颌面部骨折的解剖结构复杂多样,仅依靠临床症状及体征的诊断难度较大,常需要影像学的辅助诊断。其中锥形束CT(CBCT)的三维影像既能够更加清晰、直观地表现骨折的位置及移位的方向,又拥有传统CT所不具备的放射剂量低、空间分辨率高、应用方便等优点,近年来被广泛应用于颌面部肿瘤、整形等手术和关节病的辅助检查中。上述优点也使得CBCT在冬奥会等大型活动的现场外伤急症救治的诊疗中具有较好的应用前景。然而CBCT图像中包含大量信息,仅通过临床医生的视觉检查难以全面准确评估诸如骨骼结构、边界和隐匿骨折线等细节。因此,传统诊疗模式在处理以“快速、准确、高效”为特点的大型赛事及突发事件现场的救治存在较大困难。
近年来,深度学习技术已逐步用于医学领域,在检测癌症、白内障、骨折、脑出血等疾病方面均有较好的效果。其中卷积神经网络(CNN)是医学图像诊断方面最尖端的技术,其高精确性和稳定性弥补了人眼诊断漏诊和误诊的不足,在肺结核、肺结节CT图像、乳腺癌、脑部病变及白内障分级等疾病分类的精确度已证明达到了人类专家的级别。
现有的基于CBCT影像的颌面骨折识别技术都是依靠影像科的专业医师借助相关软件(如mimics research 19.0.)进行人工判断,包括上颌骨骨折、颧骨骨折、下颌体骨折、下颌角及升支骨折、牙槽突骨折、颏部骨折、髁突骨折和喙突骨折,骨折类型复杂,导致骨折的人工诊断折效率不高。
发明内容
有鉴于此,本发明旨在提出一种基于CBCT数据库的颌面部骨折的识别方法、装置及终端设备,以至少部分地解决上述问题。本发明拟基于卷积神经网络算法,对颌面部骨折CBCT数据模型进行深度学***台,提高疾病诊治的稳定性和反应效率。本发明解决了颌面骨折识别的效率问题,通过自动检测发生骨折的断层位置,来辅助医生提高诊断效率。
在本发明的第一方面,提供了一种基于CBCT数据库的颌面部骨折的识别方法,所述方法包括:将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置。
可选的,所述将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列,包括:将所述CBCT数据的CBCT图像序列输入训练好的骨结构定位模型;生成检测矩形框序列;根据不同解剖区域的矩形框,定位每个解剖区域的断层范围;分别从定位出的断层范围内的CBCT图像序列中逐层提取出每个解剖区域的图像块序列。
可选的,所述骨结构定位模型为卷积神经网络模型,所述卷积神经网络模型的输入为所述CBCT数据的CBCT图像序列,输出为所述CBCT数据的图像序列中每张图像对应的矩形框检测结果。
可选的,所述训练好的骨结构定位模型通过以下步骤得到:将具有颌面部骨折特征的CBCT数据进行标注和按解剖结构标记后作为第一训练样本;将所述第一训练样本分为训练集和验证集;将所述骨结构定位模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨结构定位模型进行迭代训练;采用所述验证集中的训练样本确定所述骨结构定位模型的最优参数。
可选的,在所述将所述训练样本分为训练集和验证集之前,所述方法还包括:将所述CBCT图像序列的像素灰度值映射至预设像素灰度值范围。
可选的,所述骨折判别模型为:EfficientNetb3、ResNet、DenseNet、3D-ResNet中的一种。
可选的,所述训练好的骨折判别模型通过以下步骤得到:确定所述骨折判别模型的模型结构;将所述第一训练样本按解剖结构分解为不同解剖区域的图像块序列,每个解剖区域的图像块序列构成一个分区训练样本;每个不同解剖区域的骨折判别模型均采用以下步骤进行训练:将对应解剖区域的分区训练样本分为训练集和验证集;将所述骨折判别模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨折判别模型进行迭代训练;采用所述验证集中的训练样本确定所述骨折判别模型的最优参数。
可选的,确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置,包括:获取所述骨折判别结果序列中的骨折判别结果为“骨折”的数量及其位置关系;确定所述数量和所述位置关系符合骨折特征,输出骨折判别结果为“骨折”的解剖区域为骨折位置,并输出对应的图像块。
在本发明的第二方面,还提供了一种基于CBCT数据库的颌面部骨折的识别装置,所述装置包括:图像输入模块,用于获取待识别的颌面部CBCT数据;骨结构定位模块,用于将所述颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;骨折判别模块,用于将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;识别输出模块,用于确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置。
在本发明的第三方面,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的基于CBCT数据库的颌面部骨折的识别方法的步骤。
在本发明第四方面,还提供一种计算机可读存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行前述的基于CBCT数据库的颌面部骨折的识别方法。
通过本发明提供的上述技术方案,具有以下有益效果:本发明提出的基于CBCT数据库的颌面部骨折人工智能诊断方法,基于卷积神经网络算法,对颌面部骨折CBCT数据模型进行深度学***台,提高了疾病诊治的稳定性和反应效率。解决了传统诊疗依赖于专业医师和特定诊疗场所的局限性,使得在诸如重大交通事故、意外事件及大型运动等要求快速反应、准确判断、及时处理的事故现场的即时诊治成为可能。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施方式及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别方法的流程示意图;
图2是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别装置的结构示意图;
图3是本发明一种实施方式提供的终端设备的示意图;
图4是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别方法的实施步骤图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别方法的流程示意图,如图1所示。在本发明的第一方面,提供了一种基于CBCT数据库的颌面部骨折的识别方法,所述方法包括:将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置。
如此,将颌面部CBCT数据分解为多个解剖结构上的构件,通过识别单个构件是否骨折来识别所述颌面部CBCT数据中是否存在骨折,以此实现对颌面部整体判断,还能识别出骨折位置。本发明提供的实施方式通过训练好的机器学习的图像处理特性,将CBCT数据进行按区域分解和判断,具有处理快速和信息损失小的优点,同时避免了对颌面部CBCT数据整体判断造成的准确度低的问题。本实施方式算法主要包含两个模型:骨结构定位模型和骨折判别模型,定位模型主要负责找到上颌骨和下颌骨的具***置及轮廓,提取出不同的关键部位,然后将提取出的不同部位输入进骨折判别模型进行骨折类型的识别。
在本发明提供的一种实施方式中,所述将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列,包括:将所述CBCT数据的CBCT图像序列输入训练好的骨结构定位模型;生成检测矩形框序列;根据不同解剖区域的矩形框,定位每个解剖区域的断层范围;分别从定位出的断层范围内的CBCT图像序列中逐层提取出每个解剖区域的图像块序列。将CBCT图像序列依次输入训练好的检测模型,输出检测矩形框序列,根据检测出的不同类别的矩形框,定位8种解剖区域的断层范围,然后8种解剖区域分别从定位出的断层范围内的CBCT图像序列中逐层提取出来,由于颧骨、下颌体、下颌角及升支、髁突和喙突结构具有左右对称性,所以最终将提取出13个图像块序列。
在本发明提供的一种实施方式中,所述骨结构定位模型为卷积神经网络模型,所述卷积神经网络模型的输入为所述CBCT数据的CBCT图像序列,输出为所述CBCT数据的图像序列中每张图像对应的矩形框检测结果。具体的,本实施方式可采用RetinaNet卷积神经网络结构,模型的输入为单张CBCT影像序列,输出为对应的矩形框检测结果。其中,检测模型RetinaNet可以用其它模型替换,比如SSD,YOLO,FasterRCNN等目标检测模型。
在本发明提供的一种实施方式中,所述训练好的骨结构定位模型通过以下步骤得到:将具有颌面部骨折特征的CBCT数据进行标注和按解剖结构标记后作为第一训练样本;将所述第一训练样本分为训练集和验证集;将所述骨结构定位模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨结构定位模型进行迭代训练;采用所述验证集中的训练样本确定所述骨结构定位模型的最优参数。具体的步骤如下:
样本数据库的建立。在颌面外科门诊招募各型骨折受试者,告知项目内容,知情同意,转至二门诊拍摄大视野CBCT片。将患者的CBCT数据进行标注。获得逐层的mask标注和骨折类型的标注。将所有标注的DICOM文件以及标注表导出。此步骤又可以分为以下三个子步骤:
1-1:纳入标准。半个月内具有颌面部外伤骨折史的18-80岁汉族国人。纳入标准为:1)汉族成年人,年龄18~80岁;2)半个月内具有颌面部外伤骨折史;3)颌面部无严重肿瘤病史;4)无全身骨代谢疾病;5)无颌面部发育畸形;6)无放化疗史。
骨折类型主要包括:左/右喙突骨折、左/右升支骨折、左/右下颌角骨折、左/右下颌体骨折、左/右髁突骨折、颏部骨折、牙槽突骨折、上颌骨骨折、左/右颧骨骨折。排除标准为:1)存在先天面部不对称,如严重的偏颌、鼻中隔偏曲、小耳畸形;2)有颌面部硬组织手术史;3)陈旧性骨折或青枝骨折;4)全身情况较差,不能耐受转诊或无法坐立。5)孕期1-3个月的妇女。
1-2:获得标注。标注的内容主要包括逐层的mask标注和骨折类型的标注。逐层标注将受试者CBCT数据的DICOM格式导入Mimics Medical 21.0软件进行分割,将分割出的颧上颌骨及下颌骨mask以DICOM格式导出。并观察含有骨折线的CBCT断层,标注并导出;骨折类型标注将骨折类型分为14类,对应每个病例,阳性结果的骨折类型标为“1”,阴性结果标为“0”,将所有标注的DICOM文件以及标注表导出。
1-3:导出标注及原始CBCT的DICOM格式文件。算法主要包含两个模型:骨结构定位模型和骨折判别模型,定位模型主要负责找到上颌骨和下颌骨的具***置及轮廓,提取出不同的关键部位,然后将提取出的不同部位输入进判别模型进行骨折类型的识别。
通过以上步骤形成训练样本,然后采用该训练样本对模型进行训练。将训练样本的10%,即40例样本,作为验证集,其余作为训练集;模型参数采用在大型自然图像数据集ImageNet上预训练好的参数,并采用梯度下降算法SGD对模型进行迭代训练,根据在验证集上的mAP值来确定模型的最优参数。
在本发明提供的一种实施方式中,在所述将所述训练样本分为训练集和验证集之前,所述方法还包括:将所述CBCT图像序列的像素灰度值映射至预设像素灰度值范围。在本发明提供的一种实施方式中,所述将CBCT图像的像素灰度值映射至预设范围,包括:将CBCT图像的像素灰度值按照线性映射至[0, 255],映射公式如下:
y=(x-xmin)/(xmax-xmin)*255
其中,y表示映射后的值,xmin表示 CBCT最小的像素灰度值,xmax表示CBCT最大的像素灰度值。本实施方式通过将灰度值压缩为8位,以实现训练图像在灰度处理的一致性。
在本发明提供的一种实施方式中,所述骨折判别模型为:EfficientNetb3、ResNet、DenseNet、3D-ResNet中的一种。以上模型均为卷积神经网络结构,模型的输入为单张区域图像块,输出为对应的二值判别结果。
上一实施方式中的骨折判别模型同样需要经过训练。可选的,所述训练好的骨折判别模型通过以下步骤得到:确定所述骨折判别模型的模型结构;将所述第一训练样本按解剖结构分解为不同解剖区域的图像块序列,每个解剖区域的图像块序列构成一个分区训练样本;每个不同解剖区域的骨折判别模型均采用以下步骤进行训练:将对应解剖区域的分区训练样本分为训练集和验证集;将所述骨折判别模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨折判别模型进行迭代训练;采用所述验证集中的训练样本确定所述骨折判别模型的最优参数。具体的,骨折检测步骤包括:根据前文提取出来的区域图像块序列和对应的标注进行深度学习判别模型训练,进行各型骨折的自动识别;其中对骨折判别模型进行模型训练包括:将提取出来的区域图像块序列的80%作为训练集,20%作为验证集;模型参数采用在大型自然图像数据集ImageNet上预训练好的参数,并采用梯度下降算法Adam对模型进行迭代训练,根据在验证集上的F1值确定模型最优参数。
在本发明提供的一种实施方式中,确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置,包括:获取所述骨折判别结果序列中的骨折判别结果为“骨折”的数量及其位置关系;确定所述数量和所述位置关系符合骨折特征,输出骨折判别结果为“骨折”的解剖区域为骨折位置,并输出对应的图像块。具体的各型骨折检测结果生成:将13个区域图像块序列依次输入训练好的判别模型,输出形成二值判别结果序列。对于具有左右对称性的骨结构,判别结果序列可以看成左右2个二值序列(0表示无骨折,1表示有骨折);不具有左右对称性的骨结构,其判别结果可以看成1个二值序列,最终可获得13个二值序列;对于任意一个二值序列,根据骨折连续性的特点并保证高敏感性的前提下制定如下规则:如果二值序列中连续的元素1的数量大于1,则该例样本的该类型骨折识别结果为阳性,并输出对应的阳性层图像,否则为阴性。
进一步的,由两名颌面外科住院医师对测试组数据进行标注,作为骨折诊断的“金标准”。将测试组数据机器的输出结果,与“金标准”进行比较,计算各部位骨折诊断的灵敏度、特异度。
在本发明提供的一种实施方式中,还提供了基于CBCT数据库的颌面部骨折的识别装置。图2是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别装置的结构示意图,如图2所示。所述装置包括:图像输入模块,用于获取待识别的颌面部CBCT数据;骨结构定位模块,用于将所述颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;骨折判别模块,用于将所述图像块序列中的每个图像块分别输入对应的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;识别输出模块,用于确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置。
关于基于CBCT数据库的颌面部骨折的识别装置的具体限定可以参见上文中对于将基于CBCT数据库的颌面部骨折的识别方法的限定,在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在本发明的一种实施方式中,还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现前述的基于CBCT数据库的颌面部骨折的识别方法的步骤。
图3是本发明一种实施方式提供的终端设备的示意图,如图3所示。所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括,但不仅限于,处理器100、存储器101。本领域技术人员可以理解,图3仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序102以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
图4是本发明一种实施方式提供的基于CBCT数据库的颌面部骨折的识别方法的实施步骤图,如图4所示。本发明提供的实施方式针对CBCT数据的骨折识别存在的识别复杂和准确率低的问题,提供了一种基于CBCT数据库的颌面部骨折的识别方法及装置,该方法采用当前的神经网络模型,提高了图像中骨折识别的效率和准确率。本发明的提供的实施方式应用于医学图像处理***。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (7)
1.一种基于CBCT数据库的颌面部骨折的识别方法,其特征在于,所述方法包括:
将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列;
将所述图像块序列中的每个图像块分别输入对应解剖区域的训练好的骨折判别模型,得到所述图像块的骨折判别结果;
确定所述骨折判别结果组成的序列满足骨折判别条件,输出对应的图像块和骨折位置;
所述训练好的骨折判别模型通过以下步骤得到:
确定所述骨折判别模型的模型结构;
将第一训练样本按解剖结构分解为不同解剖区域的图像块序列,每个解剖区域的图像块序列构成一个分区训练样本;
每个不同解剖区域的骨折判别模型均采用以下步骤进行训练:
将对应解剖区域的分区训练样本分为训练集和验证集;
将所述骨折判别模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨折判别模型进行迭代训练;
采用所述验证集中的训练样本确定所述骨折判别模型的最优参数;
将待识别的颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列,包括:
将所述CBCT数据的图像序列输入训练好的骨结构定位模型;
生成检测矩形框序列;
根据不同解剖区域的矩形框,定位每个解剖区域的断层范围;
分别从定位出的断层范围内的CBCT图像序列中逐层提取出每个解剖区域的图像块序列;
确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置,包括:
获取所述骨折判别结果序列中的骨折判别结果为“骨折”的数量及其位置关系;
确定所述数量和所述位置关系符合骨折特征,
输出骨折判别结果为“骨折”的解剖区域为骨折位置,并输出对应的图像块。
2.根据权利要求1所述的方法,其特征在于,所述骨结构定位模型为卷积神经网络模型,所述卷积神经网络模型的输入为所述CBCT数据的图像序列,输出为所述CBCT数据的图像序列中每张图像对应的矩形框检测结果。
3.根据权利要求2所述的方法,其特征在于,所述训练好的骨结构定位模型通过以下步骤得到:
将具有颌面部骨折特征的CBCT数据进行标注和按解剖结构标记后作为第一训练样本;
将所述第一训练样本分为训练集和验证集;
将所述骨结构定位模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨结构定位模型进行迭代训练;
采用所述验证集中的训练样本确定所述骨结构定位模型的最优参数。
4.根据权利要求3所述的方法,其特征在于,在将所述第一训练样本分为训练集和验证集之前,所述方法还包括:
将所述CBCT数据的图像序列的像素灰度值映射至预设像素灰度值范围。
5.根据权利要求1所述的方法,其特征在于,所述骨折判别模型为:EfficientNetb3、ResNet、DenseNet、3D-ResNet中的一种。
6.一种基于CBCT数据库的颌面部骨折的识别装置,其特征在于,所述装置包括:
图像输入模块,用于获取待识别的颌面部CBCT数据;
骨结构定位模块,用于将所述颌面部CBCT数据按解剖结构分解为不同解剖区域的图像块序列,包括:
将所述CBCT数据的图像序列输入训练好的骨结构定位模型;生成检测矩形框序列;根据不同解剖区域的矩形框,定位每个解剖区域的断层范围;分别从定位出的断层范围内的CBCT图像序列中逐层提取出每个解剖区域的图像块序列;
骨折判别模块,用于将所述图像块序列中的每个图像块分别输入对应解剖区域的训练好的骨折判别模型,得到所述图像块的骨折判别结果序列;所述训练好的骨折判别模型通过以下步骤得到:确定所述骨折判别模型的模型结构;将第一训练样本按解剖结构分解为不同解剖区域的图像块序列,每个解剖区域的图像块序列构成一个分区训练样本;每个不同解剖区域的骨折判别模型均采用以下步骤进行训练:将对应解剖区域的分区训练样本分为训练集和验证集;将所述骨折判别模型的参数进行预设后,采用所述训练集中的训练样本和梯度下降算法对所述骨折判别模型进行迭代训练;采用所述验证集中的训练样本确定所述骨折判别模型的最优参数;
识别输出模块,用于确定所述骨折判别结果序列满足骨折判别条件,输出对应的图像块和骨折位置,包括:获取所述骨折判别结果序列中的骨折判别结果为“骨折”的数量及其位置关系;确定所述数量和所述位置关系符合骨折特征,输出骨折判别结果为“骨折”的解剖区域为骨折位置,并输出对应的图像块。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的基于CBCT数据库的颌面部骨折的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046290.5A CN111967539B (zh) | 2020-09-29 | 2020-09-29 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011046290.5A CN111967539B (zh) | 2020-09-29 | 2020-09-29 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967539A CN111967539A (zh) | 2020-11-20 |
CN111967539B true CN111967539B (zh) | 2021-08-31 |
Family
ID=73386806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011046290.5A Active CN111967539B (zh) | 2020-09-29 | 2020-09-29 | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967539B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113488161A (zh) * | 2021-07-05 | 2021-10-08 | 中国人民解放军总医院第一医学中心 | 颞下颌关节紊乱病治疗方案推荐设备、装置和存储介质 |
CN116862869B (zh) * | 2023-07-07 | 2024-04-19 | 东北大学 | 基于标志点检测的下颌骨骨折自动检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区***、方法、装置及存储介质 |
CN110415261A (zh) * | 2019-08-06 | 2019-11-05 | 山东财经大学 | 一种分区域训练的表情动画转换方法及*** |
CN110895812A (zh) * | 2019-11-28 | 2020-03-20 | 北京推想科技有限公司 | Ct图像的检测方法、装置、存储介质及电子设备 |
CN110974288A (zh) * | 2019-12-26 | 2020-04-10 | 北京大学口腔医学院 | 一种牙周病cbct纵向数据记录及分析方法 |
US20200151921A1 (en) * | 2018-11-14 | 2020-05-14 | Carestream Dental Llc | Methods for metal artifact reduction in cone beam reconstruction |
CN111419372A (zh) * | 2020-04-03 | 2020-07-17 | 河北医科大学第二医院 | 一种下颌骨复位装置 |
CN111462071A (zh) * | 2020-03-30 | 2020-07-28 | 浙江核新同花顺网络信息股份有限公司 | 一种图像处理方法和*** |
CN111667474A (zh) * | 2020-06-08 | 2020-09-15 | 杨天潼 | 骨折识别方法、装置、设备和计算机可读存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342708B (zh) * | 2015-12-14 | 2017-10-24 | 四川大学 | 基于ct和cbct融合数据的数字化咬合导板及其重建方法 |
CN109635669B (zh) * | 2018-11-19 | 2021-06-29 | 北京致远慧图科技有限公司 | 图像分类方法、装置及分类模型的训练方法、装置 |
CN110503652B (zh) * | 2019-08-23 | 2022-02-25 | 北京大学口腔医学院 | 下颌智齿与邻牙及下颌管关系确定方法、装置、存储介质及终端 |
CN111325745B (zh) * | 2020-03-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 骨折区域分析方法和装置、电子设备及可读存储介质 |
-
2020
- 2020-09-29 CN CN202011046290.5A patent/CN111967539B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区***、方法、装置及存储介质 |
US20200151921A1 (en) * | 2018-11-14 | 2020-05-14 | Carestream Dental Llc | Methods for metal artifact reduction in cone beam reconstruction |
CN110415261A (zh) * | 2019-08-06 | 2019-11-05 | 山东财经大学 | 一种分区域训练的表情动画转换方法及*** |
CN110895812A (zh) * | 2019-11-28 | 2020-03-20 | 北京推想科技有限公司 | Ct图像的检测方法、装置、存储介质及电子设备 |
CN110974288A (zh) * | 2019-12-26 | 2020-04-10 | 北京大学口腔医学院 | 一种牙周病cbct纵向数据记录及分析方法 |
CN111462071A (zh) * | 2020-03-30 | 2020-07-28 | 浙江核新同花顺网络信息股份有限公司 | 一种图像处理方法和*** |
CN111419372A (zh) * | 2020-04-03 | 2020-07-17 | 河北医科大学第二医院 | 一种下颌骨复位装置 |
CN111667474A (zh) * | 2020-06-08 | 2020-09-15 | 杨天潼 | 骨折识别方法、装置、设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111967539A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Putra et al. | Current applications and development of artificial intelligence for digital dental radiography | |
US10085707B2 (en) | Medical image information system, medical image information processing method, and program | |
CN111967539B (zh) | 基于cbct数据库的颌面部骨折的识别方法、装置及终端设备 | |
CN112150472A (zh) | 基于cbct的三维颌骨图像分割方法、装置及终端设备 | |
CN111798976A (zh) | 一种ddh人工智能辅助诊断方法及装置 | |
JP7080304B2 (ja) | 学習支援装置、学習支援方法、学習支援プログラム、関心領域判別装置、関心領域判別方法、関心領域判別プログラム及び学習済みモデル | |
Lang et al. | Automatic localization of landmarks in craniomaxillofacial CBCT images using a local attention-based graph convolution network | |
Bano et al. | AutoFB: automating fetal biometry estimation from standard ultrasound planes | |
CN112150473A (zh) | 基于ct的三维颌骨图像分割建模方法、装置及终端设备 | |
WO2022247007A1 (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
Xu et al. | A deep-learning aided diagnostic system in assessing developmental dysplasia of the hip on pediatric pelvic radiographs | |
CN111967540B (zh) | 基于ct数据库的颌面部骨折的识别方法、装置及终端设备 | |
Radwan et al. | Artificial intelligence‐based algorithm for cervical vertebrae maturation stage assessment | |
Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
Porras et al. | Personalized optimal planning for the surgical correction of metopic craniosynostosis | |
Banumathi et al. | Diagnosis of dental deformities in cephalometry images using support vector machine | |
Hwang et al. | SinusC-Net for automatic classification of surgical plans for maxillary sinus augmentation using a 3D distance-guided network | |
WO2023029348A1 (zh) | 基于人工智能的图像实例标注方法及相关设备 | |
Tu et al. | Quantitative evaluation of local head malformations from 3 dimensional photography: application to craniosynostosis | |
Tanikawa et al. | Machine learning for facial recognition in orthodontics | |
El-Fegh et al. | Automated 2-D cephalometric analysis of X-ray by image registration approach based on least square approximator | |
Millan-Arias et al. | General Cephalometric Landmark Detection for Different Source of X-Ray Images | |
Sadr et al. | Deep learning for tooth identification and enumeration in panoramic radiographs | |
Yan et al. | Applying artificial intelligence algorithm in the design of a guide plate for mandibular angle ostectomy | |
CN114004940B (zh) | 面部缺损参照数据的非刚性生成方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |