CN116823729A - 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 - Google Patents
基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 Download PDFInfo
- Publication number
- CN116823729A CN116823729A CN202310623322.0A CN202310623322A CN116823729A CN 116823729 A CN116823729 A CN 116823729A CN 202310623322 A CN202310623322 A CN 202310623322A CN 116823729 A CN116823729 A CN 116823729A
- Authority
- CN
- China
- Prior art keywords
- tooth
- alveolar bone
- curved surface
- oral cavity
- root
- 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.)
- Pending
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 132
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 86
- 210000000214 mouth Anatomy 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 38
- 208000006386 Bone Resorption Diseases 0.000 claims abstract description 17
- 230000024279 bone resorption Effects 0.000 claims abstract description 17
- 210000003298 dental enamel Anatomy 0.000 claims description 9
- 210000004357 third molar Anatomy 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 5
- 210000000332 tooth crown Anatomy 0.000 abstract description 3
- 208000002925 dental caries Diseases 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 abstract 1
- 208000010392 Bone Fractures Diseases 0.000 description 33
- 210000004746 tooth root Anatomy 0.000 description 29
- 201000001245 periodontitis Diseases 0.000 description 6
- 208000028169 periodontal disease Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 208000025157 Oral disease Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000030194 mouth disease Diseases 0.000 description 2
- 208000008312 Tooth Loss Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000004513 dentition Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000003823 hyoid bone Anatomy 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004279 orbit Anatomy 0.000 description 1
- 230000003239 periodontal effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 210000001738 temporomandibular joint Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000036346 tooth eruption Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明公开了基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,包括牙齿识别分割模型训练步骤和牙槽骨吸收判断步骤,其中,训练步骤包括:获取多张口腔曲面断层片并标记出牙齿区域;分割出牙齿区域;对牙槽骨吸收数据进行数据增强;分割数据增强后的牙槽骨吸收数据中牙齿的牙冠、骨上部分牙根及骨下部分牙根。吸收判断步骤包括:将待判断牙槽骨吸收的口腔曲面断层片采用牙齿识别分割模型分割出牙齿区域,再分割牙齿区域中牙齿的牙冠、骨上部分牙根及骨下部分牙根,然后计算得到牙槽骨吸收判断结果。本发明进行分割结果的可视化处理和生成相应的牙槽骨吸收测量值,简化了口腔曲面断层片判读过程,为进一步运算生成更加精确的诊断提供可能。
Description
技术领域
本发明涉及口腔病诊断技术,具体是基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法。
背景技术
牙周炎是最常见的口腔疾病之一,是成年人失牙的主要原因。通过影像学检查判断牙槽骨吸收程度,是牙周疾病诊断的重要辅助检查手段。口腔曲面断层片作为一种牙周临床诊疗过程中常用的影像学检查手段,具有价格相对较低、一定可重复性等优势。在判读口腔曲面断层片检查结果时,以釉牙骨质界作为牙根与牙冠的分界点,以牙槽骨在牙齿近远中边缘上的高度作为牙槽骨水平点。基于2018年牙周病和植体周病国际新分类的诊断标准,将影像学牙槽骨吸收占牙根长度的百分比及其与年龄的比值作为牙周炎分期、分级的诊断标准之一,其中骨吸收百分比<15%为Ⅰ期,15-33%为Ⅱ期,>33%为Ⅲ或Ⅳ期;骨吸收百分比与年龄的比值<0.25为A级,0.25~1为B级,>1为C级。而生理性情况下牙槽骨水平与釉牙骨质界之间即有1~2mm的距离,在此范围内可认为牙槽骨并没有明显吸收。
传统从口腔曲面断层片中识别判断牙槽骨吸收的方法为人工判断,基于人工判断结果存在主观性,其质量受制于阅片者的学***和经验,在不同阅片者间存在差异。人工准确测量牙槽骨吸收程度所需时间较长,在临床实践中可行性较低,故实际临床工作中通常使用估算的方式,然而估算不利于分期临界值处的准确诊断,在全口牙槽骨吸收较为平均的情况下也无法快速判断吸收最重的牙位,获得准确的诊断指标。
发明内容
本发明的目的在于克服现有人工阅片方式在牙周疾病诊断中主观性较强、耗时较长、判读结果不够准确的问题,提供了一种基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其应用时能在口腔曲面断层片中识别牙齿的牙冠、骨上部分牙根和骨下部分牙根,进行分割结果的可视化处理和生成相应的牙槽骨吸收测量值,简化了口腔曲面断层片判读过程、降低了人工阅片的技术敏感性,并为进一步运算生成更加精确的诊断提供可能。
本发明的目的主要通过以下技术方案实现:
基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,包括用于对牙齿识别分割模型进行训练的牙齿识别分割模型训练步骤、以及基于牙齿识别分割模型对口腔曲面断层片中各牙齿的牙槽骨吸收进行判断的牙槽骨吸收判断步骤,所述牙齿识别分割模型包括第一SegFormer模型和第二SegFormer模型,所述第一SegFormer模型用于分割出口腔曲面断层片中牙齿区域,所述第二SegFormer模型用于分割仅包含牙齿区域的出口腔曲面断层片中牙齿的牙冠、骨上部分牙根及骨下部分牙根;所述牙齿识别分割模型训练步骤包括以下步骤:
步骤S11、获取多张口腔曲面断层片并采用颜色填充的方式标记出各口腔曲面断层片的牙齿区域,并将标记后的所有口腔曲面断层片作为第一牙槽骨吸收数据组成第一牙槽骨吸收数据集;其中,牙齿区域包括牙冠、骨上部分牙根及骨下部分牙根,牙冠、骨上部分牙根及骨下部分牙根采用不同的颜色填充;
步骤S12、采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域,去除口腔曲面断层片中非牙齿区域,得到仅包含牙齿区域的口腔曲面断层片作为第二牙槽骨吸收数据组成第二牙槽骨吸收数据集;
步骤S13、对第二牙槽骨吸收数据集中的第二牙槽骨吸收数据进行数据增强;
步骤S14、采用第二SegFormer模型分割数据增强后的第二牙槽骨吸收数据中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果;
所述牙槽骨吸收判断步骤包括以下步骤:
步骤S21、将待判断牙槽骨吸收的口腔曲面断层片采用第一SegFormer模型分割出牙齿区域,去除非牙齿区域;
步骤S22、采用第二SegFormer模型分割牙齿区域中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果;
步骤S23、根据分割结果计算口腔曲面断层片中各牙齿牙槽骨吸收占牙根长度的百分比,得到各牙齿的牙槽骨吸收判断结果。本发明应用时,牙齿识别分割模型训练步骤为提升训练精度,采用多张口腔曲面断层片,牙槽骨吸收判断步骤针对单张口腔曲面断层片进行处理。
进一步的,所述步骤S11标记时以牙齿近中、远中的釉牙骨质界点作为牙冠与牙根的分界点,以牙齿近中、远中的牙槽骨水平点作为骨上部分牙根与骨下部分牙根的分界点。
进一步的,所述步骤S11标记时口腔曲面断层片上的智齿和已经失去釉牙骨质界点的牙齿不标记;当牙齿进行了修复或充填治疗而无法判断釉牙骨质界点时,以修复体或充填体在牙齿轮廓上的根方边缘作为釉牙骨质界点。
进一步的,所述第一SegFormer模型包括两个Transformer编码模块,所述步骤S12中采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域包括以下步骤:
将第一牙槽骨吸收数据集标签的外接矩形作为牙齿区域标签得到牙齿区域数据集,采用包括两个Transformer编码模块的第一SegFormer模型对牙齿区域数据集进行训练,分割出口腔曲面断层片中的牙齿区域。
进一步的,所述步骤S13中的数据增强方法包括水平翻转、垂直翻转及对比度变换。
进一步的,所述第二SegFormer模型包括四个Transformer编码模块。
进一步的,所述步骤S23中牙槽骨吸收占牙根长度的百分比根据分割结果计算釉牙骨质界和牙槽骨嵴顶之间的距离与釉牙骨质界和根尖点之间距离的比值得到。
综上所述,本发明与现有技术相比具有以下有益效果:
(1)本发明应用时,在模型训练阶段首先将口腔曲面断层片中牙齿牙冠、骨上部分牙根、骨下部分牙根三个部分进行标记制作数据集;再采用第一SegFormer模型分割出口腔曲面断层片中的牙齿区域,去除无用信息,实现对第一SegFormer模型进行训练;然后对仅包含牙齿区域的牙槽骨吸收数据集进行数据增强;最后利用第二SegFormer模型分割数据增强后的牙槽骨吸收数据中牙齿的牙冠、骨上部分牙根及骨下部分牙根,实现对第二SegFormer模型进行训练。本发明对口腔曲面断层片中各牙齿的牙槽骨吸收进行判断时,采用训练好的第一SegFormer模型分割出待判断牙槽骨吸收的口腔曲面断层片牙齿区域,再采用训练好的第二SegFormer模型分割牙齿区域中牙齿的牙冠、骨上部分牙根及骨下部分牙根,然后根据分割结果分牙位进行相关数值计算,得到骨吸收占牙根长度的百分比,进一步进行牙周炎初步诊断。
(2)本发明应用时,使得SegFormer模型可以实现对口腔曲面断层片牙槽骨吸收的高精度分割,优化了传统的口腔曲面断层片诊断过程和输出结果,节省了大量人力成本,降低了基于口腔曲面断层片的牙周疾病诊断的技术敏感性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一个具体实施例中牙齿识别分割模型训练步骤的流程图;
图2为本发明一个具体实施例中牙槽骨吸收判断步骤的流程图;
图3为25牙近中和远中的釉牙骨质界、以及近中和远中的牙槽水平点分布示意图;
图4为本发明一个具体实施例应用时口腔曲面断层片牙槽骨吸收数据集标注示意图;
图5为本发明一个具体实施例应用时牙齿识别分割模型训练阶段牙槽骨吸收数据集对应的图片处理流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例:
如图1及图2所示,基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,包括用于对牙齿识别分割模型进行训练的牙齿识别分割模型训练步骤、以及基于牙齿识别分割模型对口腔曲面断层片中各牙齿的牙槽骨吸收进行判断的牙槽骨吸收判断步骤。其中,本实施例的牙齿识别分割模型包括第一SegFormer模型和第二SegFormer模型,第一SegFormer模型用于分割出口腔曲面断层片中牙齿区域,第二SegFormer模型用于分割仅包含牙齿区域的出口腔曲面断层片中牙齿的牙冠、骨上部分牙根及骨下部分牙根。
本实施例的牙齿识别分割模型训练步骤包括以下步骤:步骤S11、获取多张口腔曲面断层片并采用颜色填充的方式标记出各口腔曲面断层片的牙齿区域,并将标记后的所有口腔曲面断层片作为第一牙槽骨吸收数据组成第一牙槽骨吸收数据集;其中,牙齿区域包括牙冠、骨上部分牙根及骨下部分牙根,牙冠、骨上部分牙根及骨下部分牙根采用不同的颜色填充;步骤S12、采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域,去除口腔曲面断层片中非牙齿区域,得到仅包含牙齿区域的口腔曲面断层片作为第二牙槽骨吸收数据组成第二牙槽骨吸收数据集;步骤S13、对第二牙槽骨吸收数据集中的第二牙槽骨吸收数据进行数据增强;步骤S14、采用第二SegFormer模型分割数据增强后的第二牙槽骨吸收数据中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果。
本实施例的牙槽骨吸收判断步骤包括以下步骤:步骤S21、将待判断牙槽骨吸收的口腔曲面断层片采用第一SegFormer模型分割出牙齿区域,去除非牙齿区域;步骤S22、采用第二SegFormer模型分割牙齿区域中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果;步骤S23、根据分割结果计算口腔曲面断层片中各牙齿牙槽骨吸收占牙根长度的百分比,得到各牙齿的牙槽骨吸收判断结果。其中,牙槽骨吸收占牙根长度的百分比根据分割结果计算釉牙骨质界和牙槽骨嵴顶之间的距离与釉牙骨质界和根尖点之间距离的比值得到。本实施例步骤S14和步骤S22得到的分割结果即为牙冠、骨上部分牙根和骨下部分牙根。
本实施例中第一牙槽骨吸收数据集的第一牙槽骨吸收数据采用人工利用PHOTOSHOP等现有制图软件标注的方式进行标记,标记时以牙齿近中、远中的釉牙骨质界点作为牙冠与牙根的分界点,以牙齿近中、远中的牙槽骨水平点作为骨上部分牙根与骨下部分牙根的分界点,即以牙齿近、远中的釉牙骨质界点分割牙冠和牙根,并以牙齿近、远中的牙槽骨水平点分割牙根的骨上部分和骨下部分。其中,釉牙骨质界是指牙齿的釉质与牙骨质相临接的位置。牙槽骨水平点是指牙齿近中或远中牙槽骨骨嵴最高点。如图3所示,M1和D1分别表示25牙近中和远中的釉牙骨质界,M2和D2分别表示25牙近中和远中的牙槽水平点。
本实施例按牙齿的轮廓标记出整个牙齿,并将这三部分分别使用不同颜色填充。判断牙槽骨吸收是分了对牙周炎进行诊断,智齿不在该诊断考虑的范畴内,另外很多智齿是埋在牙槽骨里面的,无法对牙槽骨吸收进行判断,因此,本实施例应用时所有的智齿均不标记。当牙齿为残根,已经失去釉牙骨质界的牙齿,一是无法确认釉牙骨质界所在的位置,另外已经失去釉牙骨质界也通常以为者该残根无保留价值,标记已经失去意义,因此,本实施例在牙齿为残根,已经失去釉牙骨质界点时,不标记。当牙齿进行了修复或充填治疗而无法判断釉牙骨质界点时,以修复体或充填体在牙齿轮廓上的根方边缘作为釉牙骨质界点。一颗二维平面的牙齿存在四个方向,冠方、根方、近中和远中,以修复体或充填体在牙齿轮廓上的根方边缘作为釉牙骨质界点中根方边缘是指修复体或充填体靠近牙根方向的边缘。
图4为口腔曲面断层片牙槽骨吸收数据的人工标记示例,图4(a)为未标记图像,图4(b)为经标记后的图像。人工标记的目的是便于训练牙齿识别分割模型,在牙齿识别分割模型训练完成之后不需要再对口腔曲面断层片进行标记,能直接采用牙齿识别分割模型迅速判断每张全新的口腔曲面断层上每颗牙齿的牙槽骨吸收情况。
本实施例的第一SegFormer模型包括两个Transformer编码模块,步骤S12中采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域包括以下步骤:将第一牙槽骨吸收数据集标签的外接矩形作为牙齿区域标签得到牙齿区域数据集,采用包括两个Transformer编码模块的第一SegFormer模型对牙齿区域数据集进行训练,分割出口腔曲面断层片中的牙齿区域。本实施例的第二SegFormer模型包括四个Transformer编码模块,即用于分割牙槽骨吸收的SegFormer模型包含四个Transformer编码模块。本实施例步骤S13中的数据增强方法包括水平翻转、垂直翻转及对比度变换。
本实施例通过第一SegFormer模型得到的口腔曲面断层片中牙齿区域,然后通过第二SegFormer模型对口腔曲面断层片中牙齿区域中的牙槽骨吸收继续进行分割。在训练时,先训练第一SegFormer模型只分割口腔曲面断层片中牙齿区域,再训练第二SegFormer模型来对第一个Seormer模型分割的结果继续进行骨吸收分割。
牙槽骨吸收标签包含除了智齿之外的牙齿,外接矩形即能够刚好包括这些牙齿的正外接矩形,通过判断骨吸收标签行和列的最小和最大坐标确定正外接矩形的四个点,四个坐标点分别为(行最小值,列最小值),(行最小值,列最大值),(行最大值,列最小值),(行最大值,列最大值)。
SegFormer模型包含编码器和解码器,编码器的作用是特征提取,采用Transformer编码模块,通过多个Transformer编码模块下采样得到多尺度特征。在解码器阶段,通过MLP融合多尺度特征,将编码信息恢复到输入尺寸大小而实现分割。编码器阶段,采用越多的Transformer编码模块通常会得到更加丰富的多尺度信息,得到更好的分割效果,但对硬件要求更高且容易过拟合。因此,本实施例的第一SegFormer模型采用两个连接的Transformer编码模块进行特征提取,在分割出牙齿区域以后,对硬件要求降低,所以本实施例的第二SegFormer模型采用四个Transformer编码模块进行特征提取,可以大大提高牙槽骨吸收分割精度。
口腔曲面断层片具有两个特点:第一点,口腔曲面断层片图像的尺寸较大,图像大小在3000×1500附近,如果采用深度学习的方法对显存要求较高,此外,由于牙根的骨上部分为小目标,如果直接采用缩放图像的方式缩小神经网络输入图像的大小,会导致分辨率损失,分割精度将大大降低。第二点,口腔曲面断层片数据量较小,并且口腔曲面断层片拍摄时不仅能获得牙齿的影像,还能拍摄到口腔颌面部其他多种组织结构,如部分鼻腔、眼眶、颞下颌关节、舌骨等,形态复杂,像素强度各异,会对牙齿的识别产生干扰。第三磨牙位于牙列的两端,被认为是无功能牙,在牙周炎诊断时通常不考虑该牙,且第三磨牙常出现倾斜、骨内埋伏等情况。数据量少且单幅图像特征较多,在采用深度学习方法时很容易过拟合导致预测效果差。
如图5所示,本实施例基于SegFormer的两阶段牙槽骨吸收,在模型训练阶段包含以下步骤:
步骤一:首先采用包含两个Transformer编码模块的第一SegFormer模型分割出牙齿区域,该步骤的任务较为简单,因此采用较为轻量化的模型,仅仅使用两个Transformer编码模块,减少了显存需要,并且去除了其余区域的干扰,在数据量本身就很少的情况下,减少其余区域的无用特征有助于提高网络的泛化能力。
步骤二:在模型训练阶段,Transformer系列需要较大的数据量,因此采用水平翻转、垂直翻转、对比度变换等方式对仅包含牙齿区域的数据进行数据增强,提高模型的鲁棒性和泛化能力,数据集从包含760张口腔曲面断层片影像与标签的牙槽骨吸收数据集扩充到4100张。
步骤三:经过步骤一的图像裁剪,本步骤的输入图像较小,可以采用精度更高的模型,因此采用包含四个Transformer编码模块的第二SegFormer模型来分割牙齿的牙冠、牙根的骨上和骨下三个部分,在数据增强后的数据上进行训练,得到最终的分割结果。
口腔曲面断层片通常具有较大的分辨率,将完整的图片输入到神经网络模型中对硬件要求很高,而如果通过缩放的方式缩小输入图像大小降低分辨率,会使得牙槽骨吸收变得模糊而更难以分割,尤其是牙根的骨上部分本就是小面积区域,降低分辨率以后难以得到好的分割效果。此外,基于卷积神经网络的分割模型由于感受野的限制难以处理大分辨率口腔曲面断层片,而SegFormer的Transformer编码模块可以轻易获得较大的感受野。综上所述,本实施例基于SegFormer的两步分割方法,即首先分割牙齿区域,再分割牙槽骨吸收,可以不需要降低分辨率就对牙槽骨吸收数据进行分割,从而实现对口腔曲面断层片牙槽骨吸收的高精度分割。
本实施例在模型训练阶段使用数据增强,是为了应对牙齿图像数据较少的情况,其主要目的是扩大训练集的大小以防止过拟合,并增强模型的泛化能力。其通过对训练数据进行各种变换生成新的训练样本,从而扩大训练集。本实施例通过数据增强能达到以下目的:(1)防止过拟合:过拟合是机器学习中的常见问题,表现为模型在训练集上表现良好,但在测试集上表现差。通过数据增强,可以有效地增加训练数据的数量和多样性,降低过拟合的风险。(2)增强模型泛化能力:通过对训练数据进行变换,模型可以学习到更多的数据分布和特征,这有助于提高模型对新数据的预测性能。(3)解决数据不足问题:在许多情况下,收集和标注大量的训练数据是一项既昂贵又耗时的任务。通过数据增强,可以从有限的训练样本中生成更多的训练数据。
本实施例根据分割结果的釉牙骨质界—牙槽骨嵴顶距离和釉牙骨质界——根尖点距离进行运算可获得该牙槽骨吸收占牙根长度的百分比,进一步进行牙周炎初步诊断。每张全口曲面断层片中包含一个人全口所有的牙齿,通常为28-32颗。在判断的时候是对每种全口曲面断层片中每颗牙齿的的牙槽骨吸收进行独立判断,之后就可以得出全口牙槽骨吸收的情况。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,包括用于对牙齿识别分割模型进行训练的牙齿识别分割模型训练步骤、以及基于牙齿识别分割模型对口腔曲面断层片中各牙齿的牙槽骨吸收进行判断的牙槽骨吸收判断步骤,所述牙齿识别分割模型包括第一SegFormer模型和第二SegFormer模型,所述第一SegFormer模型用于分割出口腔曲面断层片中牙齿区域,所述第二SegFormer模型用于分割仅包含牙齿区域的出口腔曲面断层片中牙齿的牙冠、骨上部分牙根及骨下部分牙根;所述牙齿识别分割模型训练步骤包括以下步骤:
步骤S11、获取多张口腔曲面断层片并采用颜色填充的方式标记出各口腔曲面断层片的牙齿区域,并将标记后的所有口腔曲面断层片作为第一牙槽骨吸收数据组成第一牙槽骨吸收数据集;其中,牙齿区域包括牙冠、骨上部分牙根及骨下部分牙根,牙冠、骨上部分牙根及骨下部分牙根采用不同的颜色填充;
步骤S12、采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域,去除口腔曲面断层片中非牙齿区域,得到仅包含牙齿区域的口腔曲面断层片作为第二牙槽骨吸收数据组成第二牙槽骨吸收数据集;
步骤S13、对第二牙槽骨吸收数据集中的第二牙槽骨吸收数据进行数据增强;
步骤S14、采用第二SegFormer模型分割数据增强后的第二牙槽骨吸收数据中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果;
所述牙槽骨吸收判断步骤包括以下步骤:
步骤S21、将待判断牙槽骨吸收的口腔曲面断层片采用第一SegFormer模型分割出牙齿区域,去除非牙齿区域;
步骤S22、采用第二SegFormer模型分割牙齿区域中牙齿的牙冠、骨上部分牙根及骨下部分牙根,得到分割结果;
步骤S23、根据分割结果计算口腔曲面断层片中各牙齿牙槽骨吸收占牙根长度的百分比,得到各牙齿的牙槽骨吸收判断结果。
2.根据权利要求1所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述步骤S11标记时以牙齿近中、远中的釉牙骨质界点作为牙冠与牙根的分界点,以牙齿近中、远中的牙槽骨水平点作为骨上部分牙根与骨下部分牙根的分界点。
3.根据权利要求1所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述步骤S11标记时口腔曲面断层片上的智齿和已经失去釉牙骨质界点的牙齿不标记;当牙齿进行了修复或充填治疗而无法判断釉牙骨质界点时,以修复体或充填体在牙齿轮廓上的根方边缘作为釉牙骨质界点。
4.根据权利要求1所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述第一SegFormer模型包括两个Transformer编码模块,所述步骤S12中采用第一SegFormer模型分割出所有口腔曲面断层片的牙齿区域包括以下步骤:
将第一牙槽骨吸收数据集标签的外接矩形作为牙齿区域标签得到牙齿区域数据集,采用包括两个Transformer编码模块的第一SegFormer模型对牙齿区域数据集进行训练,分割出口腔曲面断层片中的牙齿区域。
5.根据权利要求1所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述步骤S13中的数据增强方法包括水平翻转、垂直翻转及对比度变换。
6.根据权利要求1所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述第二SegFormer模型包括四个Transformer编码模块。
7.根据权利要求1~6中任意一项所述的基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法,其特征在于,所述步骤S23中牙槽骨吸收占牙根长度的百分比根据分割结果计算釉牙骨质界和牙槽骨嵴顶之间的距离与釉牙骨质界和根尖点之间距离的比值得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623322.0A CN116823729A (zh) | 2023-05-30 | 2023-05-30 | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623322.0A CN116823729A (zh) | 2023-05-30 | 2023-05-30 | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823729A true CN116823729A (zh) | 2023-09-29 |
Family
ID=88128495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623322.0A Pending CN116823729A (zh) | 2023-05-30 | 2023-05-30 | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455934A (zh) * | 2023-12-22 | 2024-01-26 | 中南大学 | 一种口腔ct异常病变区域增强分割方法 |
-
2023
- 2023-05-30 CN CN202310623322.0A patent/CN116823729A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455934A (zh) * | 2023-12-22 | 2024-01-26 | 中南大学 | 一种口腔ct异常病变区域增强分割方法 |
CN117455934B (zh) * | 2023-12-22 | 2024-03-12 | 中南大学 | 一种口腔ct异常病变区域增强分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11651494B2 (en) | Apparatuses and methods for three-dimensional dental segmentation using dental image data | |
US11734825B2 (en) | Segmentation device and method of generating learning model | |
US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
CN112120810A (zh) | 一种牙齿正畸隐型矫治器的三维数据生成方法 | |
CN113811916A (zh) | 用于生成数字三维牙齿模型的***和方法 | |
CN113223010A (zh) | 口腔图像多组织全自动分割的方法和*** | |
CN111709959B (zh) | 一种口腔正畸数字化智能诊断方法 | |
CN113628223B (zh) | 基于深度学习的牙科cbct三维牙齿分割方法 | |
US20210217170A1 (en) | System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements. | |
CN112785609B (zh) | 一种基于深度学习的cbct牙齿分割方法 | |
CN109767841A (zh) | 一种基于颅颌面三维形态数据库的相似模型检索方法及装置 | |
EP4144324A1 (en) | Intelligent design method for digital model for oral digital impression instrument | |
CN116823729A (zh) | 基于SegFormer和口腔曲面断层片的牙槽骨吸收判断方法 | |
CN114757960A (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN110236673A (zh) | 一种基于数据库的双侧颌骨缺损重建术前设计方法及装置 | |
CN114926470A (zh) | 一种基于深度学习的阻生齿医学图像分割***和方法 | |
Chen et al. | Automatic recognition of teeth and periodontal bone loss measurement in digital radiographs using deep-learning artificial intelligence | |
CN113393470A (zh) | 一种牙齿全自动分割方法 | |
CN116958169A (zh) | 一种三维牙颌模型牙齿分割方法 | |
CN115690045A (zh) | 基于曲面断层片的牙周炎治疗前后骨增量定量评估方法 | |
CN115170531A (zh) | 一种下颌阻生智齿图像处理方法及*** | |
CN115409811A (zh) | 基于曲率增强的牙齿模型重建方法、装置、设备和介质 | |
CN112420171B (zh) | 一种基于人工智能的上颌窦底骨质分类方法及*** | |
CN116883428B (zh) | 一种下颌骨螺旋ct影像分区分割方法 | |
CN114681091B (zh) | 一种牙修复体咬合情况的评估方法和设备 |
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 |