CN117132596B - 基于深度学习的下颌第三磨牙阻生类型识别方法及*** - Google Patents
基于深度学习的下颌第三磨牙阻生类型识别方法及*** Download PDFInfo
- Publication number
- CN117132596B CN117132596B CN202311394030.0A CN202311394030A CN117132596B CN 117132596 B CN117132596 B CN 117132596B CN 202311394030 A CN202311394030 A CN 202311394030A CN 117132596 B CN117132596 B CN 117132596B
- Authority
- CN
- China
- Prior art keywords
- molar
- mandibular
- cusp
- jaw
- target angle
- 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
- 210000004357 third molar Anatomy 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000001815 facial effect Effects 0.000 claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 24
- 210000001847 jaw Anatomy 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 210000004373 mandible Anatomy 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 210000003464 cuspid Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 206010006514 bruxism Diseases 0.000 description 7
- 230000000903 blocking effect Effects 0.000 description 5
- 230000005764 inhibitory process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 230000000007 visual 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像分析技术领域，公开了一种基于深度学习的下颌第三磨牙阻生类型识别方法及***，方法包括：获取全颌数字化曲面断层片图像，并对全颌数字化曲面断层片图像进行预处理；将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，用于分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像；根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线、第二磨牙颊侧牙尖连线以及目标角；根据目标角的角度判断下颌第三磨牙的阻生类型；通过深度学习模型和全颌数字化曲面断层片提取牙齿的图像特征，可以根据第一磨牙、第二磨牙和第三磨牙的图像特征准确高效地识别下颌第三磨牙的阻生类型。
Description
技术领域
本发明涉及图像分析技术领域，尤其涉及一种基于深度学习的下颌第三磨牙阻生类型识别方法及***。
背景技术
作为口腔颌面外科重要手术之一的下颌阻生第三磨牙拔除术，由于下颌第三磨牙的阻生位置和与邻牙的接触关系较为多变，且当患者位于综合治疗台上时，年轻医生难以准确把握合适***，易对口内情况造成误判，进而促成该手术成为较复杂的牙槽外科手术，对医生的技术要求较高。尽管曲面体层X线片被广泛用于辅助医生在术前对拔除方式的选择和对风险的评估，但仍然需要医生的大量临床经验才能做出相对准确的判断，这无疑给部分缺乏临床经验的年轻医生提出了不小挑战。
如果医生对下颌第三阻生磨牙的阻生类型出现误判，可能导致手术时间延长、术中创伤较大甚至牙根残留、牙根移位、神经血管损伤等一系列严重的术后并发症。现有技术中存在通过深度学习模型对第三磨牙类型识别的技术方案，比如说（基于机器学习的全景X光牙片智齿诊断研究，吴昊臻）公开了一种采用CNN模型对智齿类型分类的技术方案，其通过对智齿图像进行特征提取，获取图像中智齿的形态学特征，从而对智齿的阻生类型进行识别，然而，上述方案在智齿阻生类型识别过程中，需要获取图像中智齿的形态学特征较多，识别出特征的不同可能会导致不同的结论出现，因此，上述方案智齿形态的识别精度不高，并且，由于需要获取较多的智齿的形态学特征，导致效率较低。
因此，亟需一种基于深度学习的下颌第三磨牙阻生类型识别方法及***，可以通过全颌数字化曲面断层片准确高效地识别下颌第三磨牙的阻生类型。
发明内容
为了解决上述技术问题，本发明提供了一种基于深度学习的下颌第三磨牙阻生类型识别方法及***，可以通过全颌数字化曲面断层片准确高效地识别下颌第三磨牙的阻生类型。
本发明提供了一种基于深度学习的下颌第三磨牙阻生类型识别方法，包括如下步骤：
S1、获取全颌数字化曲面断层片图像，并对全颌数字化曲面断层片图像进行预处理；
S2、将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像；
S3、根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线以及目标角；
S4、根据目标角的角度判断下颌第三磨牙的阻生类型。
进一步的，S1，对全颌数字化曲面断层片图像进行预处理包括：
S11、对全颌数字化曲面断层片图像进行图像裁剪处理；
S12、对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。
进一步的，S2，深度学习模型的训练方法包括：
获取全颌数字化曲面断层片图像的数据集；
对数据集进行预处理；预处理包括图像裁剪处理和HU值归一化处理；
在数据集中标注下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的轮廓；
将标注后的数据集输入深度学习模型中，对深度学习模型进行训练，直至深度学习模型收敛。
进一步的，获取全颌数字化曲面断层片图像的数据集包括：
对全颌数字化曲面断层片图像进行数据增强处理，得到数据集；数据增强处理包括空间翻转、空间缩放、角度旋转和平移变换。
进一步的，S3，根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线、第二磨牙颊侧牙尖连线以及目标角包括：
S31、根据下颌第三磨牙的图像确定下颌第三磨牙的牙体长轴；牙体长轴沿牙冠到牙根方向通过牙体中心；
S32、根据下颌第一磨牙、下颌第二磨牙的图像确定下颌第一磨牙颊侧的两个牙尖点，和下颌第二磨牙颊侧的两个牙尖点，根据下颌第一磨牙颊侧的两个牙尖点确定第一磨牙颊侧牙尖连线，根据下颌第二磨牙颊侧的两个牙尖点确定第二磨牙颊侧牙尖连线；
S33、根据第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线的位置关系确定目标角参考线；
S34、将目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角作为目标角。
进一步的，S33，根据第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线的位置关系确定目标角参考线包括：
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线作为目标角参考线；
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线平行但不重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线；
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线相交时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
进一步的，S4，根据目标角的角度判断下颌第三磨牙的阻生类型包括：
S41、当目标角的角度大于等于0°且小于45°时，确定下颌第三磨牙的阻生类型为水平阻生；
S42、当目标角的角度大于等于45°且小于90°时，确定下颌第三磨牙的阻生类型为近中阻生；
S43、当目标角的角度等于90°时，确定下颌第三磨牙的阻生类型为垂直阻生；
S44、当目标角的角度大于90°时，确定下颌第三磨牙的阻生类型为远中阻生。
本发明还提供了一种基于深度学习的下颌第三磨牙阻生类型识别***，包括：
获取模块，用于获取全颌数字化曲面断层片图像，并对全颌数字化曲面断层片图像进行预处理；
分割模块，用于将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像；
识别模块，用于根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线以及目标角；
判断模块，用于根据目标角的角度判断下颌第三磨牙的阻生类型。
进一步的，获取模块包括：
预处理模块，用于对全颌数字化曲面断层片图像进行图像裁剪处理；以及对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。
进一步的，识别模块还用于确定目标角参考线：
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线作为目标角参考线；
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线平行但不重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线；
当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线相交时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
本发明实施例具有以下技术效果：
基于深度学习模型和全颌数字化曲面断层片分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，然后根据所述下颌第三磨牙牙体长轴与下颌第一磨牙颊侧牙尖连线和下颌第二磨牙颊侧牙尖连线形成的角度判断所述下颌第三磨牙的阻生类型，提高了识别的准确性以及识别效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于深度学习的下颌第三磨牙阻生类型识别方法的流程图；
图2是本发明实施例提供的一种U-NET模型的框架示意图；
图3是本发明实施例提供的一种下颌第三磨牙牙体长轴与目标角参考线形成的夹角的示意图；
图4是本发明实施例提供的一种下颌第三磨牙阻生类型为水平阻生的示意图；
图5是本发明实施例提供的一种下颌第三磨牙阻生类型为近中阻生的示意图；
图6是本发明实施例提供的一种下颌第三磨牙阻生类型为垂直阻生的示意图；
图7是本发明实施例提供的一种下颌第三磨牙阻生类型为远中阻生的示意图；
图8是本发明实施提供的一种基于深度学习的下颌第三磨牙阻生类型识别***的结构示意图。
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，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
图1是本发明实施例提供的一种基于深度学习的下颌第三磨牙阻生类型识别方法的流程图。参见图1，具体包括：
S1、获取全颌数字化曲面断层片图像，并对全颌数字化曲面断层片图像进行预处理。
具体的，全颌数字化曲面断层片是临床中最为常用的影像学检查方法，为牙拔除术的方案制定、阻力分析及术前手术风险的评估、医患的沟通提供了较为直观的依据。通过对下颌第三磨牙拔除术前的全颌数字化曲面断层片检查，可帮助医生制定更加合理的手术方案，完善术前准备，减小手术创伤，缩短手术时间，最大限度地保证手术顺利进行。
S11、对全颌数字化曲面断层片图像进行图像裁剪处理。
具体的，图像裁减用于将图像裁减出医生所需的感兴趣区域。示例性地，对获取到的全颌数字化曲面断层片图像进行图像裁剪处理后，将原始全颌数字化曲面断层片图像的大小由原来的1935*2400大小裁减成局部区域为1600*1600的图像，可有效减少图像中的无用信息，减少后续模型运算过程中所占的资源。
S12、对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。
具体的，HU值归一化用于将全颌数字化曲面断层片图像的像素值转换成标准化比例，便于不同成像模式下的图像的分析和比较。读取图像裁剪后的全颌数字化曲面断层片图像，将图像裁剪后的全颌数字化曲面断层片图像的像素值转换成HU值，对HU值进行HU值归一化；其中，将图像裁剪后的全颌数字化曲面断层片图像的像素值转换成HU值的公式为：
（1）
其中，pixel_value是图像裁剪后的全颌数字化曲面断层片图像的像素值，slope为第一转换因子，intercept为第二转换因子。
HU值归一化的公式为：
（2）
其中，HU_norm为归一化后的HU值，HU_min 和HU_max为图像裁剪后的全颌数字化曲面断层片图像中的HU最小值和HU最大值。
S2、将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像。
示例性地，深度学习模型可以为U-NET模型，图2是本发明实施例提供的一种U-NET模型的框架示意图，参见图2，U-NET模型由一个编码子网络、一个解码子网络和跳跃连接层组成，网络结构类似于U的形状，所以称为U-NET网络。该U-NET网络一共包含了23个卷积层，网络中有4次编码的操作和4次解码的操作，在编码的过程中会涉及到两次3×3的卷积运算以及一次2×2的池化运算，这一操作将经过预处理的全颌数字化曲面断层片图像的尺寸缩小为原来图像的二分之一，而特征的数量则比原来多一倍。在解码的过程中只会涉及两次3×3的卷积运算，把编码过程中缩小的图像放大两倍，使最终得到的图像尺寸与原始图像尺寸一样，并且减少二分之一的特征数量。最后，将1×1的卷积层加入U-NET网络中，这样做的目的在于映射编码过程和解码过程中提取的特征到与之对应的类。解码过程通过进行连续地卷积操作和池化操作提取输入图像的高维特征。存在于编码网络和解码网络之间的相互映射关系就是U-NET网络的特点，在进行解码的时候，通过融合与其映射的编码层的特征来对缺失的边缘信息进行修复，从而将预测边缘信息的准确率提高。位于U-NET网络的编码与解码中间的长连接主要用于复制输入图像的信息并传递至降采样，促进网络恢复降采样所带来的信息丢失。其中，卷积运算可以用具体的数学表达式来表示：
（3）
其中，yij表示特征映射图像的第i行第j列的卷积值，U和V表示卷积核矩阵的高和宽，u和v是卷积核矩阵变化的坐标，wuv表示卷积核的第u行、第v列对应的权重值，xi+u-1,j+v-1表示特征图像的第i+u-1行第j+v-1列对应的像素值。
具体的，深度学习模型的训练方法包括：
获取全颌数字化曲面断层片图像的数据集。
具体的，深度学***移变换等。示例性地，通过对全颌数字化曲面断层片图像进行水平翻转和/或垂直翻转、旋转、比例缩放、移位等操作后，深度学习网络会将经过数据增强处理后的图像看做与原图像不同的图片，由此得到大量的训练数据构成数据集。
对数据集进行预处理；预处理包括图像裁剪处理和HU值归一化处理。
具体的，对数据集中的图像进行预处理的方法与步骤S1中相同，在此不再赘述。
在数据集中标注下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的轮廓。
将标注后的数据集输入深度学习模型中，对深度学习模型进行训练，直至深度学习模型收敛。
具体的，将标注后的数据集输入深度学习模型中，对深度学习模型进行训练，直至深度学习模型收敛，即深度学习模型预测的下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的轮廓的结果与数据集中实际标注的轮廓接近。示例性地，可以通过损失函数判断深度学习模型是否收敛，损失函数值小于预设值，则判断深度学习模型收敛。
S3、根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线以及目标角。
S31、根据下颌第三磨牙的图像确定下颌第三磨牙的牙体长轴；牙体长轴沿牙冠到牙根方向通过牙体中心。
S32、根据下颌第一磨牙、下颌第二磨牙的图像确定下颌第一磨牙颊侧的两个牙尖点，和下颌第二磨牙颊侧的两个牙尖点，根据下颌第一磨牙颊侧的两个牙尖点确定第一磨牙颊侧牙尖连线，根据下颌第二磨牙颊侧的两个牙尖点确定第二磨牙颊侧牙尖连线。
S33、根据第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线的位置关系确定目标角参考线。
具体的，当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线作为目标角参考线。当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线平行但不重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线。当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线相交时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
S34、将目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角作为目标角。
具体的，图3是本发明实施例提供的一种下颌第三磨牙牙体长轴与目标角参考线形成的夹角的示意图，参见图3，以第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时的目标角参考线为例，目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角为目标角。
S4、根据目标角的角度判断下颌第三磨牙的阻生类型。
S41、当目标角的角度大于等于0°且小于45°时，确定下颌第三磨牙的阻生类型为水平阻生。
具体的，图4是本发明实施例提供的一种下颌第三磨牙阻生类型为水平阻生的示意图，参见图4，以第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时的目标角参考线为例，当目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角的角度大于等于0°且小于45°时，确定下颌第三磨牙的阻生类型为水平阻生。
S42、当目标角的角度大于等于45°且小于90°时，确定下颌第三磨牙的阻生类型为近中阻生。
具体的，图5是本发明实施例提供的一种下颌第三磨牙阻生类型为近中阻生的示意图，参见图5，以第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时的目标角参考线为例，当目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角的角度大于等于45°且小于90°时，确定下颌第三磨牙的阻生类型为近中阻生。
S43、当目标角的角度等于90°时，确定下颌第三磨牙的阻生类型为垂直阻生。
具体的，图6是本发明实施例提供的一种下颌第三磨牙阻生类型为垂直阻生的示意图，参见图6，以第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时的目标角参考线为例，当目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角的角度等于90°时，确定下颌第三磨牙的阻生类型为垂直阻生。
S44、当目标角的角度大于90°时，确定下颌第三磨牙的阻生类型为远中阻生。
具体的，图7是本发明实施例提供的一种下颌第三磨牙阻生类型为远中阻生的示意图，参见图7，以第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时的目标角参考线为例，当目标角参考线在逆时针方向上与下颌第三磨牙牙体长轴形成的夹角的角度大于90°时，确定下颌第三磨牙的阻生类型为远中阻生。
本发明实施例中，基于深度学习模型和全颌数字化曲面断层片分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，然后根据所述下颌第三磨牙牙体长轴与下颌第一磨牙颊侧牙尖连线和下颌第二磨牙颊侧牙尖连线形成的角度判断所述下颌第三磨牙的阻生类型，提高了识别的准确性以及识别效率。
图8是本发明实施提供的一种基于深度学习的下颌第三磨牙阻生类型识别***的结构示意图，参见图8，所述***具体包括：
获取模块1，用于获取全颌数字化曲面断层片图像，并对全颌数字化曲面断层片图像进行预处理。
分割模块2，用于将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像。
识别模块3，用于根据下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，确定下颌第三磨牙牙体长轴、第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线以及目标角。
判断模块4，用于根据目标角的角度判断下颌第三磨牙的阻生类型。
进一步的，获取模块1包括预处理模块11，用于对全颌数字化曲面断层片图像进行图像裁剪处理；以及对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。识别模块3还用于确定目标角参考线：当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线作为目标角参考线。当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线平行但不重合时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线。当第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线相交时，将第一磨牙颊侧牙尖连线和第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
本发明实施例中，基于深度学习模型和全颌数字化曲面断层片分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像，然后根据所述下颌第三磨牙牙体长轴与下颌第一磨牙颊侧牙尖连线和下颌第二磨牙颊侧牙尖连线形成的角度判断所述下颌第三磨牙的阻生类型，提高了识别的准确性以及识别效率。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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它要素，或者是还包括为这种过程、方法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，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (8)
1.一种基于深度学习的下颌第三磨牙阻生类型识别方法，其特征在于，包括如下步骤：
S1、获取全颌数字化曲面断层片图像，并对所述全颌数字化曲面断层片图像进行预处理；
S2、将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像；
S3、根据所述下颌第一磨牙、所述下颌第二磨牙和所述下颌第三磨牙的图像，确定所述下颌第三磨牙牙体长轴、所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线以及目标角；
具体包括：
S31、根据所述下颌第三磨牙的图像确定所述下颌第三磨牙的牙体长轴；所述牙体长轴沿牙冠到牙根方向通过牙体中心；
S32、根据所述下颌第一磨牙、所述下颌第二磨牙的图像确定所述下颌第一磨牙颊侧的两个牙尖点和所述下颌第二磨牙颊侧的两个牙尖点，根据所述下颌第一磨牙颊侧的两个牙尖点确定所述第一磨牙颊侧牙尖连线，根据所述下颌第二磨牙颊侧的两个牙尖点确定所述第二磨牙颊侧牙尖连线；
S33、根据所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线的位置关系确定目标角参考线；
S34、将所述目标角参考线在逆时针方向上与所述下颌第三磨牙牙体长轴形成的夹角作为目标角；
S4、根据所述目标角的角度判断所述下颌第三磨牙的阻生类型；
具体包括：
S41、当所述目标角的角度大于等于0°且小于45°时，确定所述下颌第三磨牙的阻生类型为水平阻生；
S42、当所述目标角的角度大于等于45°且小于90°时，确定所述下颌第三磨牙的阻生类型为近中阻生；
S43、当所述目标角的角度等于90°时，确定所述下颌第三磨牙的阻生类型为垂直阻生；
S44、当所述目标角的角度大于90°时，确定所述下颌第三磨牙的阻生类型为远中阻生。
2.根据权利要求1所述的一种基于深度学习的下颌第三磨牙阻生类型识别方法，其特征在于，所述S1，所述对所述全颌数字化曲面断层片图像进行预处理包括：
S11、对所述全颌数字化曲面断层片图像进行图像裁剪处理；
S12、对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。
3.根据权利要求2所述的一种基于深度学习的下颌第三磨牙阻生类型识别方法，其特征在于，所述S2，所述深度学习模型的训练方法包括：
获取所述全颌数字化曲面断层片图像的数据集；
对所述数据集进行预处理；所述预处理包括图像裁剪处理和HU值归一化处理；
在所述数据集中标注所述下颌第一磨牙、所述下颌第二磨牙和所述下颌第三磨牙的轮廓；
将标注后的所述数据集输入所述深度学习模型中，对所述深度学习模型进行训练，直至所述深度学习模型收敛。
4.根据权利要求3所述的一种基于深度学习的下颌第三磨牙阻生类型识别方法，其特征在于，所述获取所述全颌数字化曲面断层片图像的数据集包括：
对所述全颌数字化曲面断层片图像进行数据增强处理，得到所述数据集；所述数据增强处理包括空间翻转、空间缩放、角度旋转和平移变换。
5.根据权利要求1所述的一种基于深度学习的下颌第三磨牙阻生类型识别方法，其特征在于，所述S33，所述根据所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线的位置关系确定目标角参考线包括：
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线重合时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线作为目标角参考线；
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线平行但不重合时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线；
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线相交时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
6.一种基于深度学习的下颌第三磨牙阻生类型识别***，其特征在于，包括：
获取模块，用于获取全颌数字化曲面断层片图像，并对所述全颌数字化曲面断层片图像进行预处理；
分割模块，用于将经过预处理的全颌数字化曲面断层片图像输入深度学习模型，分割出下颌第一磨牙、下颌第二磨牙和下颌第三磨牙的图像；
识别模块，用于根据所述下颌第一磨牙、所述下颌第二磨牙和所述下颌第三磨牙的图像，确定所述下颌第三磨牙牙体长轴、所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线以及目标角；具体用于根据所述下颌第三磨牙的图像确定所述下颌第三磨牙的牙体长轴；所述牙体长轴沿牙冠到牙根方向通过牙体中心；根据所述下颌第一磨牙、所述下颌第二磨牙的图像确定所述下颌第一磨牙颊侧的两个牙尖点和所述下颌第二磨牙颊侧的两个牙尖点，根据所述下颌第一磨牙颊侧的两个牙尖点确定所述第一磨牙颊侧牙尖连线，根据所述下颌第二磨牙颊侧的两个牙尖点确定所述第二磨牙颊侧牙尖连线；根据所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线的位置关系确定目标角参考线；将所述目标角参考线在逆时针方向上与所述下颌第三磨牙牙体长轴形成的夹角作为目标角；
判断模块，用于根据所述目标角的角度判断所述下颌第三磨牙的阻生类型；具体用于当所述目标角的角度大于等于0°且小于45°时，确定所述下颌第三磨牙的阻生类型为水平阻生；当所述目标角的角度大于等于45°且小于90°时，确定所述下颌第三磨牙的阻生类型为近中阻生；当所述目标角的角度等于90°时，确定所述下颌第三磨牙的阻生类型为垂直阻生；当所述目标角的角度大于90°时，确定所述下颌第三磨牙的阻生类型为远中阻生。
7.根据权利要求6所述的一种基于深度学习的下颌第三磨牙阻生类型识别***，其特征在于，所述获取模块包括：
预处理模块，用于对所述全颌数字化曲面断层片图像进行图像裁剪处理；以及对图像裁剪后的全颌数字化曲面断层片图像进行HU值归一化处理。
8.根据权利要求6所述的一种基于深度学习的下颌第三磨牙阻生类型识别***，其特征在于，所述识别模块还用于确定目标角参考线：
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线重合时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线作为目标角参考线；
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线平行但不重合时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线之间距离的平分线作为目标角参考线；
当所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线相交时，将所述第一磨牙颊侧牙尖连线和所述第二磨牙颊侧牙尖连线之间的角平分线作为目标角参考线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394030.0A CN117132596B (zh) | 2023-10-26 | 2023-10-26 | 基于深度学习的下颌第三磨牙阻生类型识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311394030.0A CN117132596B (zh) | 2023-10-26 | 2023-10-26 | 基于深度学习的下颌第三磨牙阻生类型识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132596A CN117132596A (zh) | 2023-11-28 |
| CN117132596B true CN117132596B (zh) | 2024-01-12 |
Family
ID=88854938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311394030.0A Active CN117132596B (zh) | 2023-10-26 | 2023-10-26 | 基于深度学习的下颌第三磨牙阻生类型识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132596B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239649A (zh) * | 2016-11-28 | 2017-10-10 | 可丽尔医疗科技（常州）有限公司 | 一种口腔参数化测量的方法 |
| CN110503652A (zh) * | 2019-08-23 | 2019-11-26 | 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 |
| CN209790043U (zh) * | 2018-12-04 | 2019-12-17 | 阳江市人民医院 | 应用于下颌第三磨牙分冠拔除的引导机构 |
| CN110895816A (zh) * | 2019-10-14 | 2020-03-20 | 广州医科大学附属口腔医院（广州医科大学羊城医院） | 一种下颌骨种植计划术前牙槽骨磨骨量的测量方法 |
| CN112927225A (zh) * | 2021-04-01 | 2021-06-08 | 潘俞欢 | 基于人工智能的智齿生长状态辅助检测*** |
| CN113449426A (zh) * | 2021-07-01 | 2021-09-28 | 正雅齿科科技(上海)有限公司 | 数字化牙齿排列方法、***、设备和介质 |
| CN114429070A (zh) * | 2022-01-26 | 2022-05-03 | 华侨大学 | 一种磨牙假体种植体的结构优化设计方法 |
| CN115137505A (zh) * | 2022-07-01 | 2022-10-04 | 四川大学 | 基于数字化技术的标准牙颌固位导板的制作工艺 |
| CN218676304U (zh) * | 2022-08-03 | 2023-03-21 | 同济大学附属口腔医院 | 一种三维可视化阻生牙拔牙模型 |
| CN116503389A (zh) * | 2023-06-25 | 2023-07-28 | 南京邮电大学 | 牙根外吸收自动检测方法 |
-
2023
- 2023-10-26 CN CN202311394030.0A patent/CN117132596B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239649A (zh) * | 2016-11-28 | 2017-10-10 | 可丽尔医疗科技（常州）有限公司 | 一种口腔参数化测量的方法 |
| CN209790043U (zh) * | 2018-12-04 | 2019-12-17 | 阳江市人民医院 | 应用于下颌第三磨牙分冠拔除的引导机构 |
| CN110503652A (zh) * | 2019-08-23 | 2019-11-26 | 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 |
| CN110895816A (zh) * | 2019-10-14 | 2020-03-20 | 广州医科大学附属口腔医院（广州医科大学羊城医院） | 一种下颌骨种植计划术前牙槽骨磨骨量的测量方法 |
| CN112927225A (zh) * | 2021-04-01 | 2021-06-08 | 潘俞欢 | 基于人工智能的智齿生长状态辅助检测*** |
| CN113449426A (zh) * | 2021-07-01 | 2021-09-28 | 正雅齿科科技(上海)有限公司 | 数字化牙齿排列方法、***、设备和介质 |
| CN114429070A (zh) * | 2022-01-26 | 2022-05-03 | 华侨大学 | 一种磨牙假体种植体的结构优化设计方法 |
| CN115137505A (zh) * | 2022-07-01 | 2022-10-04 | 四川大学 | 基于数字化技术的标准牙颌固位导板的制作工艺 |
| CN218676304U (zh) * | 2022-08-03 | 2023-03-21 | 同济大学附属口腔医院 | 一种三维可视化阻生牙拔牙模型 |
| CN116503389A (zh) * | 2023-06-25 | 2023-07-28 | 南京邮电大学 | 牙根外吸收自动检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Fault Feature Extraction of Gearbox Based on Kurtosis-Weighted Singular Values";Xin Huang etal;《2018 Prognostics and System Health Management Conference》;第1274-1279页 * |
| "三维解剖软件在口腔颌面外科课程整合中的应用评价";黄昕 等;《中国高等医学教育》;第117-119页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132596A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jader et al. | Deep instance segmentation of teeth in panoramic X-ray images | |
| US11734825B2 (en) | Segmentation device and method of generating learning model | |
| US20210118132A1 (en) | Artificial Intelligence System For Orthodontic Measurement, Treatment Planning, And Risk Assessment | |
| US11367188B2 (en) | Dental image synthesis using generative adversarial networks with semantic activation blocks | |
| US11443423B2 (en) | System and method for constructing elements of interest (EoI)-focused panoramas of an oral complex | |
| KR101554272B1 (ko) | 파노라마 엑스선 사진을 이용한 진단 지원 시스템, 및 파노라마 엑스선 사진을 이용한 진단 지원 프로그램 | |
| US20220012815A1 (en) | Artificial Intelligence Architecture For Evaluating Dental Images And Documentation For Dental Procedures | |
| US20210357688A1 (en) | Artificial Intelligence System For Automated Extraction And Processing Of Dental Claim Forms | |
| CN110612069A (zh) | 动态牙弓图 | |
| CN109767841B (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 | |
| JP2008520344A (ja) | 放射線写真画像の向きを検知及び補正する方法 | |
| JP6830082B2 (ja) | 歯科分析システムおよび歯科分析ｘ線システム | |
| US20210353393A1 (en) | Artificial Intelligence Platform for Determining Dental Readiness | |
| US20210358604A1 (en) | Interface For Generating Workflows Operating On Processing Dental Information From Artificial Intelligence | |
| US20210217170A1 (en) | System and Method for Classifying a Tooth Condition Based on Landmarked Anthropomorphic Measurements. | |
| US20220361992A1 (en) | System and Method for Predicting a Crown and Implant Feature for Dental Implant Planning | |
| CN117132596B (zh) | 基于深度学习的下颌第三磨牙阻生类型识别方法及*** | |
| Chen et al. | Detection of various dental conditions on dental panoramic radiography using Faster R-CNN | |
| CN113658679A (zh) | 一种医学图像下牙槽神经损伤风险自动评估方法 | |
| Bodhe et al. | Design and development of deep learning approach for dental implant planning | |
| Zhou et al. | NKUT: Dataset and Benchmark for Pediatric Mandibular Wisdom Teeth Segmentation | |
| Ahn et al. | Using artificial intelligence methods for dental image analysis: state-of-the-art reviews | |
| Liu et al. | A new lateral cephalogram image stitching technique using gaussian mixture model and normalized cross-correlation | |
| WO2023246463A1 (zh) | 口腔全景片的分割方法 | |
| Sarwar et al. | AI Techniques for Cone Beam Computed Tomography in Dentistry: Trends and Practices |
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 |