[发明专利]一种基于机器学习的正畸预测方法及装置

权利要求书

1.一种基于机器学习的正畸预测方法，其特征在于，包括：

获取原始口腔CT影像数据；

将所述原始口腔CT影像数据输入预先训练好的第一生成器，以得到标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；

将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

将牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果；

第一生成器的训练方法包括：

获取训练数据，所述训练数据包括预存患者的原始口腔CT影像数据和所述原始口腔CT影像数据对应的标注口腔CT影像数据；

将所述训练数据输入GAN网络，以对所述GAN网络中的生成器网络和判别器网络进行训练，直至所述判别器无法区分出生成器网络获取的标注口腔CT影像数据和由专业医生或基于半自动方法标注出的标注口腔CT影像数据；

将训练后的生成器网络作为第一生成器；

所述训练数据中的标注口腔CT影像数据通过半自动化的标注方法获取，所述半自动化的标注方法包括：基于原始口腔CT影像数据得到多张切片，进而得到三维坐标系的体素数据；

获取分类阈值，所述分类阈值用于对体素数据进行分类；

基于位置关系和所述分类阈值对所述体素数据进行分组；所述基于位置关系和所述分类阈值对所述体素数据进行分组包括基于相邻关系，对相邻且同类的体素数据归集为若干组；

根据预设规则从所述分组结果中分析出独立牙齿区域；

对所述独立牙齿区域进行标记。

2.根据权利要求1所述的方法，其特征在于：

使用预设机器学习模型进行训练以得到第二生成器；预设机器学习模型包括两层卷积层、两层池化层、两层全连接层和一层输出层的神经网络机器学习模型；

所述卷积层对输入的正畸输入训练数据进行卷积处理，实现特征提取；所述池化层对上一层的输出进行降采样操作，即返回采样窗口中最大值作为降采样的输出；所述全连接层作为上下两层的节点之间的连接层，将上下两层所得到的各节点数据建立连接关系，将输出值送给分类器。

3.根据权利要求2所述的方法，其特征在于：

所述输出层采用softmax函数进行正畸输出训练数据的输出，softmax函数中包含的是一个非线性分类器，对正畸输入训练数据进行分类器训练以确定所述正畸输入训练数据与正畸输出训练数据匹配的概率值。

4.根据权利要求1所述的方法，其特征在于：

所述将牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果包括：

基于正畸方案每个阶段的移动数据以及每个阶段完成所需的时间绘制动画。

5.一种基于机器学习的正畸预测装置，其特征在于，包括：

原始口腔CT影像数据获取模块，用于获取原始口腔CT影像数据；

标注口腔CT影像数据获取模块，用于将所述原始口腔CT影像数据输入预先训练好的第一生成器，以得到标注口腔CT影像数据；所述标注口腔CT影像数据中以标注的形式圈出每一帧图像上的牙齿区域；圈出的区域标注出相应牙齿编号，非牙齿区域置为0；

正畸方案获取模块，用于将所述标注口腔CT影像数据输入第二生成器以得到以编码形式表征的正畸方案；

预测模块，用于将牙齿三维数字化模型和所述以编码形式表征正畸方案输入第三生成器以便于得到所述正畸方案的预测结果；

第一生成器的训练方法包括：

获取训练数据，所述训练数据包括预存患者的原始口腔CT影像数据和所述原始口腔CT影像数据对应的标注口腔CT影像数据；

将所述训练数据输入GAN网络，以对所述GAN网络中的生成器网络和判别器网络进行训练，直至所述判别器无法区分出生成器网络获取的标注口腔CT影像数据和由专业医生或基于半自动方法标注出的标注口腔CT影像数据；

将训练后的生成器网络作为第一生成器；

所述训练数据中的标注口腔CT影像数据通过半自动化的标注方法获取，所述半自动化的标注方法包括：基于原始口腔CT影像数据得到多张切片，进而得到三维坐标系的体素数据；

获取分类阈值，所述分类阈值用于对体素数据进行分类；

基于位置关系和所述分类阈值对所述体素数据进行分组；所述基于位置关系和所述分类阈值对所述体素数据进行分组包括基于相邻关系，对相邻且同类的体素数据归集为若干组；

根据预设规则从所述分组结果中分析出独立牙齿区域；

对所述独立牙齿区域进行标记。