[发明专利]基于口腔全景片和双重注意力模块的龋齿识别方法

说明书

本发明提供一种基于口腔全景片和双重注意力模块的龋齿识别方法，使用深度学习技术对口腔全景片中的龋齿区域同时进行边缘分割和相应的病变程度识别方法。深度学习技术包括了基于图像空间域和通道域的双重注意力模块，以及基于该双重注意力模块建立的分割和分类网络。本龋齿识别系统由三个模块组成：数据预处理模块、双重注意力分割网络模块和双重注意力分类网络模块。本方法在深度学习过程中对图像区域的注意力进行分层采样和计算，将分割网络和分类网络串联起来，实现了端到端的一站式龋齿区域的定位以及病变程度的识别。通过实现口腔全景片中龋齿区域的自动分割以及对应龋齿病变的结果导出，对于口腔健康的维护具有重要的临床和社会意义。

技术领域

本发明属于医疗辅助领域，涉及基于口腔全景片和双重注意力模块的龋齿识别方法，主要是利用基于双重注意力分割网络模块和分类网络模块的深度学习模型实现口腔全景片中的龋齿病变程度的识别。

背景技术

龋齿是一种由口腔中多种因素复合作用所导致的牙齿硬组织进行性病损，是口腔主要的常见病，也是人类最普遍的疾病之一。临床上可见龋齿有色、形、质的变化，而以质变为主，色、形变化是质变的结果，随着病程的发展，病变由釉质进入牙本质，组织不断被破坏、崩解而逐渐形成龋洞，临床上常根据龋坏程度分为浅、中、深龋三个阶段。由于目前大众对口腔健康的需求日益增长，越来越多人到医院或诊所进行口腔方面的咨询或治疗。而由于病患多，诊疗时间有限，有时医生不得已只能优先关注有症状的牙齿，而忽略了其他潜在的程度较轻的龋齿，龋病的进一步发展，提高了治疗难度和治疗费用。全景片是口腔临床上最常见的辅助检查手段，全景片包括了口内所有牙齿，且费用低，辐射量小。随着现代医疗水平的提高，如何利用电子信息技术实现基于口腔全景片的龋齿病变程度自动化检测成为一个热门的研究课题。

作为人工智能的重要组成部分，深度学习技术在医疗辅助诊断领域取得了很好的效果。与传统的方法相比，深度学习通过使用更多的数据量学习特征，能取得更好的泛化性能。深度学习中的深度神经网络可以在网络中自动提取特征，而不需要人为的特征选择，提取过的特征又可以根据网络的全连接层进行分类，从而使得特征提取和分类结合在了一起，获得比传统方法更出色的结果。

然而现有的深度学习方法直接输入口腔全景图进行龋齿辅助识别，卷积神经网络在特征的提取过程中通常会丢失大部分全局信息，深度学习模型所聚焦的区域也非常分散，在龋齿识别任务中表现不佳。因此，开发一种改进的深度学习算法准确进行龋齿的识别是本领域亟需解决的问题。

发明内容

本发明的目的是在已有的使用深度学习方法对龋齿进行识别的基础上，提出了一种分割再分类的两阶段识别方法，以及对应的双重注意力模块，使得深度学习模型可以聚焦在判断牙齿的患龋区域提取特征。在保证运行速度，泛化性的同时，提高了识别方法的性能。

本发明使用口腔全景片作为数据输入，设计了双重注意力模块，提取图像的通道域和空间域特征，并加以融合进深度学习模型中，使得模型能够学习到特定区域的丰富特征。基于双重注意力模块，设计了双重注意力分割网络和双重注意力分类网络。口腔全景片首先经过分割网络提取出龋齿区域，裁剪为图像块；再使用分割出的图像块输入至分类网络，判断该龋齿区域病变程度的分类情况。该龋齿识别方法由三个模块组成：数据预处理模块、双重注意力分割网络模块，和双重注意力分类网络模块。

为实现上述目的，本发明提供以下技术步骤：

1.数据预处理：利用资料库中的口腔全景片进行数据标注及标准化预处理，准备训练集；

具体包括：

(1)从放射检查中得到图像清晰的口腔全景片，调节亮度与对比度至可以区分骨骼间隙；

(2)放缩并裁减原始图像，得到一幅1920*1080像素尺寸的图片作为数据输入。

2.分割龋齿区域：通过双重注意力分割网络模块，分割口腔全景片图像中所有的龋齿区域，分离口腔背景区域和目标区域，提取对应的图像块；