[发明专利]基于深度学习的牙科X射线图像病变区域定位系统

权利要求书

1.基于深度学习的牙科X射线图像病变区域定位系统，其特征是，包括：

数据采集模块，其被配置为：获取待定位牙科X射线图像；

病变定位模块，其被配置为：将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出待定位牙科X射线图像病变区域定位结果。

2.如权利要求1所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述深度学习模型为YOLOV5网络。

3.如权利要求1所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述训练后的深度学习模型，训练过程包括：

构建第一训练集和第一验证集；所述第一训练集和第一验证集，均包括：已知根尖炎病变位置、类型与边框的牙科X射线图像，和已知龋齿病变位置、类型与边框的牙科X射线图像；

将第一训练集和第一验证集输入神经网络模型中，第一训练集用来调整网络参数，第一验证集用来衡量训练结果的好与坏；

当验证结果的精确率和召回率均大于等于设定阈值；且，当验证结果的边框损失函数、分类损失函数和置信度损失函数均小于设定阈值时，停止训练，得到训练后的网络模型。

4.如权利要求3所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述构建第一训练集和第一验证集，具体过程包括：

从医院获取若干个已知病变区域和正常的牙科X射线图像；其中，已知病变区域是指已知根尖周炎病变区域和龋齿病变区域；

对获取的每个牙科X射线图像，进行图像归一化处理；

对每个压缩后的牙科X射线图像进行图像扩充处理；

对图像扩充处理后的牙科X射线图像，进行标签标记处理；所述标签包括：病变区域的边框中心点横坐标、病变区域的边框中心点纵坐标、病变区域边框的宽、病变区域边框的高、病变置信度和病变类别；

将标签标记处理后的图像，按照设定比例划分为第一训练集和第一验证集。

5.如权利要求3所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述训练后的深度学习模型，训练过程还包括：

构建测试集；所述测试集，包括：已知正常牙科X射线图像和已知病变位置、类型与边框的牙科X射线图像；

将测试集输入到训练完成的网络模型中，对训练完成的模型进行测试，获得其在测试集上的精确率和召回率，根据测试结果评估网络模型：当测试结果中的精确率和召回率高于设定阈值时，则该网络模型为最终模型；当测试结果中的精确率和召回率低于设定阈值时，则进行网络的二次训练；

所述二次训练，过程包括：

构建第二训练集和第二验证集；其中，所述第二训练集和第二验证集，是将测试集的病变牙科X射线图像、第一训练集和第一验证集的数据进行数据整合后，按照设定比例重新划分得到的；

将第二训练集和第二验证集输入神经网络模型中，第二训练集用来调整网络参数，第二验证集用来衡量训练结果的好与坏；

当验证结果的精确率和召回率均大于等于设定阈值；且，当验证结果的边框损失函数、分类损失函数和置信度损失函数均小于设定阈值时，停止训练，得到最终训练完成的网络模型。

6.如权利要求1所述的基于深度学习的牙科X射线图像病变区域定位系统，其特征是，所述将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出待定位牙科X射线图像病变区域定位结果；具体包括：

将待定位牙科X射线图像，输入到训练后的深度学习模型中，输出所有的边界框和每个边界框对应的病变类型；

从所有边界框中找到置信度最大的边界框；

逐个计算置信度最大的边界框与剩余边界框的距离交并比DIOU；

将每个距离交并比与设定的距离交并比DIOU阈值进行比较，如果超过设定的距离交并比DIOU阈值，则剔除当前边界框；否则，保留当前边界框；

所有被保留边界框的中心点，均作为病变区域的位置定位点；

根据所有被保留边界框中所占像素和每个像素所占面积，计算出待定位牙科X射线图像病变区域面积大小。