[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

说明书

本发明公开了基于深度学习的牙科X射线图像病变区域定位系统，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。通过病变区域定位，可以识别存在多种病变的牙科X射线图像，克服了当前技术仅能识别单一病变的弊端，能够更加准确、全面、客观的识别病变类型。对病变区域进行定位，能够准确告知患者病变位置，保证用药位置的准确性；通过计算病变区域的面积，实现定量分析，保证治疗方案的针对性与准确性。

技术领域

本发明涉及医学影像图像处理技术领域，特别是涉及基于深度学习的牙科X射线图像病变区域定位系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

医学影像是临床疾病筛查、诊断、治疗引导和评估的重要工具。常用的医学影像技术包括：X射线，超声，计算机断层扫描(Computed Tomography,CT),核磁共振(MagneticResonance Imaging,MRI)。而随着医学成像技术的发展，海量的医学影像应运而生，如何从海量医学图像数据中挖掘出有用信息，已成为业界的研究热点。

牙科X射线图像是诊断牙源性疾病的重要方法，尤其是牙体缺损、根尖病变和牙槽骨吸收等。牙体缺损最常见的原因是龋齿，龋齿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，随病程发展而从色泽改变到形成实质性病损的演变过程。其特点是发病率高，分布广，是口腔主要的常见病，也是人类最普遍的疾病之一，世界卫生组织已将其与癌肿和心血管疾病并列为人类三大重点防治疾病。根尖病变的常见病变为根尖周炎，是指牙根尖周组织的急性或慢性炎症。牙髓炎发展到晚期，牙髓组织大部或全部坏死时，或有细菌感染，引起根尖周组织发炎；牙齿受到急剧的外力撞击时，根尖周组织也受到猛烈的创伤而造成根尖周炎；治疗过程中医源性感染也可引起根尖周炎。常规的牙源性疾病诊断依赖于医生的水平和经验，主观性较强、耗费精力较多，并且就诊过程中需要耗费大量时间去排队、等待，耗时耗力。对于牙科X射线图像的判读，需要新的智能技术介入。

深度学习是利用深度神经网络，通过模拟人脑自动地学习数据各个层次的抽象特征，从而更好地反映数据的本质特征。近年来，深度学习在图像识别、语音识别、自然语言处理、计算机视觉等领域取得了巨大的成功。在医学图像处理领域，以卷积神经网络(Convolutional Neural Network，CNN)为主的深度学习已成为主流研究方法，例如乳腺癌识别、肺结节检测、糖尿病视网膜病变检测、脑肿瘤分割、阿兹海默检测等。

利用深度学习进行牙源性疾病诊断的研究仍处于起步阶段，有研究通过神经网络进行根尖X线片龋齿分类和牙周病变分类。现有研究都是对牙科X射线图像进行病变类别判读，即仅能进行定性分析；对于牙源性疾病的治疗，需根据病变类型、病变区域位置及大小进行治疗方案的制定，而现有技术对于病变区域的位置及病变区域的大小无法进行识别，即缺乏定量分析。现有智能诊断技术存在的另一个不足是：一张牙科X射线图像只能输出一种病变结果。而牙源性病变多为并发病变，例如当龋齿病变不能及时治疗时，继而引发牙髓炎和根尖周炎，此类问题呈现在牙科X射线图像上的特征便是：一张图像上存在多种病变。现有技术对于此类图像仅能识别一种病变，无法准确、全面的识别出所有病变。

现有的牙源性疾病的诊断存在以下3点不足：1)常规诊断依赖于诊断人员的技术水平与经验，存在着主观性强、重复性低的问题，对于缺乏诊断经验的患者而言，无法利用自身常识进行病变诊断；2)智能诊断技术仅能识别单一病变类型，对于存在多种病变的图像无法实现准确、全面的判读；3)无论常规诊断还是智能诊断，都仅能实现定性判读，无法进行定量分析。

发明内容