[发明专利]基于改进U-Net网络的牙齿咬合翼片龋齿分割方法

权利要求书

1.基于改进U-Net网络的牙齿咬合翼片龋齿分割方法，其特征在于，包括：

获取用于龋齿分割的牙齿咬合翼片图像数据；

对获得的牙齿咬合翼片图像数据进行标注和预处理，得到用于训练和测试的语义分割数据集；

通过改进U-Net网络进行图像语义分割；

将牙齿咬合翼片图像数据输入到改进的U-Net网络中，通过该网络，将患龋区域的分割结果输出。

2.根据权利要求1所述的方法，其特征在于，所述牙齿咬合翼片图像数据包含牙齿的X线片图像数据；

对所述牙齿咬合翼片图像数据进行标注包括：根据临床视觉触觉检查的结果，将每一个龋齿都用一个边框标出，作为参考注释；利用Labelme标记图像中龋齿，生成的json格式的标签文件，用于改进后模型的训练；

对所述牙齿咬合翼片图像数据进行预处理：利用对比度受限的自适应直方图均衡和gamma校正，对原始图像数据进行对比度调整；

通过对图像进行水平翻转、垂直翻转、随机平移、随机裁剪与填充和引入椒盐噪声的方式进行数据增强，扩充数据集样本。

每个图像数据对应的json格式的标签文件，也作相应的预处理操作和数据增强。

3.根据权利要求1所述的方法，其特征在于，通过改进U-Net网络进行图像语义分割还包括：

以U-Net网络为基础，将数据集图像数据作为输入，利用编码器对输入的图像数据进行降维和特征提取，利用编码器加强龋齿特征的细节提取；

利用解码器与编码器之间通过跳跃连接进行特征图融合，使得不同层龋齿特征融合连接到解码相对应层中，实现特征的提取和龋齿位置定位。

4.根据权利要求3所述的方法，其特征在于，所述解码器与编码器之间的跳跃连接进行特征融合还包括：在所述解码器与编码器之间的跳跃连接中加入非局部自注意力机制模块，将该模块作为一个组件嵌入到U-Net网络结构中，引入注意力机制模块捕捉了像素的空间相关性，提高龋齿区域的识别率。

5.根据权利要求1所述的方法，其特征在于，所述改进U-Net网络，在U-Net网络的普通卷积后加入了DropBlock，是一种针对卷积层的正则化。通过DropBlock对每个特征图进行裁剪，舍弃掉一部分区域中的像素，将输入图像的一些权重和偏差归零，以使网络专注于更多特征并防止过度拟合。可以在一定程度上从语义信息中去除冗余，并使学习到的特征更加健壮。

6.根据权利要求2所述的方法，其特征在于，对所述咬合翼语义分割数据集划分出训练集和测试集，其中，利用样本量估计公式计算测试集的样本，而将数据集中剩余的样本作为训练集的样本；将训练集和测试集中图片对应的json格式标签文件，也一一对应划分出来。

7.根据权利要求1所述的方法，其特征在于，所述用于龋齿分割的改进后的U-Net网络在训练时采用Adam优化器，所述Adam优化器的学习率为1e-5，所述训练网络Epoch(将所有训练样本训练一次的过程)为200，batch size(批处理大小)设置为4。