[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

说明书

本申请公开了一种基于改进U‑Net网络的牙齿咬合翼片龋齿分割方法。该方法包括基于改进U‑Net网络模型，在U‑Net网络的普通卷积后加入了DropBlock，保持该网络编码器‑解码器的架构和跳跃连接，在编码‑解码结构的底部添加一个非局部自注意力机制模块，对牙齿咬合翼片图像数据中的患龋区域进行分割并输出结果。本申请能够更好地提取图像的相关特征，有效地缓解网络过拟合，在不增加参数数量的情况下，通过扩大感受野来增强像素信息的相关性，提高龋齿分割的精确度和鲁棒性，辅助龋齿更高效率的检测。

技术领域

本申请属于计算机视觉领域，特别涉及了一种基于改进U-Net网络的牙齿咬合翼片龋齿分割方法。

背景技术

据估计，目前全球近一半人口受到口腔疾病的影响，其中23亿人患有永久性龋齿。龋齿的临床治疗仍然有限，因为一旦出现严重程度的龋齿，就不可能再矿化，只能进行破坏性拔牙。因此，在早期发现龋齿并防止进一步的龋齿过程尤为重要。然而，龋齿的有效诊断仍然很困难，因此，国际口腔研究受到了广泛关注。传统的龋齿临床检测主要依靠牙医的视觉检查，这取决于个人经验，主观性很强，因此容易出现错误判断。此外，早期龋齿很难用肉眼区分，尤其是发生在牙齿相邻表面等区域的龋齿。牙齿咬合翼片被认为是检测肉眼看不见的龋齿的标准，它也有助于了解龋齿的深度。然而，口腔医生在读取X光图像方面的经验将影响龋齿检测结果，因为经验较少的年轻牙医可能会导致一些不明显龋齿的漏检。另一方面，检查大量的X射线图像也增加了医生的工作量。因此，迫切需要一种具有高重复性和准确性的自动检测方法，为临床口腔医生提供客观的龋病诊断帮助。计算机自动检测方法可以显著节省人力资源和医疗资源，帮助专业医生进行诊断，更快、更准确地完成疾病筛查，提高口腔疾病诊断效率。具有很好的实用意义和医学价值。

一些研究人员专注于利用咬合翼片图像进行计算机辅助龋齿检测。提出了利用选定的特征在全景牙科X光图像中检测龋齿的方法，并使用前馈人工神经网络对是否存在龋齿进行分类。或者是使用无监督学习模型用于龋齿检测，并取得了良好的效果。然而，所有这些研究都只进行龋齿检测，不涉及分割。龋齿分割也很重要，因为它提供了更多关于龋齿程度的信息，例如龋齿的面积，这可能是进一步龋齿分类的先决条件。

随着人工智能研究的迅速崛起，深度学习已被广泛应用于各种医学成像任务中，并取得了显著的成功。与传统方法相比，深度学习具有强大的特征表示自提取能力和网络结构的灵活性，对复杂干扰具有更强的鲁棒性。在临床口腔领域，一些研究人员尝试使用深层卷积神经网络(CNN)分割牙齿，并证实了有希望的结果。然而，到目前为止，基于深度学习的龋齿分割研究还很少。

U-Net的出现奠定了医学影像语义分割的基础，它启发了大量研究人员去探索“U”型语义分割网络的上限。U-Net仿造FCN的编码-解码结构，将编码(特征提取)路径和解码(分辨率恢复)路径嵌入分割网络。

虽然在一些研究中使用了U-Net，但没有充分利用网络提取的特征，分割的综合指标也不能满足临床要求。对于深度学习方法来说，龋齿分割仍然是一项艰巨的任务。牙齿X射线图像通常具有干涉性和低对比度，因此很难从背景中分割出病变区域。此外，龋齿病变的规模多样，早期病变很难识别，这是龋齿分割的另一个难点。

发明内容

本申请所要解决的技术问题在于分割出图像中患龋部位的病变区域。该方法包括基于改进U-Net网络模型，在U-Net网络的普通卷积后加入了DropBlock，保持该网络编码器-解码器的架构和跳跃连接，在编码-解码结构的底部添加一个非局部自注意力机制模块，对牙齿咬合翼片图像数据中的患龋区域进行分割并输出结果。本申请能够更好地提取图像的相关特征，有效地缓解网络过拟合，在不增加参数数量的情况下，通过扩大感受野来增强像素信息的相关性，提高龋齿分割的精确度和鲁棒性，辅助龋齿更高效率的检测。

根据本申请的一个方面，一种基于改进U-Net网络的牙齿咬合翼片龋齿分割方法包括：获取用于分割的牙齿咬合翼片图像数据；对所述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；