一种基于神经网络的利用牙齿锥形束CT图自动检测牙折裂的方法

技术领域

本发明涉及人工智能深度学习、卷积神经网络(Convolutional NeuralNetworks，CNN)、信息相似度(Information Based Similarity，IBS)统计分析理论和图像处理在牙齿锥形束CT(CBCT)图片分类方向的应用。

背景技术

在临床口腔医学中，较为多见的一种疾病就是牙折裂。1997年美国牙髓病学会(American Association of Endodontists，AAE)将有裂纹的牙齿分为5类：牙釉质表面裂纹(Craze Line)、牙尖折裂(Fractured Cusp)、牙不完全裂或叫隐裂(Cracked Tooth)、牙齿完全劈裂(Split Tooth)、牙根纵裂(Vertical Root Facture)。其中的第一类牙釉质表面裂纹通常是因为咬合应力过大，冷热食物交替等因素造成。主要表现为牙齿表面出现一些异常的细微裂痕，经常被人们所忽视；第二类牙尖折裂是外界的直接或者是间接地撞击后，使牙尖失去整体结构发生断裂；第三类狭义牙隐裂特指从牙冠咬合面向根尖方向延伸的折裂线；第四类牙齿完全劈裂是指沿近远中方向并扩展至牙齿边缘嵴的完全性劈裂牙；第五类牙根纵裂特指牙根发生折裂的牙齿，多呈颊舌方向，由于其发生于牙根，无法直视，诊断则更加困难，经常需要依靠牙周手术探查以明确诊断。牙折裂的治疗方法从无需任何治疗的小浅裂纹，到根管治疗、牙冠套保护、到晚期的拔除都有可能，需要针对每个患者的症状对症下药。

如果可以借助卷积神经网络与IBS统计分析对牙齿CBCT图片进行智能分析与诊断，就可以减轻医护人员的工作量。

本发明中使用的孪生交叉对比神经网络模型(Siamese Cross Contrast NeuralNetwork，SCCNN)，该神经网络模型在交叉对比神经网络(Cross-Contrast NeuralNetwork，CCNN)基础上进行改进，主要基于CNN和IBS统计分析两个部分。CNN是一种深度学习模型或类似于人工神经网络的多层感知器，可用来分析视觉图像，以其局部权值共享的特殊结构在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，在计算机视觉领域显示出了优越的性能，在各项比赛与研究中取得了显著的效果。同时，为了进一步提升网络对于牙齿CBCT图片的分类识别能力，引入了统计学上的IBS模型，通过对卷积层提取出的纹理特征进行交叉对比，判断两幅图像是否属于同一类，以实现图片的类别判断。

发明内容

本发明的目的在于通过对牙齿CBCT图片智能分割分类，自动得到每颗牙齿的牙折裂分类结果。通过图像分割算法，自动提取出每颗牙齿的CBCT图片，并将每颗牙齿的CBCT图片作为卷积神经网络的输入，利用IBS对卷积神经网络提取到的特征图进行统计分析，最终对牙齿CBCT图片是否存在牙折裂情况进行分类，可以达到优秀的分类效果。

为实现上述目的，本发明采用如下的技术方案：

构建牙齿CBCT图片自动分割器。首先对采集到的人体口腔牙齿CBCT图进行图像处理，提取出每张CBCT图片上的牙齿边缘轮廓线，通过牙齿边缘轮廓线进而确定牙齿中心轮廓线，在牙齿中心轮廓线上确定每颗牙齿的位置标记点，将标记点作为矩形窗口中心，自动框选截取出每颗牙齿的CBCT图。

构建判断每颗牙齿CBCT图片上是否存在牙折裂的分类器。利用已分割和标记好的单颗牙齿的CBCT图片，训练孪生交叉对比神经网络模型，其中损失函数的计算引入了IBS模型，得到具有较高准确率的判决模型。

采集人体口腔牙齿CBCT图片，利用已构建好的牙齿CBCT图片自动分割器，对牙齿CBCT图片进行自动分割，得到每颗牙齿的CBCT图片，对每颗牙齿的CBCT图片进行处理，得到单颗牙齿的CBCT图片数据集；

将得到的单颗牙齿CBCT图片数据集，依次输入孪生交叉对比神经网络检测模型，得到每颗牙齿CBCT图片是否存在牙折裂的预测结果。

本发明通过图像处理结合深度学习技术，提供了一种基于孪生交叉对比神经网络的利用牙齿CBCT图自动检测牙折裂的方法，大大提高了辨识的客观性和准确性，同时减轻了医护人员的工作量，判别准确率与传统的人工检测方法接近，但比传统的人工检测体验更好。本发明的有益效果远不止于上述罗列诸要点，限于篇幅而不加赘述。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例提供的基于神经网络的利用牙齿锥形束CT图自动检测牙折裂的流程示意图；

图2为人体口腔牙齿CBCT图片；

图3为根据牙齿位置标记点框选的单颗牙齿的CBCT图片；

图4为分割后的单颗牙齿CBCT图(左侧为无牙折裂，右侧为有牙折裂)；

图5为本发明实施例提供的孪生交叉对比神经网络的训练模型；

图6为本发明实施例提供的孪生交叉对比神经网络的检测模型。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实例对本发明进行清楚、详细的描述。

本发明解决问题所采用的方案分为五个部分：

第一部分，构建牙齿CBCT图片自动分割器。首先通过高斯金字塔分解不断对人体口腔CBCT图片进行下采样，高斯金字塔第1层图像由式(1)得到：

将下采样后最终得到的图片作为滤波器对原始口腔牙齿CBCT图片进行二值化处理，得到口腔CBCT图片的牙齿边缘轮廓线，对该二值图像应用形态学操作，减薄牙齿边缘轮廓线，得到牙齿中心轮廓线，并与原始口腔CBCT图片进行融合。

根据口腔CBCT图片的像素灰度值的变化确定牙齿中心轮廓线上的牙齿边界点，如图3中的圆形点，将两个边界点之间的中心点作为牙齿位置标记点，如图3中的方形点，将方形点作为矩形窗口的中心，自动截取出每颗牙齿的CBCT图片，如图3中的方框所示。将整个图像分割算法作为牙齿CBCT图片自动分割器部署在主机或服务器上。

第二部分，构建判断每颗牙齿CBCT图片上是否存在牙折裂的分类器。对预先已分割好的单颗牙齿CBCT图片，标记出是否存在牙折裂情况，并对单颗牙齿的CBCT图片进行补全和缩放，统一图片大小，将单颗牙齿的CBCT图片数据集作为孪生交叉对比神经网络训练模型的输入，将对应的标签作为神经网络的输出，训练该神经网络模型，孪生交叉对比神经网络的训练模型如图5，将训练好的具有较高分类准确率的神经网络模型作为判断单颗牙齿CBCT图片上是否存在牙折裂的分类器，并部署在主机或服务器上。

第三部分，使用常规剂量的CBCT扫描对人体口腔进行扫描，采集待检测人体口腔的牙齿CBCT图片，并利用主机或服务器上的牙齿CBCT图片自动分割器对每层CBCT图片进行自动分割，得到每颗牙齿的CBCT图片，并进行补全和缩放以统一图片大小。

第四部分，将每颗牙齿的CBCT图片作为孪生交叉对比神经网络检测模型的输入，将网络的输出结果作为牙齿CBCT图片是否存在牙折裂的判断结果。孪生交叉对比神经网络的检测模型如图6。

应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。