申请/专利权人：北京大学口腔医院;北京众绘虚拟现实技术研究院有限公司

申请日：2020-07-17

公开（公告）日：2023-10-31

公开（公告）号：CN111798445B

主分类号：G06F30/27

分类号：G06F30/27;G06T7/00;G06N3/08;G06N3/04

优先权：

专利状态码：有效-授权

法律状态：2023.10.31#授权;2020.11.06#实质审查的生效;2020.10.20#公开

摘要：本发明提供一种基于卷积神经网络的牙齿图像龋坏识别方法及系统。本发明通过对大量的经过临床诊断的牙的数码照片进行深度学习，能够准确判断目标照片中牙齿龋坏的概率，可以帮助民众进行龋的自我监管，必要时及时到医院就诊检查。具有实时性好，能发现早期龋坏的特点。

主权项：1.一种基于卷积神经网络的牙齿图像龋坏识别方法，其特征在于，所述方法包括以下步骤，步骤1数据采集，采集医院若干病例样本口腔相关的电子病历记录作为数据集，所述电子病历记录包括诊疗前口内照片；步骤2数据标记，将所述数据集中的所述照片判读为已龋坏或未龋坏，同时将所述照片对应的样本标注不同类别的标签，其中所述标签为已龋坏的样本为正样本，所述标签为未龋坏的样本为负样本，进而得到已标注的数据集；步骤3数据预处理，对所述已标注的数据集中的所述照片进行预处理，进而得到已预处理的数据集；步骤4数据划分，按照设定正负样本抽取比例与设定数据集划分比例，对所述已处理的数据集进行随机抽取与随机划分，进而得到训练集、验证集与测试集；步骤5模型定义，构建卷积神经网络分类器，定义损失函数；步骤6模型训练，初始化卷积神经网络分类器参数，迭代使用所述训练集训练所述卷积神经网络分类器参数，当损失函数小于设定阈值时，停止训练所述卷积神经网络分类器参数，使用所述验证集优化所述卷积神经网络分类器参数，进而得到已训练优化的卷积神经网络分类器；步骤7模型评估，使用所述测试集评估已训练优化的卷积神经网络分类器的性能指标；步骤8模型识别，对新的诊疗前口内照片进行所述预处理，并输入所述已训练优化的卷积神经网络分类器中，所述已训练优化的卷积神经网络分类器预测输出对应的标签类别，进而识别所述的疗前口内照片已龋坏或未龋坏；在所述步骤5中，所述卷积神经网络分类器网络包括13层卷积层、5层池化层、1个自注意力机制模块、3层全连接层与1层softmax层，从前至后共分为8个模块，其中模块1与模块2均包括2层卷积层和1层池化层，模块3、模块4与模块5均包括3层卷积层和1层池化层，模块6为自注意力机制模块，模块7包括3层全连接层，模块8包括1层softmax层，卷积层采用卷积核为3×3、步幅为1且填充为1的卷积操作，池化层采用最大池化的池化操作，全连接层和卷积层采用RELU作为激活函数，并通过softmax层输出照片识别的标签类别；所述自注意力机制模块对牙齿龋图像特征进行重新加权，从左到右包括3层1×1的卷积层，1层逐像素的相乘连接操作和softmax层，1层逐像素的相乘连接操作和1层1×1的卷积层；所述的自注意力机制模块操作由公式表示，其中x是由卷积层提取到的特征图，y是自注意力机制模块的输出，和为1x1卷积中待学习的参数，gx是身份函数，gx＝Wgx，Wg同样为1x1卷积中待学习的参数；所述操作对使用所述神经网络分类器中前5个模块提取到的特征图进行非局部加权的处理，使其关注在关注局部特征的同时增加对于非局部特征的注意力；在所述步骤5中，所述损失函数为cross-entropy函数；在所述步骤7中，所述性能指标包括敏感度和特异度；所述龋坏识别方法实验结果以敏感度和特异度作为评价指标，敏感度又称为真阳性率，其计算公式为Sensitivity＝TPTP+FN，其中TP表示真阳性样本数，FN表示假阴性样本数，敏感度可以衡量所述龋坏判别系统对于正例的识别能力；特异度又称为真阴性率，其计算公式为Specificity＝TNFP+TN，其中TN表示真阴性样本数，FP表示假阳性样本数，特异度衡量所述龋坏判别系统对于负例的识别能力。

全文数据：

权利要求：

百度查询： 北京大学口腔医院;北京众绘虚拟现实技术研究院有限公司 一种基于卷积神经网络的牙齿图像龋坏识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD