申请/专利权人：杭州电子科技大学;浙江省人民医院;杭州臾宇智能科技有限公司;绍兴微源生物医药科技有限公司

申请日：2023-04-24

公开（公告）日：2024-04-05

公开（公告）号：CN117830202A

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06T5/70;G06T5/73;G06T5/60;G06V10/26;G06V20/70;G06V10/82;G06V10/764;G06N3/0464;G06N3/094;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种基于牙体修复及结构化分割的龋病程度分类方法。首先，设计结构分割网络利用图像级细粒度特征和高层语义特征融合实现对牙体实例分割的内部结构信息补充，同时使用基于生成对抗训练的结构感知模块对所产生的结构化分割结果进行判别以鼓励网络分割出更完整的牙体结构。然后通过设计牙体结构修复网络来对结构遭到破坏的牙体实例进行结构重建使其能够正常参与分割产生完整的牙体结构。最后，根据分割出的牙体结构划定龋坏程度分级线，通过判断龋病分割网络获得的龋病区域在分级线内最深的落点得到准确的龋病分类结果。本发明通过解耦龋病分类过程，联合多任务学习，确定出分类边界，使龋病程度分类结果具有更高的准确度及可解释性。

主权项：1.基于牙体修复及结构化分割的龋病程度分类方法，其特征在于包括如下步骤：步骤1.数据集获取，所获得的数据集分别为DC1000和TSD，其中DC1000数据集用于训练龋病分割网络，而TSD数据集则被用于训练牙体结构化分割网络，同时TSD数据中的牙体实例图像及其异常结构标注被用于训练结构修复网络；步骤2.数据处理，对步骤1所收集的数据集进行中心裁剪，去除非牙外周区域；对DC1000数据集进行重叠裁剪，通过初步训练的神经网络进行数据清洗，去除离群龋病标注；对TSD数据集采用同样的中心裁剪方式以提高牙体前景占比；步骤3.定义龋病分割网络；使用步骤2处理后的DC1000数据集训练Unet模型，实现对龋病区域的预测；测试阶段对于传入的任意一张全景图像进行中心裁剪，使用50％重复占比的方式裁剪切片，完成龋病区域预测后根据位置进行合并得到最终的分割结果；步骤4.基于结构化的牙齿实例分割网络：使用步骤2处理后的TSD数据集训练实例分割网络；首先，通过多类别分割头实现对牙体实例的内部结构进行分割，分割后包括牙釉质、牙本质和牙髓腔结构；然后通过引入细粒度的图像级语义特征对牙体实例的内部结构的描述进行补充，以达到更好的结构分割效果；最后设计基于生成对抗训练方式的结构感知模块，通过鉴别真实结构标注与模型结构预测标注之间的差异，来激励结构化的实例分割网络产生更好的牙体结构分割结果；步骤5.定义牙体结构修复网络；使用步骤2处理后的TSD数据集获取牙体实例图像及该牙体实例图像对应的异常结构标注训练扩散模型中的噪声预测网络；依据步骤4中牙体结构分割结果中的异常结构掩码，对前向扩散的正常结构和反向扩散的异常结构进行图像合成，以达到高质量的牙体结构修复效果；采用隐式模型加速修复速度，同时在修复过程中使用重复回退采样来消除加速修复过程中出现的不和谐情况；步骤6.划定龋病侵蚀程度分级线；首先使用步骤4中的结构化的实例分割网络对图像中的牙体实例进行第一次结构分割，旨在获取异常结构的异常结构掩码，异常结构包括填充材料；然后根据该异常结构掩码使用步骤5中的牙体结构修复网络进行异常结构修复，将修复好的牙体实例图像还原到原全景图像中，再次送入结构化的实例分割网络中完成第二次结构分割；最后，在牙体结构分割结果中的牙本质结构上划定出内外13分级线，作为龋病程度的分类决策边界；步骤7.分类龋坏病灶程度；根据步骤3中的龋病分割网络对全景图像中的龋齿区域检测，从龋齿区域中检测出病变对应的牙体实例，判断该病变在牙体实例中按照步骤6划定出的程度分级线区域内的最深处落点所在区域，判断龋坏病变的精确分类结果。

全文数据：

权利要求：

百度查询： 杭州电子科技大学;浙江省人民医院;杭州臾宇智能科技有限公司;绍兴微源生物医药科技有限公司 基于牙体修复及结构化分割的龋病程度分类方法

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