本發(fā)明涉及牙科檢測,具體涉及一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法和裝置。
背景技術(shù):
1、牙齒疾病是人類最常見的口腔疾病之一,影響著許多人的健康。牙科全景x光片,也稱為全景x射線照片,是廣泛應用于牙科實踐的重要診斷工具。隨著深度學習的快速發(fā)展,基于深度學習的自動化檢測可以自動檢測在全景x光片中的牙齒疾病,還可以提高醫(yī)生診斷的準確性和效率。
2、隨著深度學習的快速發(fā)展,基于卷積神經(jīng)網(wǎng)絡的牙齒疾病自動化檢測方法已經(jīng)取得了很多突破性的進步,但由于全景口腔x光片其自身數(shù)據(jù)分布的復雜性、不同病灶之間尺度差異大并且存在大量小尺度疾病,現(xiàn)有技術(shù)對小尺度牙齒疾病檢測的效果不盡如人意。
技術(shù)實現(xiàn)思路
1、為解決上述技術(shù)問題,本發(fā)明提供了一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法和裝置,能夠適應口腔全景x光片的復雜背景和數(shù)據(jù)分布特性,實現(xiàn)更為精確的小尺度牙齒疾病檢測。
2、為了實現(xiàn)上述目的,本發(fā)明提供的技術(shù)方案為:
3、一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,包含以下步驟:
4、步驟1:采集臨床的口腔全景x光片,對采集的口腔全景x光片進行標注,制作口腔疾病檢測數(shù)據(jù)集,按照一定的比例隨機劃分訓練集和測試集;
5、步驟2:構(gòu)建端到端的cascade?r-cnn改進模型,第一階段網(wǎng)絡為resnet50+attneck特征提取網(wǎng)絡,第二階段網(wǎng)絡為fpn+fam特征金字塔結(jié)構(gòu),第三階段網(wǎng)絡為rpn和roialign網(wǎng)絡,第四階段網(wǎng)絡為改進的級聯(lián)檢測器結(jié)構(gòu);
6、步驟3:用劃分好的口腔疾病檢測數(shù)據(jù)集訓練改進的cascade?r-cnn模型;
7、步驟4:將待檢測的口腔全景x光片輸入到訓練好的改進的cascade?r-cnn最佳模型中進行檢測。
8、本發(fā)明的一個實施例中,所述步驟1具體包括:收集大量的臨床口腔全景x光片圖像,所有圖像保存為jpg格式,以確保數(shù)據(jù)格式的一致性和便于后續(xù)的處理工作。接下來,邀請具有豐富臨床經(jīng)驗的專業(yè)口腔醫(yī)生對這些x光片進行人工標注,對高密度影、低密度影、根尖暗影和阻生齒等四類常見的牙齒疾病進行標注;標注過程將嚴格遵循coco(commonobjects?in?context)目標檢測的格式,包括對圖像中感興趣的區(qū)域進行精確的邊界框標注,并附帶相應的類別標簽,標注的英文標簽分別為'high?density?shadow','lowdensity?shadow','root?tip?shadow','obstructed?teeth';完成標注后,將所有標注好的圖像數(shù)據(jù)按照8:2的比例劃分為訓練集和測試集;訓練集用于模型的訓練,以保證模型能夠從大量樣本中學習并優(yōu)化其檢測性能;測試集則用于評估模型的泛化能力和實際應用效果,以確保模型在未見過的數(shù)據(jù)上同樣表現(xiàn)良好。
9、本發(fā)明的一個實施例中,所述步驟2具體包括:
10、步驟2.1:選用resnet50網(wǎng)絡提取牙齒疾病特征,并在resnet50的基礎上用attneck改進它的bottleneck瓶頸塊。attneck利用deformable?convolution提取局部前景特征的同時結(jié)合transformer?attention對目標周圍全局上下文信息來增強現(xiàn)有的resnet50,能幫助模型更好地獲取小尺度疾病的特征;
11、步驟2.2:使用fpn特征金字塔結(jié)構(gòu),但fpn遞歸使用下采樣進行特征圖融合會導致特征對不齊的問題。因此在fpn的基礎上增加fam模塊來對齊上下特征圖,提高對不同小尺度牙齒疾病的泛化能力,提高模型的魯棒性。
12、步驟2.3:采用改進的級聯(lián)檢測器,使用全卷積網(wǎng)絡預測疾病邊界框的九個關鍵點,并通過動態(tài)補丁策略進行級聯(lián)檢測,實現(xiàn)對小尺度牙齒疾病的精確定位。
13、本發(fā)明的一個實施例中,所述步驟3具體包括:將劃分好的口腔疾病檢測數(shù)據(jù)集送入改進的cascade?r-cnn網(wǎng)絡開始訓練,在訓練的過程中,將所有圖片數(shù)據(jù)的大小都定為1333×800,通過水平翻轉(zhuǎn)對訓練數(shù)據(jù)進行數(shù)據(jù)增強處理。改進的級聯(lián)檢測器的iou值采用依次為0.5、0.6、0.7的設置。
14、本發(fā)明的一個實施例中,所述步驟4具體包括:將待檢測的口腔全景x光片輸入到步驟3訓練好的改進的cascade?r-cnn最佳模型中,輸入檢測結(jié)果圖像,疾病檢測結(jié)果圖像包含對疾病位置進行矩形框標注,并顯示出矩形框?qū)募膊∶Q信息。
15、本發(fā)明的第二個方面涉及一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測裝置,包括存儲器和一個或多個處理器,所述存儲器中存儲有可執(zhí)行代碼,所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時,用于實現(xiàn)本發(fā)明的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法。
16、本發(fā)明的第三個方面涉及一種計算機程序產(chǎn)品,包括計算機程序,所述計算機程序在被處理器執(zhí)行時實現(xiàn)本發(fā)明的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法。
17、attneck將變形卷積與變形注意的全局注意機制相結(jié)合,使模型能夠在全景x光片的復雜背景下更準確地提取小目標前景特征,并提出了fam來動態(tài)對齊上下特征來提高模型對不同小尺度疾病的泛化能力。point-to-patch?module采用關鍵點檢測和級聯(lián)動態(tài)補丁對病灶邊界盒進行動態(tài)調(diào)整,保證小尺度牙齒疾病有足夠的高質(zhì)量建議,從而提高檢測器性能。
18、本發(fā)明對resnet50網(wǎng)絡進行改進,能更有效地提取小尺度牙齒疾病特征,添加fam模塊來對齊fpn特征金字塔網(wǎng)絡,更有利于獲取更加準確的位置特征信息,最后通過改進的級聯(lián)檢測器迭代提高對小尺度牙齒疾病的檢測能力,提高模型的檢測精度。
19、本發(fā)明的優(yōu)點是:有效地提取小尺度牙齒疾病特征,提高對小尺度牙齒疾病的檢測能力,提高模型的檢測精度。
1.一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,包含以下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,所述步驟1具體包括:
3.根據(jù)權(quán)利要求1所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,所述步驟2具體包括:
4.根據(jù)權(quán)利要求1所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,所述步驟3具體包括:
5.根據(jù)權(quán)利要求1所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法,所述步驟4具體包括:
6.一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測裝置,其特征在于,包括存儲器和一個或多個處理器,所述存儲器中存儲有可執(zhí)行代碼,所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時,用于實現(xiàn)權(quán)利要求1-5中任一項所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法。
7.一種計算機程序產(chǎn)品,其特征在于,包括計算機程序,所述計算機程序在被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-5任一項所述的一種基于cascade?r-cnn小尺度牙齒疾病自動化檢測方法。