本發(fā)明涉及圖像處理，具體涉及一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)，并不必然構(gòu)成現(xiàn)有技術(shù)。

2、根管治療作為治療牙周疾病的主要手段之一，在患者后期的恢復(fù)階段中扮演著重要角色。然而，治療質(zhì)量的良莠對(duì)患者的健康影響巨大。填充不足可能會(huì)導(dǎo)致細(xì)菌殘留，引發(fā)炎癥，而填充過(guò)度則可能引發(fā)疼痛或組織壞死等并發(fā)癥。因此，對(duì)治療后根管進(jìn)行準(zhǔn)確評(píng)估顯得尤為重要，這有助于及時(shí)發(fā)現(xiàn)并補(bǔ)救填充不足或過(guò)度的情況。然而，傳統(tǒng)的根管治療結(jié)果評(píng)估過(guò)程卻存在一些挑戰(zhàn)。首先，它高度依賴于醫(yī)生的專業(yè)知識(shí)和豐富經(jīng)驗(yàn)。其次，長(zhǎng)時(shí)間人工評(píng)估多張x射線顯得繁瑣且容易出現(xiàn)主觀誤差；此外，不同醫(yī)生之間的評(píng)估標(biāo)準(zhǔn)可能存在差異，導(dǎo)致結(jié)果不一致。

3、在根管治療結(jié)果評(píng)估的過(guò)程中，首要步驟是對(duì)牙齒進(jìn)行分割，以便進(jìn)行詳細(xì)的分析，然而，x射線片中常常存在牙齒邊界區(qū)域不清晰的情況，這可能是由于拍攝角度或牙齒周圍組織的遮擋造成的；此外，牙根可能被周圍的軟組織或其他牙齒遮擋，導(dǎo)致根管系統(tǒng)的結(jié)構(gòu)不易觀察，從而限制了評(píng)估過(guò)程中所能獲取的視覺(jué)信息，在這種情況下，醫(yī)生需要憑借經(jīng)驗(yàn)和想象力來(lái)推測(cè)牙根的實(shí)際形態(tài)，使得傳統(tǒng)的人工評(píng)估方法面臨較大的困難。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法，將牙齒的空間信息轉(zhuǎn)換為頻域信息，并將其存儲(chǔ)到損失函數(shù)中，有助于分割模型更加準(zhǔn)確地識(shí)別牙齒的邊界信息，從而提高了分割的精度和魯棒性，有助于實(shí)現(xiàn)自動(dòng)、準(zhǔn)確地根管治療充填質(zhì)量的評(píng)估。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法。

4、一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法，包括以下過(guò)程：

5、獲取口腔根管治療的x射線牙片圖像；

6、將牙齒的空間信息轉(zhuǎn)為頻域信息存儲(chǔ)到第一深度學(xué)習(xí)模型的損失函數(shù)中，采用第一深度學(xué)習(xí)模型進(jìn)行x射線牙片圖像中的根管治療部分牙齒的分割，根據(jù)分割結(jié)果采用第二深度學(xué)習(xí)模型得到根管治療效果分類結(jié)果。

7、作為本發(fā)明第一方面進(jìn)一步的限定，將牙齒的空間信息轉(zhuǎn)為頻域信息存儲(chǔ)到第一深度學(xué)習(xí)模型的損失函數(shù)中，包括：

8、第一深度學(xué)習(xí)模型的損失函數(shù)為原始損失函數(shù)與的乘積，其中，，代表預(yù)測(cè)邊界a的頻域表示，代表手動(dòng)標(biāo)記邊界b的頻域表示，第一深度學(xué)習(xí)模型的損失函數(shù)為封閉形狀的定量表示。

9、作為本發(fā)明第一方面進(jìn)一步的限定，第一深度學(xué)習(xí)模型為對(duì)稱u型結(jié)構(gòu)，u型結(jié)構(gòu)第一分支上為依次連接的卷積層以及四個(gè)mamba模塊，u型結(jié)構(gòu)第二分支上為依次連接的四個(gè)mamba模塊以及卷積層；其中，mamba模塊由vss模塊和深度可分離卷積組合而成；

10、兩個(gè)卷積層用于提取淺層特征，八個(gè)mamba模塊通過(guò)深度可分離卷積和vss模塊引入全局視覺(jué)信息，同時(shí)處理局部特征，以對(duì)牙齒和根管填充物進(jìn)行分割。

11、作為本發(fā)明第一方面更進(jìn)一步的限定，第一分支上的mamba模塊依次為第一mamba模塊、第二mamba模塊、第三mamba模塊和第四mamba模塊，第二分支上的mamba模塊依次為第五mamba模塊、第六mamba模塊、第七mamba模塊和第八mamba模塊；

12、第一mamba模塊與第八mamba模塊通過(guò)空間注意力機(jī)制跳躍連接，第二mamba模塊與第七mamba模塊通過(guò)空間注意力機(jī)制跳躍連接，第三mamba模塊與第六mamba模塊通過(guò)空間注意力機(jī)制跳躍連接，第四mamba模塊與第五mamba模塊通過(guò)空間注意力機(jī)制跳躍連接。

13、作為本發(fā)明第一方面更進(jìn)一步的限定，mamba模塊，包括兩個(gè)支路，對(duì)每個(gè)支路，采用深度可分離卷積來(lái)提取淺層特征，然后依次通過(guò)兩個(gè)vss模塊，vss模塊通過(guò)引入全局信息和跨通道的交互，捕捉圖像中的全局語(yǔ)義信息，在每條支路提取特征后，將各個(gè)支路提取的特征和原始輸入特征進(jìn)行整合和融合，形成最終的特征表示；

14、vss模塊，包括兩個(gè)分支，第一個(gè)分支包括一層線性層、一層深度可分離卷積層、silu激活函數(shù)、ss2d模塊和一層規(guī)范化層，用于提取并建模圖像的遠(yuǎn)程空間特征；第二個(gè)分支包括一層線性層和silu激活函數(shù)，用于提取圖像的局部特征；

15、將兩個(gè)分支的輸出相乘來(lái)聚合兩個(gè)分支的特征，然后再經(jīng)過(guò)一層線性層處理得到融合特征，將融合特征與vss模塊的原始輸入進(jìn)行加權(quán)求和，得到vss模塊的最終輸出。

16、作為本發(fā)明第一方面進(jìn)一步的限定，根管治療效果分類結(jié)果，包括恰填和欠填，計(jì)算牙齒和填充物的頂部像素點(diǎn)之間的距離，若所述距離大于設(shè)定閾值則屬于欠填，若所述距離小于或等于設(shè)定閾值則屬于恰填，所述距離為正數(shù)。

17、第二方面，本發(fā)明提供了一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估系統(tǒng)。

18、一種基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估系統(tǒng)，包括：

19、圖像獲取單元，被配置為：獲取口腔根管治療的x射線牙片圖像；

20、評(píng)估分類單元，被配置為：將牙齒的空間信息轉(zhuǎn)為頻域信息存儲(chǔ)到第一深度學(xué)習(xí)模型的損失函數(shù)中，采用第一深度學(xué)習(xí)模型進(jìn)行x射線牙片圖像中的根管治療部分牙齒的分割，根據(jù)分割結(jié)果采用第二深度學(xué)習(xí)模型得到根管治療效果分類結(jié)果。

21、第三方面，本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括：處理器和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)；

22、處理器，適于執(zhí)行計(jì)算機(jī)程序；

23、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如本發(fā)明第一方面所述的基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法。

24、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序適于被處理器加載并執(zhí)行如本發(fā)明第一方面所述的基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法。

25、第五方面，本發(fā)明提供了一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如本發(fā)明第一方面所述的基于深度學(xué)習(xí)的口腔根管治療充填質(zhì)量評(píng)估方法。

26、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

27、1、本發(fā)明引入了先驗(yàn)知識(shí)損失函數(shù)的概念，將牙齒的空間信息轉(zhuǎn)換為頻域信息，并將其存儲(chǔ)到損失函數(shù)中，有助于分割模型更加準(zhǔn)確地識(shí)別牙齒的邊界信息，從而提高了分割的精度和魯棒性，使得模型能夠更好地理解牙齒結(jié)構(gòu)的空間關(guān)系，進(jìn)而有效地區(qū)分牙齒與周圍組織的邊界。

28、2、本發(fā)明采用兩個(gè)深度學(xué)習(xí)模型（即第一深度學(xué)習(xí)模型和第二深度學(xué)習(xí)模型），有效地評(píng)估口腔根管治療的質(zhì)量，結(jié)合了圖像分割和分類的技術(shù)，在第一階段進(jìn)行牙齒的分割，第二階段進(jìn)行根管治療效果的分類，通過(guò)這種兩階段的設(shè)計(jì)，能夠更全面地評(píng)估根管治療的結(jié)果，提高了評(píng)估的準(zhǔn)確性和可靠性。

29、3、本發(fā)明通過(guò)將卷積神經(jīng)網(wǎng)絡(luò)的邊緣局部特征語(yǔ)義信息與mamba模塊主體全局特征的語(yǔ)義信息上下文相結(jié)合，實(shí)現(xiàn)了特征的融合與集成，使得不同尺度的特征能夠更好地互補(bǔ)，從而提高了模型對(duì)于復(fù)雜牙齒結(jié)構(gòu)的識(shí)別能力，并且增強(qiáng)了對(duì)于不同尺度特征的融合效果。

30、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。