【技术实现步骤摘要】
本专利技术涉及口腔正畸，具体是指基于图像处理的正畸自动检测方法及系统。
技术介绍
1、cbct图像涉及到口腔和颌面骨结构的成像，使用cbct图像可分析齿槽骨结构、牙根形态、齿槽骨缺陷检测、牙齿影像测量等，已广泛应用于正畸治疗中，一般的cbct图像有相对较低的对比度，颌骨边缘和背景之间的区别不够明显，且cbct扫描有辐射剂量限制，图像可能受到噪声的影响，图像中的细节更难以分辨，影响分割算法的准确性；一般的齿轴标记需要医生手动进行，对于牙齿的正畸特征只考虑到治疗的效果，没有明确的数学定义，且牙齿模型的几何特征对于准确的牙轴检测并不突出，仅利用全局几何直接回归的方式难以检测牙轴的全部特征。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于图像处理的正畸自动检测方法及系统，针对一般的cbct图像有相对较低的对比度，颌骨边缘和背景之间的区别不够明显，且cbct扫描有辐射剂量限制，图像可能受到噪声的影响，图像中的细节更难以分辨，影响分割算法的准确性的问题，本方案构建resu-net网络准确分割cbct图像的颌骨边界，提供高分辨率、更准确的解剖信息，在正畸治疗规划中更容易观察和分析牙齿的位置、倾斜、旋转等三维特征，使用加权交叉熵损失函数，有效改善了分割图像类别不平衡的问题；针对一般的齿轴标记需要医生手动进行，对于牙齿的正畸特征只考虑到治疗的效果，没有明确的数学定义，且牙齿模型的几何特征对于准确的牙轴检测并不突出，仅利用全局几何直接回归的方式难以检测牙轴的全部特征的问题，
2、本专利技术采用的技术方案如下：本专利技术提供的基于图像处理的正畸自动检测方法，该方法包括以下步骤：
3、步骤s1：数据采集与预处理，收集ctooth+公开cbct图像作为数据集，对数据集进行预处理，在数据集中随机选择70%作为训练集，选择30%作为测试集；
4、步骤s2：图像分割，构建resu-net网络分割cbct图像，将cbct图像的颌骨像素从背景像素中分割出来，生成分割图像；
5、步骤s3：图像转换，定义体素表示包含牙齿结构信息的三维像素，从分割图像的体素中采样，把体素的表面信息转换成3d点云，并对生成的3d点云进行处理得到点云数据；
6、步骤s4：特征提取，构建逐点预测网络从点云数据中提取齿轴的旋转变换信息；
7、步骤s5：正畸检测，定义理想咬合状态和牙齿排列状态，将齿轴的旋转变换信息与理想咬合状态和牙齿排列状态进行比较，衡量牙齿的畸形程度。
8、进一步地，在步骤s2中，所述图像分割，具体包括以下步骤：
9、步骤s21：网络设计，构建resu-net网络分割cbct图像，resu-net网络由u-net网络添加残差连接构成，u-net网络由编码器、桥接单元、解码器组成；
10、步骤s22：编码器，编码器由多个编码单元构成，每个编码单元由批量归一化、relu激活函数、卷积层交替连接，在每个编码单元后添加残差连接生成下一组编码单元的输入图像，输出得到编码图像，步骤如下：
11、步骤s221：批量归一化，设定每次归一化的批量大小，对每个批量的输入图像进行归一化操作得到归一化图像，通过缩放和平移操作调整归一化图像，得到调整后的归一化图像，所用公式如下：
12、；
13、；
14、；
15、式中，表示归一化图像，表示输入的像素，表示可学习的缩放参数，表示可学习的平移参数，表示均值，表示方差，是常数，表示批量的大小；
16、步骤s222：激活函数，使用relu函数对调整后的归一化图像进行非线性激活，所用公式如下：
17、；
18、式中，表示归一化图像，表示函数；
19、步骤s223：卷积层，卷积层由的卷积核组成，经过卷积后得到卷积图像，所用公式如下：
20、；
21、式中，表示卷积图像，分别表示卷积核中行和列的偏移，分别表示像素的横、纵坐标，表示步长，表示卷积权重，表示偏置；
22、步骤s224：残差连接，将批量归一化、relu激活函数、卷积层交替连接，添加残差连接组成编码单元，将编码单元的输入图像和卷积图像进行逐元素相加，得到下一个编码单元的输入图像，所用公式如下：
23、；
24、式中，表示下一个编码单元的输入图像，表示编码单元的输入图像，表示卷积后的图像；
25、步骤s225：编码器连接，步骤s221至步骤s224是编码单元的构造过程，连接多个编码单元构成编码器，将cbct图像输入至编码器，输出得到编码图像；
26、步骤s23：桥接单元，桥接单元由一个编码单元构成，将编码图像输入至桥接单元，输出得到桥接图像；
27、步骤s24：解码器，解码器由多个解码单元构成，每个解码单元在编码单元前添加上采样和串联层，输出得到解码图像，步骤如下：
28、步骤s241：上采样，使用反卷积操作逐渐增大解码单元的输入图像尺寸和特征数量，得到上采样图像，所用公式如下：
29、；
30、式中，表示编码图像，表示上采样图像，表示反卷积操作；
31、步骤s242：串联层，将上采样图像和编码器中对应编码单元的输入图像串联，得到串联后的图像；
32、步骤s243：解码器连接，串联后的图像连接编码单元组成一个解码单元，连接多个解码单元构成解码器，将桥接图像输入至解码器，输出得到解码图像；
33、步骤s25：卷积和激活，在解码器后添加卷积层，将解码图像输入至卷积层得到卷积后的图像，使用sigmoid激活函数将卷积后的图像转换为概率图，所用公式如下：
34、；
35、式中，表示sigmoid激活函数，表示卷积后的图像，是自然对数的底；
36、步骤s26：损失函数，步骤s21至步骤s25是resu-net网络的构建过程，输入cbct图像，得到颌骨像素和背景像素的分割图像，使用加权交叉熵损失函数处理分割图像类别不平衡的问题，所用公式如下：
37、<mi>wce=-</mi><mfrac><mn>1</mn><mi>n</mi></mfrac><mstyle displaystyle="false"><munderover><mo>∑</mo><mi>i=1</mi><mi>n</mi></munderover><mrow><msub><mi>w</mi><mi&本文档来自技高网...
【技术保护点】
1.基于图像处理的正畸自动检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S2中，所述图像分割，包括以下步骤：
3.根据权利要求2所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S22中，所述编码器，包括以下步骤：
4.根据权利要求3所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S24中，所述解码器，包括以下步骤：
5.根据权利要求4所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S3中，所述图像转换，包括以下步骤：
6.根据权利要求5所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S4中，所述特征提取，包括以下步骤：
7.根据权利要求6所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤S45中，所述逐点预测网络，包括以下步骤：
8.基于图像处理的正畸自动检测系统，用于实现如权利要求1-7中任一项所述的基于图像处理的正畸自动检测方法，其特征在于：包括数据采集与预处理模块、图像分割模块、图像
...【技术特征摘要】
1.基于图像处理的正畸自动检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤s2中，所述图像分割，包括以下步骤：
3.根据权利要求2所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤s22中，所述编码器，包括以下步骤：
4.根据权利要求3所述的基于图像处理的正畸自动检测方法，其特征在于：在步骤s24中，所述解码器，包括以下步骤：
5.根据权利要求4所述的基于图像处理的正畸自动检测方法，其特征...
【专利技术属性】
技术研发人员：杨亚囡，支敏，马洪斌，
申请(专利权)人：天津医科大学口腔医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。