【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及牙齿图像分割模型训练方法、分割方法、设备和存储介质。
技术介绍
1、人工智能技术通过智能识别和分析牙齿影像信息，能够显著提升口腔疾病的诊断效率和准确性。目前，u型结构神经网络已被用于医学图像分割任务，u型结构神经网络一般由编码器、瓶颈层、解码器和跳跃连接组成，如unet、unet++、unet3+。许多以u型结构为基础的网络在众多医学图像领域都取得了优秀的性能，但是专门针对口腔任务设计的网络却仍然相对匮乏。
2、由于口腔全景片包含非常复杂的口腔结构信息，而且临床数据存在非常大的差异，现有的牙齿图像分割方法可能难以充分捕捉图像中的细节。例如，医学影像设备本身的限制或口腔内可能存在的一些金属物体（如牙套、修复体等），可能导致ct扫描图像产生明显的伪影，这些伪影通常会损害图像的可读性。另外，不同个体之间牙齿形态、位置和大小可能存在较大差异，容易使得复杂的图像分割网络模型出现过拟合现象，导致图像分割网络模型难以适用于不同个体的牙齿图像。
技术实现思路
1、基于此，本专利技术提供牙齿图像分割模型训练方法、分割方法、设备和存储介质，至少解决现有技术中的一个问题。
2、第一方面，本专利技术提供一种牙齿图像分割模型训练方法，其包括以下步骤：
3、获取带标签的牙齿图像数据集；
4、构建包含编码器、瓶颈层、解码器和跳跃连接层的牙齿图像分割模型，使用带标签的牙齿图像数据集训练牙齿图像分割模型；
5、其中，在编码器
6、在跳跃连接层中，分别对编码器三个阶段的输出特征图进行基于通道门控的特征融合；
7、在瓶颈层中，对编码器第x阶段的输出特征图进行特征融合；
8、在解码器中，基于瓶颈层和跳跃连接层的输出特征图进行解码。
9、需要说明的是，带标签的牙齿图像数据集包含牙齿图像和相应的标签，其中，牙齿图像可以为口腔全景图像（简称牙片），标签可以为牙齿图像中牙齿区域的掩码。编码器、瓶颈层和解码器构成u型结构神经网络，编码器和解码器结构对称（编解码的阶段数相同）。
10、在一些可选的实施例中，分别对编码器三个阶段的输出特征图进行基于通道门控的特征融合包括以下步骤：
11、将编码器第1阶段的输出特征图的大小由 rc×h×w变形为 rc×n，作为全局通道特征 f1；分别对编码器第2阶段和第3阶段的输出特征图进行上采样和卷积操作，得到 f1和 f2；将 f1和 f2的转置（）进行矩阵乘法运算，使用softmax函数生成通道门 g1；使用通道门 g1与全局通道特征 f1相乘，得到结果 fr_1，进行重塑操作，并对编码器第1阶段的输出特征图进行残差连接，得到输出 foutput_1；
12、将编码器第x阶段的输出特征图的大小由 rc×h×w变形为 rc×n，作为全局通道特征 fx；分别对编码器第x-1阶段和第x-2阶段的输出特征图进行下采样，得到 f1和 f2；将 f1和 f2的转置（）进行矩阵乘法运算，使用softmax函数生成通道门 gx；使用通道门 gx与全局通道特征 fx相乘，得到结果 fr_x，进行重塑操作，并对编码器第x阶段的输出特征图进行残差连接，得到输出 foutput_x；
13、将编码器第y阶段的输出特征图的大小由 rc×h×w变形为 rc×n，作为全局通道特征 fy，其中y为正整数且1<y<x；对编码器第y-1阶段的输出特征图进行下采样，得到 f1；对编码器第y+1阶段的输出特征图进行上采样和卷积操作，得到 f2；将 f1和 f2的转置（）进行矩阵乘法运算，使用softmax函数生成通道门 gy；使用通道门 gy与全局通道特征 fy相乘，得到结果 fr_y，进行重塑操作，并对编码器第y阶段的输出特征图进行残差连接，得到输出 foutput_y；
14、其中c表示通道数，h表示特征图的长，w表示特征图的宽，n=h×w，r表示映射空间。
15、在一些可选的实施例中，x等于4。也就是说，编码器包括4个lgff模块，进行4个阶段的编码。
16、在一些可选的实施例中，编码器包括lgff模块，在lgff模块中，分别对输入特征图（牙齿图像）进行局部特征提取和全局特征提取，并将提取的局部特征图和全局特征图进行拼接，拼接后进行深度可分离卷积，得到融合特征图（lgff模块的输出特征图），最后通过最大池化操作进行下采样。
17、在一些可选的实施例中，局部特征提取包括以下步骤：分别对输入特征图进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加；使用relu函数激活，进行1×1卷积和归一化后进行逐元素相加；然后分别进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加。
18、在一些可选的实施例中，全局特征提取包括以下步骤：将输入特征图重构为多维特征图，再对每个维度的特征分别进行3×3卷积和多头自注意力操作；使用归一化和relu函数激活；然后进行3×3卷积，归一化后使用relu函数激活；最后将多维特征图重构为输入特征图的大小。
19、在一些可选的实施例中，瓶颈层包括lgff模块，在lgff模块中，分别对来自编码器中的特征图进行局部特征提取和全局特征提取，并将提取的局部特征图和全局特征图进行拼接，再进行深度可分离卷积，得到融合特征图并送入解码器中。
20、在一些可选的实施例中，解码器包括lgff模块，先对来自瓶颈层中的特征进行上采样，拼接跳跃连接层输出的特征，再将特征送入lgff模块进行局部特征提取和全局特征提取，将提取的局部特征图和全局特征本文档来自技高网...
【技术保护点】
1.一种牙齿图像分割模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，分别对编码器三个阶段的输出特征图进行基于通道门控的特征融合包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，x等于4。
4.根据权利要求1所述的方法，其特征在于，编码器包括LGFF模块，在LGFF模块中，分别对输入特征图进行局部特征提取和全局特征提取，并将提取的局部特征图和全局特征图进行拼接，拼接后进行深度可分离卷积，得到融合特征图，最后通过最大池化操作进行下采样。
5.根据权利要求4所述的方法，其特征在于，局部特征提取包括以下步骤：分别对输入特征图进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加；使用ReLU函数激活，进行1×1卷积和归一化后进行逐元素相加；然后分别进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加。
6.根据权利要求4所述的方法，其特征在于，全局特征提取包括以下步骤：将输入特征图重构为多维特征图，再对每个维度的特征分别进行3×3卷积和多头自注意力操作；使用归一化和ReLU函数激活；
7.根据权利要求1所述的方法，其特征在于，瓶颈层包括LGFF模块，在LGFF模块中，分别对来自编码器中的特征图进行局部特征提取和全局特征提取，并将提取的局部特征图和全局特征图进行拼接，再进行深度可分离卷积，得到融合特征图并送入解码器中。
8.根据权利要求1所述的方法，其特征在于，解码器包括LGFF模块，先对来自瓶颈层中的特征进行上采样，拼接跳跃连接层输出的特征，再将特征送入LGFF模块进行局部特征提取和全局特征提取，将提取的局部特征图和全局特征图进行拼接，再进行深度可分离卷积得到融合特征图。
9.一种牙齿图像分割方法，其特征在于，包括以下步骤：
10.一种牙齿图像分割设备，其特征在于，包括：
11.一种计算机可读存储介质，其特征在于，存储有指令，指令在被处理器执行时实现权利要求9所述的牙齿图像分割方法。
...【技术特征摘要】
1.一种牙齿图像分割模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，分别对编码器三个阶段的输出特征图进行基于通道门控的特征融合包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，x等于4。
4.根据权利要求1所述的方法，其特征在于，编码器包括lgff模块，在lgff模块中，分别对输入特征图进行局部特征提取和全局特征提取，并将提取的局部特征图和全局特征图进行拼接，拼接后进行深度可分离卷积，得到融合特征图，最后通过最大池化操作进行下采样。
5.根据权利要求4所述的方法，其特征在于，局部特征提取包括以下步骤：分别对输入特征图进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加；使用relu函数激活，进行1×1卷积和归一化后进行逐元素相加；然后分别进行3×3卷积、1×1卷积，分别归一化后进行逐元素相加。
6.根据权利要求4所述的方法，其特征在于，全局特征提取包括以下步骤：将输入特征图重构为多维特征图，再对每个维度的特征分别...
【专利技术属性】
技术研发人员：段彧，周子煊，易玉根，黄欣，罗勇，林孚荣，
申请(专利权)人：江西师范大学，
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。