本發(fā)明涉及圖像識別，具體涉及一種基于深度學(xué)習(xí)的人牙裂紋識別方法、設(shè)備和介質(zhì)。

背景技術(shù)：

1、牙裂的早期識別和管理一直是臨床中的關(guān)鍵挑戰(zhàn)。臨床識別嚴(yán)重依賴于臨床醫(yī)生的知識和經(jīng)驗(yàn)，容易因視覺疲勞或判斷錯(cuò)誤而產(chǎn)生不準(zhǔn)確性。此外，即使是經(jīng)驗(yàn)豐富的臨床醫(yī)生也只能識別50μm以上的裂紋，表明人眼對細(xì)節(jié)的敏感度有限。準(zhǔn)確識別微小裂紋并確定其程度，對治療規(guī)劃和預(yù)后至關(guān)重要，但這仍然是極具挑戰(zhàn)性的。長期以來，人們期望開發(fā)一種經(jīng)過充分驗(yàn)證的工具，以協(xié)助臨床醫(yī)生診斷牙齒裂紋、制定治療方案和評估預(yù)后。

2、近年來，人工智能的迅速發(fā)展引起了人們的極大關(guān)注。盡管人工智能在醫(yī)學(xué)領(lǐng)域得到了廣泛應(yīng)用，但很少有研究探討了利用圖像處理技術(shù)和深度學(xué)習(xí)來檢測牙齒裂紋。這方面的研究空白可能歸因于臨床圖像質(zhì)量有限，嚴(yán)重影響了檢測的性能。因此，目前很少有相關(guān)研究轉(zhuǎn)向多源高精度圖像，包括口腔顯微鏡圖像和高分辨率cbct。然而常用的臨床cbct的分辨率相當(dāng)?shù)?，以前在牙裂檢測方面的研究也尚未嘗試應(yīng)用于臨床cbct。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是臨床中對牙齒裂紋識別困難存在，識別精度低，目的在于提供一種基于深度學(xué)習(xí)的人牙裂紋識別方法、設(shè)備和介質(zhì)，通過獲取離體牙切片數(shù)據(jù)，利用離體牙圖像作為學(xué)習(xí)基礎(chǔ)，構(gòu)建人牙裂紋識別模型對切片數(shù)據(jù)進(jìn)行處理，對離體牙的切片數(shù)據(jù)進(jìn)行裂紋判斷，提高了對牙齒裂紋敏感度有限的情況下對牙齒裂紋的識別能力和識別精度。

2、本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

3、本發(fā)明第一方面提供一種基于深度學(xué)習(xí)的人牙裂紋識別方法，包括以下具體步驟：

4、獲取離體牙的切片數(shù)據(jù)，對切片數(shù)據(jù)進(jìn)行預(yù)處理得到樣本訓(xùn)練集；

5、構(gòu)建人牙裂紋識別模型，將樣本訓(xùn)練集輸入到人牙裂紋識別模型中：

6、對切片數(shù)據(jù)進(jìn)行卷積操作和下采樣操作，得到切片的特征圖；

7、將特征圖進(jìn)行位置編碼，對編碼后的特征圖進(jìn)行特征矩陣展平處理，得到一維特征向量；

8、對一維特征向量進(jìn)行注意力計(jì)算，得到特征向量；

9、獲取當(dāng)前切片的前一張切片，將特征向量和前一張切片數(shù)據(jù)進(jìn)行拼接和卷積操作，得到特征融合后的特征圖；

10、將前一張切片作為目標(biāo)切片，得到的空間記憶隊(duì)列；

11、將特征向量、特征融合后的特征圖和空間記憶隊(duì)列進(jìn)行注意力計(jì)算、特征提取和非線性變換，得到當(dāng)前目標(biāo)切片的輸出特征向量；

12、對輸出特征向量進(jìn)行最大池化卷積和線性變換，得到對切片數(shù)據(jù)的裂紋預(yù)測結(jié)果；

13、構(gòu)建損失函數(shù)對裂紋預(yù)測結(jié)果進(jìn)行優(yōu)化，得到優(yōu)化后的人牙裂紋識別模型；

14、使用sgd優(yōu)化器設(shè)置學(xué)習(xí)率，基于學(xué)習(xí)率對優(yōu)化后的人牙裂紋識別模型訓(xùn)練；

15、得到訓(xùn)練后的人牙裂紋識別模型，對離體牙的切片數(shù)據(jù)進(jìn)行裂紋判斷。

16、本發(fā)明通過獲取離體牙切片數(shù)據(jù)，利用離體牙圖像作為學(xué)習(xí)基礎(chǔ)，構(gòu)建人牙裂紋識別模型對切片數(shù)據(jù)進(jìn)行處理，對離體牙的切片數(shù)據(jù)進(jìn)行裂紋判斷，提高了對牙齒裂紋敏感度有限的情況下對牙齒裂紋的識別能力和識別精度。

17、進(jìn)一步的，所述樣本訓(xùn)練集的獲取步驟包括：

18、獲取離體牙m(xù)icro-ct和cbct影像，對影像進(jìn)行切片處理，得到切片數(shù)據(jù)；

19、基于micro-ct提供的裂紋位置信息，獲取對應(yīng)的單顆牙cbct數(shù)據(jù)中的裂紋分布信息并轉(zhuǎn)化為標(biāo)簽；

20、將每顆牙的cbct圖像與對應(yīng)的標(biāo)簽數(shù)據(jù)進(jìn)行整合，得到樣本訓(xùn)練集。

21、進(jìn)一步的，構(gòu)建的人牙裂紋識別模型包括：

22、特征提取器，包括convnext網(wǎng)絡(luò)的前四個(gè)下采樣階段；其中，每個(gè)階段包括歸一化層、卷積層、深度卷積層和激活函數(shù)層；

23、鄰近感知模塊，包括多個(gè)包含多頭注意力層和歸一化層的混合模塊；

24、深度空間引導(dǎo)模塊，包括卷積層，多頭注意力層，歸一化層和全連接層。

25、進(jìn)一步的，切片的尺寸為，切片的特征圖尺寸為，一維特征向量的尺寸為，其中，c表示特征提取器模塊中第一個(gè)下采樣階段的輸出通道數(shù)，w和h分別代表特征圖的寬和長。

26、進(jìn)一步的，所述對一維特征向量進(jìn)行注意力計(jì)算，得到特征向量，具體計(jì)算步驟包括：

27、；

28、其中，表示鄰近感知模塊的注意力計(jì)算，表示歸一化指數(shù)函數(shù)，表示目標(biāo)切片的特征圖進(jìn)行展平處理得到一維特征向量，表示目標(biāo)切片的前一張切片的特征圖進(jìn)行展平處理得到一維特征向量，表示目標(biāo)切片的后一張切片的特征圖進(jìn)行展平處理得到一維特征向量，，表示的轉(zhuǎn)置，為用于指示當(dāng)前一維向量屬于目標(biāo)切片的標(biāo)識，為用于指示當(dāng)前一維向量屬于目標(biāo)切片相鄰的前一張切片的標(biāo)識，為用于指示當(dāng)前一維向量屬于目標(biāo)切片相鄰的后一張切片的標(biāo)識，表示一維特征向量的維度。

29、進(jìn)一步的，所述將特征向量、特征融合后的特征圖和空間記憶隊(duì)列進(jìn)行注意力計(jì)算，具體包括：

30、獲取特征融合矩陣尺寸和空間記憶隊(duì)列尺寸；

31、對特征向量經(jīng)過卷積處理和softmax函數(shù)處理，對處理后的特征向量通過殘差連接與未處理的特征向量自身相乘；

32、將相乘后的特征向量與當(dāng)前目標(biāo)切片的輸出特征向量在通道維度進(jìn)行拼接，得到的特征融合矩陣，尺寸為；

33、經(jīng)過卷積處理將特征融合矩陣尺寸調(diào)整為；

34、獲取空間記憶隊(duì)列的尺寸；

35、基于特征融合矩陣尺寸和空間記憶隊(duì)列尺寸，對獲取的特征向量、特征融合后的特征圖和空間記憶隊(duì)列進(jìn)行注意力計(jì)算，具體計(jì)算步驟包括：

36、；

37、其中，表示深度空間引導(dǎo)模塊中的多頭注意力計(jì)算，表示特征融合后的特征圖，表示進(jìn)行注意力計(jì)算后輸出特征向量，表示作為目標(biāo)切片時(shí)得到的空間記憶隊(duì)列，為目標(biāo)切片的序號，表示特征向量的維度，其中為用于指示經(jīng)過注意力計(jì)算后得到的特征向量的標(biāo)識。

38、進(jìn)一步的，在更新空間記憶隊(duì)列的過程中，當(dāng)隊(duì)列達(dá)到最佳隊(duì)列長度后，自動(dòng)將當(dāng)前隊(duì)列中最遠(yuǎn)端切片特征信息進(jìn)行從隊(duì)列頭部刪除，具體計(jì)算步驟包括：

39、；

40、其中表示更新后的空間記憶隊(duì)列，n表示最佳隊(duì)列長度，idx表示當(dāng)前目標(biāo)切片的序號，idx+1表示當(dāng)前目標(biāo)切片相鄰的前一切片的序號，表示對空間記憶隊(duì)列進(jìn)行更新，將融入到后得到的新的空間記憶隊(duì)列，，即，用于判斷a是否大于b，如果a大于b，則執(zhí)行，否則執(zhí)行d，在中用于判斷idx是否大于n，如果idx大于n，則執(zhí)行，否則執(zhí)行0，?表示一種存在量詞，表示序號為idx-n的目標(biāo)切片的輸出特征向量，表示序號為idx-n的目標(biāo)切片，表示序號為idx目標(biāo)切片的輸出特征向量，為指數(shù)衰減權(quán)重。

41、進(jìn)一步的，所述構(gòu)建損失函數(shù)對裂紋預(yù)測結(jié)果進(jìn)行優(yōu)化，具體步驟包括：

42、采用crossentropy?loss函數(shù)和smoothl1?loss函數(shù)構(gòu)建損失函數(shù)；

43、將整個(gè)切片序列的預(yù)測概率值與整個(gè)切片序列的目標(biāo)值進(jìn)行比較，基于損失函數(shù)對每張牙齒切片預(yù)測的概率值進(jìn)行調(diào)整，具體計(jì)算步驟包括：

44、；

45、其中n表示單顆牙齒的切片數(shù)，表示模型預(yù)測的第i張切片有裂紋的概率值，pred為用于指示概率值為網(wǎng)絡(luò)預(yù)測的概率值的標(biāo)識，表示設(shè)置的第i張切片的smoothl1?loss函數(shù)的目標(biāo)值，target為用于指示目標(biāo)值的標(biāo)識，表示第i張切片的類別編號，其中ture為用于指示真實(shí)類別的標(biāo)識。

46、本發(fā)明第二方面提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)一種基于深度學(xué)習(xí)的人牙裂紋識別方法。

47、本發(fā)明第三方面提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種基于深度學(xué)習(xí)的人牙裂紋識別方法。

48、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

49、通過獲取離體牙切片數(shù)據(jù)，利用離體牙圖像作為學(xué)習(xí)基礎(chǔ)，構(gòu)建人牙裂紋識別模型對切片數(shù)據(jù)進(jìn)行處理，對離體牙的切片數(shù)據(jù)進(jìn)行裂紋判斷，提高了對牙齒裂紋敏感度有限的情況下對牙齒裂紋的識別能力和識別精度。