[发明专利]一种基于深度学习网络的智齿识别和分类方法

说明书

本发明提供了一种基于深度学习网络的智齿识别和分类方法，涉及智齿图像处理技术领域，包括S1：获取全景X片图像构建图像数据集进行预处理，并对智齿进行标注，获得位置标签；S2：对处理标注后的数据集进行划分，构建训练Yolov5网络模型；S3：将图像输入到模型中，识别智齿区域并进行分割，获得局部智齿特征图；S4：根据局部智齿特征图，对智齿牙冠面进行标注，获取牙冠面的标注点集；S5：对标注点集进行线性回归，计算牙轴方向，并根据设定的阈值进行分类。本发明通过Yolov5和Resnet18网络模型实现智齿识别，提高了识别的效率和准确度，且在智齿识别的同时获取了牙体生长方向。

技术领域

本发明涉及智齿图像处理技术领域，特别涉及一种基于深度学习网络的智齿识别和分类方法。

背景技术

智齿又名第三磨牙，常于16岁之后萌出，由于是口内最后一颗萌出的牙齿，多因萌出空间不足，形态异常，萌出方向的原因导致其阻生不能正常萌出,发病率可达80％。由于第三磨牙阻生的原因，邻牙由于无法清洁可出现龋坏，发病率在7％-78.4％；同时还会导致包括智齿冠周炎，咬合干扰和颞下颌关节不适等症状，所以阻生智齿多在发现后及时拔除。

由于第三磨牙从11岁左右开始发育，17岁左右牙根发育完成后根据其生长方向可以判断其是否能够正常萌出且与对合牙建立良好咬合关系。而阻生智齿的拔除难度与其生长方向相关，其难度依次为垂直阻生智齿近中阻生智齿水平阻生智齿倒置阻生智齿，所以在术前准确判断其生长方向有利于评估其拔除的难度以及合理的医患沟通。

当前智齿的识别一般通过口腔全景X片依赖医生的经验进行直接的观察进行判断，这对于智齿的识别具有相当的局限性；现有技术中还有通过神经网络构建的模型进行牙齿类型的识别，然而对于牙齿来说，不同类型的牙齿其特征不同，智齿的识别不同于其它类型牙齿的识别，智齿的识别发现是为了便于后续及时拔出，而智齿的拔出还需要识别获取到智齿的生长方向，现有技术中的关于牙齿识别的神经网络对智齿的识别准确率不高，且并不能获取智齿的生长方向。

发明内容

为解决上述问题，本发明提供了一种基于深度学习网络的智齿识别和分类方法，通过Yolov5网络对初始的全景X片图像进行标注和识别，获得模型的最佳阈值和匹配函数，之后将未训练X片输入进行预测获得标注智齿标签的X线片，对x线片中的智齿标签图片提取后，对牙冠面的高密度影区进行点标注，获得的特征分布于牙冠高密度区的点坐标；通过训练Resnet18网络获得未训练标签智齿图片的特征点坐标，对特征点坐标进行一元线性回归，通过拟合的回归函数获得智齿生长方向函数，进而获取智齿生长角度，根据设定的角度阈值，对智齿进行分类。

本发明提供了一种基于深度学习网络的智齿识别和分类方法，具体技术方案如下：

S1：获取全景X片图像构建图像数据集，对所述图像数据集进行预处理，并对所有所述全景X片图像中的智齿进行标注，获得位置标签；

S2：对处理标注后的数据集进行划分，并构建Yolov5网络模型，将划分后的数据集输入到模型中进行训练，获得训练后的模型；

S3：将图像数据集中的图像输入到模型中，获得网络模型识别的智齿区域，并进行分割，获得局部智齿特征图；

S4：根据得到的所述局部智齿特征图，对智齿牙冠面进行标注，获取图像数据集中牙冠面的标注点集；

S5：对得到的标注点集进行线性回归，获得一元线性回归模型，根据回归模型的系数，获得牙轴方向，并根据设定的阈值进行分类。

进一步的，所述预处理，包括对图像数据集中的数据图像进行直方图均衡化处理和线性变换。

进一步的，对全景X片图像进行所述直方图均衡化处理，将灰度值均衡至[0-255]之间；对进行均衡化的全景X片图像再进行线性变换，所述线性变换的k为3.2，b为-300。