[发明专利]一种基于深度学习的全自动牙齿CBCT图像分割方法

权利要求书

1.一种基于深度学习的全自动牙齿CBCT图像分割方法，其特征在于：该方法分为边缘图像获取阶段、多帧输入阶段和图像分割阶段；

在边缘图像获取阶段，先获取牙齿CBCT图像中的边缘图像，将得到的边缘图像与原图相加以增强图像的边缘特征；

在多帧输入阶段，将经过边缘图像获取阶段增强了边缘特征的增强图像在通道上进行叠加，从单通道图像叠加成三通道的图像，以获取精确的牙根分割效果；

在图像分割阶段，首先通过骨干网络对多帧输入阶段处理后的图像进行特征提取，然后将提取到的特征图送入候选区生成模块；候选区生成模块为特征图的每个像素按照三种比例和三种大小生成九个候选框，每个候选框再通过分类器和回归器对候选框内的目标进行分类和坐标的回归，再将得到的特征图分别送入分类分支、包围盒分支和掩膜分支生成不同的结果，最后再通过掩膜评分分支对掩膜的质量进行评价，得到准确的掩膜，完成在牙齿CBCT图像中针对牙齿的分割。

2.根据权利要求1所述的牙齿CBCT图像分割方法，其特征在于：在所述边缘图像获取阶段，具体方式为：

首先将RGB图像转换为灰度图像，将灰度图像送入边缘提取网络中获取牙齿的边缘图像；所述边缘提取网络采用Unet的U型网络结构，该结构包括编码器、解码器和跳跃连接三个部分；在所述编码器部分对图像进行卷积核池化，通过对图像使用四次池化操作，能够得到四个不同尺寸的特征；在所述跳跃连接部分，将编码器不同层次的特征图与对应的解码器层次的特征图进行融合得到边缘图像；

然后将得到的边缘图像与灰度图像相加以增强图像的边缘特征。

3.根据权利要求2所述的牙齿CBCT图像分割方法，其特征在于：所述编码器部分包括两个3×3的卷积层和ReLu层，以及一个2×2的最大池化层；所述解码器部分包括一个上采样的卷积层和两个3×3的卷积层；

边缘提取网络所采用的损失函数为交叉熵损失函数：

CE(p)＝-ylogp-(1-y)log(1-p)

式中，y表示真实的像素标签值，y∈{0,1}，p表示网络预测的像素标签值，p∈{0,1}。

4.根据权利要求1所述的牙齿CBCT图像分割方法，其特征在于：在图像分割阶段，所述骨干网络采用ResNet50与特征金字塔网络的结合，同时在骨干网络中加入卷积注意力机制模块以提高骨干网络的有效性。

5.根据权利要求4所述的牙齿CBCT图像分割方法，其特征在于：所述特征金字塔网络包括自下而上分支(down-top branch)、自上而下分支(top-down branch)以及横向连接(lateral connection)三个部分；所述自下而上分支是特征尺寸缩减的过程，其中不同尺寸的特征是各自残差块的输出；自上而下分支是最近邻上采样执行的扩展过程；横向连接将通道与自上而下模块的输出通道对齐。