基于深度学习的颌骨密度分类方法、系统及介质

摘要

本发明公开了一种基于深度学习的颌骨密度分类方法，包括以下步骤，步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；步骤二，构建颌骨密度分类网络模型并训练：将CT值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；所述颌骨密度分类网络模型采用nested‑unet作为骨干网络，并在网络模型的末尾加入self‑attention网络；步骤三，颌骨密度预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。

说明书

技术领域

本发明涉及人工智能领域，特别涉及一种基于深度学习的颌骨密度分类方法。

背景技术

种植牙是迄今最理想的缺牙修复方式，其实施过程也相当复杂，在种植牙之前首先需要患者对预种植部位进行放射线成像检查来进行多方面的评估，其中，种植区的骨密度评估是取得牙种植术成功的关键步骤，如何对颌骨骨密度进行精确、有效、实用的测量，对种植及牙周手术的制定及预后的判定具有非常重要的指导作用。

口腔锥形束CT已成为口腔医学领域应用广泛的成像设备，相较螺旋CT，CBCT辐射剂量大幅下降，且其图像质量可靠，是一种精确且快速用于测量骨小梁细微结构的高分辨率的数字影像。并且，口腔锥形束CT能获得一个三维方向上的骨结构重建。

目前在口腔CT的临床诊断和治疗中，医生或技师是依靠重建图像中骨小梁的空间排布的稀疏程度来进行颌骨骨密度的判别，且只能根据经验做分级判别，没有具体的骨密度数值作为精准参考。现有技术中的口腔CT设备不能表示单位骨体积或面积的骨矿物质含量，即骨密度指标。而且，由于CBCT采用X射线锥束扫描成像的原因，导致其图像的CT值不稳定，现有技术中的通过CT值作为反映骨密度的参数，从而测量骨密度的方式，用来评估骨密度还具有不准确的问题。

发明内容

本发明要解决的技术问题是提供一种可以自动对口腔颌面CT切片图像进行自动划分骨密度的颌骨密度分类方法，采用的技术方案如下

一种基于深度学习的颌骨密度分类方法，包括以下步骤，

步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；

步骤二，构建颌骨密度分类网络模型并训练：将CT值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；

所述颌骨密度分类网络模型采用nested-unet作为骨干网络，并在网络模型的末尾加入self-attention网络；

步骤三，颌骨密度预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。

进一步的，所述颌骨密度分类网络模型的损失函数由

进一步的，所述损失函数中，

其中，y表示标签，

进一步的，

其中，A和B分别表示预测结果和GT，

进一步的，所述self-attention网络的公式表示为:

进一步的，所述第口腔颌面CT切片图像数据预处理的具体步骤包括：

根据医学经验设置CT值的最大值和最小值，将CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值；而后对CT值作归一化处理；

预设颌骨密度等级标准，对颌骨密度数据按预设标准进行分类。

进一步的，所述颌骨密度等级标准是根据密质骨和松质骨的含量比例以及松质骨的疏密程度进行划分，划分出5个密度等级。

一种颌骨密度分类系统，包括处理器和存储器，所述存储器上存储有可被所述处理器执行的计算机可读程序，所述处理器执行计算机可读程序时实现基于深度学习的颌骨密度等级分类方法中的步骤。

一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行以实现上述任一步骤所述的基于深度学习的颌骨密度等级分类方法中的步骤。

采用上述技术方案，本发明通过构建颌骨密度分类网络，将颌骨CBCT切片输入训练完成的网络就可以对切片中的颌骨自动进行密度等级分类，并直观的展示出来，解决了颌骨密度判断完全依靠医生经验为之，临床中分类不统一的问题。为了使网络输出的结果更加精准，还在骨干网络的末尾加入了self-attention网络，将nested-unet的输出作为self-attention的输入，通过该操作寻找其各个位置影像之间的内在联系，以便得到更加准确的等级分类。

附图说明

图1为本发明颌骨密度分类方法步骤流程图；

图2为本发明一种实施例中颌骨分类效果图；

图3为本发明另一种实施例中颌骨分类效果图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

参见图1，一种基于深度学习的颌骨密度分类方法，包括以下步骤，

S1：步骤一，获取训练集数据：获取以往医学临床中的口腔颌面CT切片图像数据并预处理，对口腔颌面CT切片图像进行CT值以及颌骨密度等级标注；

优选的，所述第口腔颌面CT切片图像数据预处理的具体步骤包括：

S11：根据医学经验设置CT值的最大值和最小值，将CT值超过最大值的设置为最大值，将CT值小于最小值的设置为最小值；而后对CT值数据作归一化处理；

本实施例中，口腔颌面CT切片图像是通过口腔锥形束CT（即CBCT）获取到，CT值的单位是HU，数值跨度非常大，有些过高以及过低的数值对预测没有帮助，因此，根据医学经验设置数据的最大值为1000，最小值为-200，将数据中CT值大于最大值的统一设定为最大值1000，小于最小值的统一设置为最小值-200。

S12：预设颌骨密度等级标准，对颌骨密度数据按预设标准进行分类。

具体的，等级标准的预设是通过多个有多年临床经验的医生专业知识以及对颌骨密度数据进行聚类分析后得出的，所述颌骨密度等级标准是根据密质骨和松质骨的含量比例以及松质骨的疏密程度进行划分，划分出5个密度等级。

S2：步骤二，构建颌骨密度分类网络模型并训练：将CT数值作为输入，颌骨密度等级作为输出，利用训练集数据对颌骨密度分类网络模型进行训练学习直至模型收敛；

本发明实施例中，所述颌骨密度分类网络模型采用nested-unet（也称unet++）作为骨干网络，并在网络模型的末尾加入self-attention网络；

nested-unet网络是将不同层级的unet堆叠起来类，并在其中增加了密集的短连接（上采样和下采样），进行深浅层特征的融合，实现了对尺度信息的提取和融合，特征提取效果更好。为了使网络输出的结果更加精准，在划分颌骨密度等级时不能单纯参考当前像素的信息，还需要结合周围像素的信息，因此，本实施例中还在骨干网络的末尾加入了self-attention网络，将nested-unet的输出作为self-attention的输入，通过该操作寻找其各个位置影像之间的内在联系，以便得到更加准确的等级分类。

所述颌骨密度分类网络模型的损失函数由

使用Pixel-Level的 focalLoss和 Class-Level的

上述损失函数中，

其中，y表示标签，

上述损失函数中，

其中，A和B分别表示预测结果和GT（Ground Truth），

所述self-attention网络的公式表示为:

S3：步骤三，颌骨密度等级预测：将实时得到的口腔颌面CT切片图像输入训练完成的颌骨密度分类网络模型中，输出颌骨密度等级分类结果。

预测过程中，首先将颌骨区域和非颌骨区域分割出来，在口腔颌面CT切片图像中，没有CT数值的区域，被划分为非颌骨区域，在划分的基础上，再进行颌骨密度等级预测。参见，2-3分别为两张颌骨切片以及识别效果图，图片中，最左侧为颌骨矢状面影像原图，中间为医生对颌骨矢状面影像进行标注后的效果图，最右边为采用本发明网络输出的颌骨识别效果图。

第二方面，本发明提供一种颌骨密度分类系统，包括处理器和存储器，所述存储器上存储有可被所述处理器执行的计算机可读程序，所述处理器执行计算机可读程序时实现上述任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。

第三方面，本发明提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序被处理器执行以实现上述任意一项所述的基于深度学习的颌骨密度等级分类方法中的步骤。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。