一种基于AI算法的龋病和牙菌斑检测其分布方法与流程

一种基于ai算法的龋病和牙菌斑检测其分布方法
技术领域
1.本发明涉及临床口腔医学技术领域，具体是一种基于ai算法的龋病和牙菌斑检测其分布方法。


背景技术：

2.龋病和牙周病是口腔两大主要固有疾病；龋病是一种由多因素导致的细菌性疾病，病变范围从浅到深可累及牙釉质、牙本质、牙骨质；若不及时治疗，致病菌可进一步深入侵犯牙髓，引起牙髓炎或根尖周炎，严重者甚至会导致牙齿缺失；牙菌斑是牙周病发病的始动因子，是否及时控制菌斑，可直接影响牙周病的发生和预后；牙周病包括牙龈病和牙周炎，病变从牙龈波及深部牙周组织的牙周膜、牙槽骨及牙骨质，可导致牙松动、脱落，甚至丧失咀嚼功能。除了给患者带来的生理不适，龋齿和牙周病也将严重影响患者的外表美观，引发自卑社恐等心理问题。
3.传统方法检测龋损患牙，是通过医生的临床检查和探诊来鉴别病损组织的界限，但此方法非常依赖医生的经验，不同医生有着不同的主观评价标准，即使是同一个医生的诊断受不同环境和器械的影响也会有差异，国外现有的龋齿和牙菌斑检测设备，利用牙齿的荧光效应，采用定量光导荧光技术(quantitative light
‑
induced fluorescence,qlf)，使用特殊摄像头接收反射的荧光图像，通过重建健康釉质的荧光获得荧光损失，计算实际表面和重建表面之间的百分比差异来确定荧光的减少，荧光降低超过5％的任何区域被视为病变，现有的龋齿和牙菌斑检测设备不仅昂贵，而且没有智能的诊断输出，只能作为辅助设备，要做出有效的诊断还需要人工干预。


技术实现要素：

4.本发明的目的在于提供一种基于ai算法的龋病和牙菌斑检测其分布方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于ai算法的龋病和牙菌斑检测其分布方法，实现方法包括以下步骤：
7.s10、龋病和牙菌斑数据集构建：在特殊光源和自然光状态下，采集全口牙位的牙齿图像，龋病和牙菌斑程度与分布数据，对采集到的数据按照患龋程度和菌斑程度进行分类，按照分类和位置进行标注，按照图像质量进行清洗，完成数据集的构建；
8.s20、龋病和牙菌斑检测模型训练：将数据集按比例随机分割为龋病和牙菌斑检测模型训练集、龋病和牙菌斑检测模型验证集和龋病和牙菌斑检测模型测试集，构建龋病和牙菌斑检测预训练模型，将数据集输入到预训练模型，进行数据训练、验证和测试，得到龋病和牙菌斑检测的模型；
9.s30、龋病和牙菌斑检测模型应用：将待测的图像作为输入，可输出相应牙位的患龋程度、菌斑程度及位置分布情况。
10.作为本发明再进一步的方案：所述s10步骤中在采集全口牙位的牙齿图像时，每个
牙位分别采集颌面、颊面、舌面和邻面的图像，从而使得每张牙位图像中都有一个完整的牙齿；在采集全口牙位的牙齿数据时，由口腔科医生对全口牙齿进行检查，记录icdas评分、菌斑指数和位置信息,所述s10步骤中龋病和牙菌斑数据集构建，需要根据记录的icdas评分、菌斑指数对每一个牙位的不同牙面图像进行分类；使用标注工具按照分类信息和位置信息在图像上标注；标注完成后重新审查标注，删除重复信息、纠正错误信息；同时将对焦不准、颜色偏差严重的图像剔除。
11.作为本发明再进一步的方案：所述s10步骤中数据集分类包括患龋程度、龋损位置、菌斑程度和菌斑附着位置，其中:
12.患龋程度：按照icdas的等级将患龋程度分为0～6，共7个等级，分为caries_0～caries_6，其中caries_0表示无龋；
13.龋损位置：当患龋程度大于0时，标志出龋损位置；
14.菌斑程度：按照菌斑指数将菌斑程度分为0～3，共4个等级，分为qlaque_0～qlaque_3，其中qlaque_0表示无菌斑；
15.菌斑附着位置：当菌斑程度大于0时，标志出菌斑位置。
16.作为本发明再进一步的方案：所述s30步骤中通过ai算法预测每个牙位的患龋程度、菌斑程度及位置分布情况，当程度大于0时，输出完整牙位、龋损位置或菌斑附着位置边界框，打印其置信度；所述边界框包括矩形、圆形或多边形中任一种；所述ai算法包括，模型检测、评估算法和判断算法；所述模型检测是，将待测的牙位图像输入到龋病和牙菌斑检测模型，通过模型检测输出患龋程度、菌斑程度及位置分布情况；所述评估算法是，在全口的牙位都完成预测后，根据全口情况统计输出诊断报告和口腔健康综合指数得分，所述口腔健康综合指数计算公式如下：
[0017][0018]
其中h代表健康牙面数，cq代表存在龋病或牙菌斑的牙面数，a代表检测全口的牙面数；
[0019]
所述判断算法是，当某牙位的患龋程度或菌斑程度大于0时，龋损位置或菌斑附着位置的边界框有可能存在重叠；当两个边界框出现重叠时，计算两个边界框的重叠度，保留其中重叠度大的边界框；其中重叠度的计算公式如下：
[0020][0021]
其中i
(b1,b2)
为两个边界框交集面积，u
(bi)
为其中边界框面积，confidence为其中边界框的置信度；
[0022]
当某牙位的患龋程度或菌斑程度等于0时，模型预测的龋损位置或菌斑附着位置，算法判定为无效；
[0023]
当模型预测的龋损位置或菌斑附着位置边界框出现在完整牙位边界框外，算法判定为无效。
[0024]
作为本发明再进一步的方案：所述s10步骤中数据集的构建过程中需要收集样本数据集，并在收集样本数据集前，对样本量进行估计，所述样本量与显著性水平α、容许误差δ、分类类别c以及灵敏度或特异度的估计值p参数有关，其中，α值越小，所需样本量越大；δ
值越小，所需样本量越大；c值越大，所需样本量越大；并用灵敏度的估计值计算正向样本量，用特异度的估计值计算负向样本量；
[0025]
所述样本量的计算公式如下：
[0026][0027]
其中，u
α
为正态分布中累积概率为时的u值。
[0028]
作为本发明再进一步的方案：所述s10步骤中采集的图像包括：使用光纤光学透射照明法采集的图像；使用x射线成像技术采集的图像，使用红外光散射特性技术采集的图像；使用特殊光源激发的牙齿荧光图像。
[0029]
作为本发明再进一步的方案：所述s20步骤中使用的模型，包括：线性回归、逻辑回归、线性判别分析、决策树、朴素贝叶斯、k
‑
最邻近算法、学习矢量量化、支持向量机、套袋和随机森林和深度神经网络；当选用深度神经网络模型时，需要使用模型的预训练权重，所述深度神经网络模型实现步骤如下：
[0030]
s11、通过预先使用大量资源进行模型训练，使模型获得较好的性能；
[0031]
s21、使用s10步骤中采集的龋病和牙菌斑的图像数据集进行模型的训练，生成适合龋病和牙菌斑检测的模型权重。
[0032]
与现有技术相比，本发明的有益效果：
[0033]
本发明通过龋病和牙菌斑数据集构建、龋病和牙菌斑检测模型训练和龋病和牙菌斑检测模型应用训练ai算法模型，在不需要人工介入的情况下，检测龋病和牙菌斑的分布，检测的结果符合龋病诊断金标准(组织切片)和牙菌斑诊断标准的判断，并且在特定的牙面判断上灵敏度和特异性甚至优于经验医生的视诊和探诊，从而避免了其他设备由于不同外形、光照和拍摄角度带来的检测结果错误，同时也解放了医生和专业人员。
附图说明
[0034]
图1为一种基于ai算法的龋病和牙菌斑检测其分布方法的流程示意图；
[0035]
图2为一种基于ai算法的龋病和牙菌斑检测其分布方法的检测结果示意图；
[0036]
图3为一种基于ai算法的龋病和牙菌斑检测其分布方法的训练过程中的loss损失函数变化曲线图；
[0037]
图4为一种基于ai算法的龋病和牙菌斑检测其分布方法的训练过程中的map值随迭代次数变化曲线图；
[0038]
图5为一种基于ai算法的龋病和牙菌斑检测其分布方法的模型优化对比图。
具体实施方式
[0039]
本发明实施例中，一种基于ai算法的龋病和牙菌斑检测其分布方法，实现方法包括以下步骤：
[0040]
s10、龋病和牙菌斑数据集构建：在特殊光源和自然光状态下，采集全口牙位的牙齿图像，龋病和牙菌斑程度与分布数据，对采集到的数据按照患龋程度和菌斑程度进行分类，按照分类和位置进行标注，按照图像质量进行清洗，完成数据集的构建；
[0041]
s20、龋病和牙菌斑检测模型训练：将数据集按比例随机分割为龋病和牙菌斑检测模型训练集、龋病和牙菌斑检测模型验证集和龋病和牙菌斑检测模型测试集，构建龋病和牙菌斑检测预训练模型，将数据集输入到预训练模型，进行数据训练、验证和测试，得到龋病和牙菌斑检测的模型；
[0042]
s30、龋病和牙菌斑检测模型应用：将待测的图像作为输入，可输出相应牙位的患龋程度、菌斑程度及位置分布情况。
[0043]
优选的，s10步骤中在采集全口牙位的牙齿图像时，每个牙位分别采集颌面、颊面、舌面和邻面的图像，从而使得每张牙位图像中都有一个完整的牙齿；在采集全口牙位的牙齿数据时，由口腔科医生对全口牙齿进行检查，记录icdas评分、菌斑指数和位置信息,s10步骤中龋病和牙菌斑数据集构建，需要根据记录的icdas评分、菌斑指数对每一个牙位的不同牙面图像进行分类；使用labelimg标注工具按照分类信息和位置信息在图像上标注，使用矩形框按照密集标注方式，标注各类的位置和类名，保存成到标注文档中；标注完成后重新审查标注，删除重复信息、纠正错误信息；同时将对焦不准、颜色偏差严重的图像剔除。
[0044]
优选的，s10步骤中数据集分类包括患龋程度、龋损位置、菌斑程度和菌斑附着位置，其中:
[0045]
患龋程度：按照icdas的等级将患龋程度分为0～6，共7个等级，分为caries_0～caries_6，其中caries_0表示无龋；
[0046]
龋损位置：当患龋程度大于0时，标志出龋损位置；
[0047]
菌斑程度：按照菌斑指数将菌斑程度分为0～3，共4个等级，分为qlaque_0～qlaque_3，其中qlaque_0表示无菌斑；
[0048]
菌斑附着位置：当菌斑程度大于0时，标志出菌斑位置；
[0049]
其中，每一张牙位图像包含上述四种类型中至少一种。
[0050]
优选的，s30步骤中通过ai算法预测每个牙位的患龋程度、菌斑程度及位置分布情况，当程度大于0时，输出完整牙位、龋损位置或菌斑附着位置边界框，打印其置信度；边界框包括矩形、圆形或多边形中任一种；所述ai算法包括，模型检测、评估算法和判断算法；所述模型检测是，将待测的牙位图像输入到龋病和牙菌斑检测模型，通过模型检测输出患龋程度、菌斑程度及位置分布情况；所述评估算法是，在全口的牙位都完成预测后，根据全口情况统计输出诊断报告和口腔健康综合指数得分，口腔健康综合指数计算公式如下：
[0051][0052]
其中h代表健康牙面数，cq代表存在龋病或牙菌斑的牙面数，a代表检测全口的牙面数；
[0053]
边界框包含5个参数(x,y,w,h,confidence)，其中(x,y)为所述边界框中心相对与图像左上角的偏移量，(w,h)为所述边界框的宽和高，confidence为所述边界框的置信度；
[0054]
所述判断算法是，当某牙位的患龋程度或菌斑程度大于0时，龋损位置或菌斑附着位置的边界框有可能存在重叠；当两个边界框出现重叠时，计算两个边界框的重叠度，保留其中重叠度大的边界框；其中重叠度的计算公式如下：
[0055]
[0056]
其中i
(b1,b2)
为两个边界框交集面积，u
(bi)
为其中边界框面积，confidence为其中边界框的置信度；
[0057]
当某牙位的患龋程度或菌斑程度等于0时，模型预测的龋损位置或菌斑附着位置，算法判定为无效；
[0058]
当模型预测的龋损位置或菌斑附着位置边界框出现在完整牙位边界框外，算法判定为无效。
[0059]
优选的，s10步骤中数据集的构建过程中需要收集样本数据集，并在收集样本数据集前，对样本量进行估计，样本量与显著性水平α、容许误差δ、分类类别c以及灵敏度或特异度的估计值p参数有关，其中，α值越小，所需样本量越大；δ值越小，所需样本量越大；c值越大，所需样本量越大；并用灵敏度的估计值计算正向样本量，用特异度的估计值计算负向样本量；
[0060]
样本量的计算公式如下：
[0061][0062]
其中，u
α
为正态分布中累积概率为时的u值，例如：取u
0.05
＝1.960,u
0.01
＝2.576，当显著性水平α＝0.05，容许误差δ＝0.05，灵敏度和特异度估值均为90％，计算得到估计的样本含量
[0063]
如图3所示，在模型训练迭代过程开始前部分，loss值迅速下降，模型快速学习拟合；后部分loss缓慢减小，趋近于0；其中最小值0.008，表示模型有很好的收敛效果。
[0064]
如图4所示，模型训练过程中的map值随迭代次数变化，图中map代表平均精度均值，计算公式为：
[0065][0066]
其中tp表示预测框和真实框的交并比(iou)大等于0.5的个数，fp表示预测框和真实框的交并比(iou)小于于0.5的个数，从图4可知，第27个epochs，map值达到95.19，故选择第27个epochs的模型权重参数作为最优模型参数。
[0067]
将患龋程度或菌斑程度大于0正确预测出表示真阳(tp)、将患龋程度或菌斑程度等于0错误预测表示为假阳(fp)、将患龋程度或菌斑程度等于0正确预测出表示为真阴(tn)、将患龋程度或菌斑程度大于0错误预测表示为假阴(fn)，使用测试集数据进行性能验证，得到以下指标：
[0068]
准确率(accuracy)：(tp tn)/(tp tn fp fn)＝0.895；
[0069]
精确率(precision)：tp/(tp fp)＝0.913；
[0070]
召回率(recall)：tp/(tp fn)＝0.905；
[0071]
特异性(specificity)：tn/(tn fp)＝0.915。
[0072]
优选的，s10步骤中采集的图像包括：使用光纤光学透射照明法采集的图像；使用x射线成像技术采集的图像，使用红外光散射特性技术采集的图像；使用特殊光源激发的牙齿荧光图像，使用特殊光源为390～430nm波长的光线激发的牙齿荧光图像作为模型的输入，使用这一技术的图像，龋病和牙菌斑的特征更加明显，可以得到具有更好的敏感性、特
异性和准确率的模型。
[0073]
优选的，s20步骤中使用的模型，包括：线性回归、逻辑回归、线性判别分析、决策树、朴素贝叶斯、k
‑
最邻近算法、学习矢量量化、支持向量机、套袋和随机森林和深度神经网络；
[0074]
当s20步骤中使用深度神经网络模型yolov5s，相比于其他网络模型yolov5s拥有速度快、精度高、体积小的优点，易于部署到移动设备上；部署到移动设备时，需要对训练得到的网络模型进行以下转换和优化：
[0075]
模型简化：使用onnx
‑
simplifer简化模型，将cast、identity等节点简化；
[0076]
模型转换：使用onnx2ncnn工具将模型转换为ncnn模型；
[0077]
模型优化：如图5所示，使用一个自定义focus节点，替换ncnn模型不支持的原模型backbone部分focus层；修改permute输出层前面的reshape层grid参数为
‑
1，使模型能自适应输出，不会受输入图像尺寸影响。
[0078]
当选用深度神经网络模型时，需要使用模型的预训练权重，深度神经网络模型实现步骤如下：
[0079]
s11、通过预先使用大量资源进行模型训练，使模型获得较好的性能；
[0080]
s21、使用s10步骤中采集的龋病和牙菌斑的图像数据集进行模型的训练，生成适合龋病和牙菌斑检测的模型权重；预训练权重可以是faster
‑
rcnn的预训练权重，可以是mask
‑
rcnn的预训练权重，也可以是yolo的预训练权重。
[0081]
以上的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。