基于深度学习的牙位识别方法、程序、存储介质、系统和装置与流程

本发明涉及口腔影像处理，尤其涉及一种基于深度学习的牙位识别方法、程序、存储介质、系统和装置。

背景技术：

1、在口腔正畸中需要识别每个牙齿的牙位以做出针对性的矫正方案。但因为不同医生的判断标准不同，以及长时间工作导致的疲劳接诊，直接观察口扫成片的方式判断需要矫正的牙齿可能会有误差。而现有的目标检测框架如fasterrcnn、yolov5、yolov7等，对口扫平面数据进行牙位识别时，会无法分清牙颌左右，造成检测框和对应的分类标号混乱，不能精准识别牙齿。

技术实现思路

1、本发明要解决的技术问题是设计一种基于深度学习的牙位识别方法、程序、存储介质、系统和装置，能够对口扫平面数据利用ai目标检测的结果确定牙齿的标号，改进了目标检测算法，改善以往ai目标检测中在遇到相似性特征时可能会出现的重叠框、重复框和左右不分的情况，可快速准确地确定口扫平面数据中唯一的牙位，解决现有的技术问题。

2、为解决上述技术问题，本发明的一种基于深度学习的牙位识别方法包括如下步骤：

3、步骤s1：获取口扫平面牙颌数据，并处理生成图像文件。

4、步骤s2：将图像文件和一一对应的图像标签制作成目标检测框架要求的数据集格式。

5、步骤s3：使用基于深度学习的目标检测网络对步骤s2制作的数据进行训练，所述目标检测网络包括特征融合模块，所述特征融合模块包括卷积注意力模块，所述卷积注意力模块包括空间注意力模块和通道注意力模块；卷积注意力的计算过程为：

6、f经过通道注意力模块并与f相乘，相乘后的结果f再经过空间注意力模块并与f相乘得到f′，f为卷积注意力的输入特征图，f′为经过卷积注意力处理的输出特征图。

7、步骤s4：用步骤s3中的目标检测网络，对口扫平面进行牙位检测和识别，获取检测结果。

8、进一步的，步骤s1中，通过口扫成像设备拍摄出原始牙颌文件，利用pythonvtk拓展包将原始牙颌文件投影到平面上，确保每颗牙齿都能投影到平面上，将平面保存为图像文件。

9、进一步的，步骤s3中，口扫平面数据的目标检测网络为faster rcnn或yolov5或yolov7。

10、进一步的，步骤s3中：

11、通道注意力的计算过程为：输入特征图f分别经过平均池化和最大池化得到favg和fmax，二者分别经过两层隐含神经网络层处理后相加，再由激活函数计算得到通道注意力结果。

12、空间注意力的计算过程为：输入特征图f分别经过平均池化和最大池化得到favg和fmax，二者在通道维度上进行拼接，并经过卷积进行特征提取，再由激活函数计算得到空间注意力。

13、进一步的，步骤s3中，通道注意力channel_attention的计算公式为：

14、channel_attention＝σ(w1(w0(favg))+w1(w0(fmax)))；

15、其中，σ表示sigmoid激活函数，w1和w0表示隐含层权重，favg示特征图f经过平均池化的结果，fmax表示特征图f经过最大池化的结果。

16、进一步的，步骤s3中，空间注意力spatial_attention的计算公式为：

17、spatial_attention＝σ(conv7×7([favg，fmax]))；

18、其中，σ表示sigmoid激活函数，conv7×7表示7*7卷积，favg示特征图f经过平均池化的结果，fmax表示特征图f经过最大池化的结果，[favg，fmax]表示favg和，fmax在通道维度上进行拼接。

19、本发明还提供一种计算机程序产品，包括计算机指令，所述计算机指令在由处理器运行时使得计算机设备执行如前述的基于深度学习的牙位识别方法。

20、本发明还提供一种计算机可读存储介质，其上存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如前述的基于深度学习的牙位识别方法。

21、本发明还提供一种基于口扫平面数据的牙位识别系统，包括：

22、数据处理模块：用于获取并处理口扫平面牙颌数据；

23、数据制作模块：用于将处理的牙颌数据信息标注标签后制作成数据集；

24、目标检测网络模块：用于数据集进行训练以及对口扫平面进行牙位检测和识别；

25、数据输出模块：输出检测和识别结果。

26、本发明还提供一种基于口扫平面数据的牙位识别装置，包括：

27、至少一个处理器；以及

28、至少一个与所述处理器通信连接的存储器；

29、其中，所述存储器存储有可被处理器执行的指令，所述指令被所述处理器执行，以使该装置执行前述的基于深度学习的牙位识别方法。

30、本发明的有益效果：

31、本发明的基于深度学习的牙位识别方法通过改进网络检测模型，能够对口扫平面数据利用ai目标检测的结果确定牙齿的标号，大幅改善了以往目标检测框架在对口扫平面数据进行牙位识别时，有明显的方向感知缺陷，即无法准确分清口扫平面的左右的问题，可快速准确地确定口扫平面数据中唯一的牙位。

技术特征：

1.一种基于深度学习的牙位识别方法，其特征在于：包括如下步骤：

2.根据权利要求1所述的基于深度学习的牙位识别方法，其特征在于：步骤s1中，通过a扫成像设备拍摄出原始牙颌文件，利用python vtk拓展包将原始牙颌文件投影到平面上，确保每颗牙齿都能投影到平面上，将平面保存为图像文件。

3.根据权利要求1所述的基于深度学习的牙位识别方法，其特征在于：步骤s3中，口扫平面数据的目标检测网络为faster rcnn或yolov5或yolov7。

4.根据权利要求1所述的基于深度学习的牙位识别方法，其特征在于：步骤s3中：

5.根据权利要求4所述的基于深度学习的牙位识别方法，其特征在于：步骤s3中，通道注意力channel_attention的计算公式为：

6.根据权利要求1所述的基于深度学习的牙位识别方法，其特征在于：步骤s3中，空间注意力spatial_attention的计算公式为：

7.一种计算机程序产品，其特征在于：包括计算机指令，所述计算机指令在由处理器运行时使得计算机设备执行如权利要求1-6中任一项所述的基于深度学习的牙位识别方法。

8.一种计算机可读存储介质，其特征在于：其上存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-6中任一项所述的基于深度学习的牙位识别方法。

9.一种基于口扫平面数据的牙位识别系统，其特征在于：包括：

10.一种基于口扫平面数据的牙位识别装置，其特征在于：包括：

技术总结本发明涉及一种基于深度学习的牙位识别方法，包括：S1：获取口扫平面牙颌数据，并处理生成图像文件；S2：将图像文件和一一对应的图像标签制作成目标检测框架要求的数据集格式；S3：使用基于深度学习的目标检测网络对S2制作的数据进行训练；S4：用S3中的目标检测网络，对口扫平面进行牙位检测和识别，获取检测结果。本发明的基于深度学习的牙位识别方法通过改进网络检测模型，能够对口扫平面数据利用AI目标检测的结果确定牙齿的标号，大幅改善了以往目标检测框架在对口扫平面数据进行牙位识别时，有明显的方向感知缺陷，即无法准确分清口扫平面的左右的问题，可快速准确地确定口扫平面数据中唯一的牙位。技术研发人员：王骁崴,王洪建,杨俊,吴连杰受保护的技术使用者：可丽尔医疗科技（常州）有限公司技术研发日：技术公布日：2024/11/4