基于多尺度特征融合与条带形变级联增强的下颌神经管分割方法、系统、设备及介质

本发明涉及口腔医学影像处理与计算机辅助诊断，尤其涉及一种基于多尺度特征融合与条带形变级联增强的下颌神经管分割方法、系统、设备及介质。

背景技术：

1、下颌神经管是位于下颌骨骨皮质下方的骨内管道结构，走行弯曲、管径细小，其空间位置与走行路径的准确识别，对于口腔种植设计、阻生牙拔除、下颌骨手术等临床操作的术前评估具有重要意义。种植体若误入下颌神经管区域，可能导致下唇麻木、感觉异常等并发症，因此，术前明确下颌管走行范围是口腔外科安全治疗的关键环节之一。

2、目前，临床常用的下颌管定位方式主要包括医师在口腔全景片上的人工读片勾画，以及基于锥形束计算机断层扫描（cbct）的三维重建与逐层标注。人工读片依赖医师经验，工作量大、效率较低，且不同阅片者之间存在主观差异；cbct标注虽精度较高，但设备成本较高、辐射剂量相对较大，且三维逐层勾画耗时较长，难以在大规模筛查或常规全景片阅片场景中高效推广。因此，如何基于临床已广泛应用的口腔全景片，实现下颌管的自动、准确、稳定分割，成为口腔智能化诊疗中亟待解决的技术问题。

3、随着深度学习技术的发展，语义分割方法已被应用于医学影像中的器官与病灶提取。然而，将现有分割方法直接用于下颌管识别仍面临诸多困难：其一，下颌管在全景片中呈细长管状结构，宽度仅占少量像素，前景与背景极度不平衡，常规交叉熵损失难以获得理想分割效果；其二，下颌管走行方向多变，局部存在弯曲、分叉及与周围骨纹理混淆的情况，普通各向同性卷积感受野难以有效建模管状拓扑特征；其三，全景图像素尺寸大，全图训练显存开销高，通常需采用分块训练与滑窗推理，对多尺度上下文融合能力提出更高要求；其四，单纯依赖像素级重叠指标优化的模型，易出现管状结构断裂、不连续等拓扑错误，影响临床可用性。

4、现有基于u-net、fpn等结构的分割网络虽具备一定多尺度特征融合能力，但对细长管状目标的定向特征提取仍显不足；部分方法虽引入注意力机制或额外损失函数，但在全景片大分辨率场景下对下颌管整体连通性与边界精度的兼顾能力仍有待提升。因此，有必要设计一种面向口腔全景片的下颌管分割方案，在充分融合多尺度上下文信息的同时，强化管状结构特征表达，并结合适用于细长目标的复合损失函数进行训练，以实现下颌管的高精度、高连通性自动分割。

技术实现思路

1、本发明要解决的技术问题在于克服现有口腔全景片下颌神经管分割方法中细长管状结构特征提取不足、拓扑连通性保持困难、类别不平衡导致分割精度受限的不足，提供一种基于多尺度特征融合与条带形变级联增强的下颌神经管分割方法、系统、设备及介质。本发明基于internimage骨干网络与uperheadstrip解码架构，有效提升下颌神经管分割的精度和拓扑完整性，实现准确的管状结构提取。

2、为解决上述目的，本发明采用如下技术方案：一种基于多尺度特征融合与条带形变级联增强的下颌神经管分割方法，包括以下步骤：

3、s1，采集口腔全景片影像，并以cbct三维标注为金标准构建像素级监督训练数据集；

4、s2，将像素级监督训练数据集输入下颌神经管语义分割网络；所述下颌神经管语义分割网络采用编码器-解码器结构，包括 internimage 骨干网络、uperheadstrip 主解码头、全卷积网络辅助解码头及分类输出层；

5、internimage骨干网络，通过四个级联阶段依次提取多尺度特征，得到分辨率递减、通道数递增的四层特征图；

6、uperheadstrip 主解码头包括特征金字塔模块、条带形变级联增强模块；

7、对深层特征进行多尺度池化与上采样融合，再与浅层特征进行横向连接与逐层相加，构建融合多尺度上下文信息的特征金字塔模块，得到融合后的特征；

8、将所述多融合后的特征输入条带形变级联增强模块；所述条带形变级联增强模块包括串行级联的固定条带卷积子模块与条带形变补偿子模块，输出形变增强后的特征，再经分类输出层映射，得到主分割结果；

9、s3，采用多分量复合损失函数对下颌神经管语义分割网络进行端到端训练，采用全卷积网络辅助解码头对多尺度特征的中间层特征进行加权交叉熵辅助监督；

10、s4，训练完成后，将待测口腔全景片输入所述训练好的下颌神经管语义分割网络，经步骤s2前向传播得到形变增强后的特征，再经所述分类输出层映射至类别通道并经上采样，输出最终的分割预测图。

11、所述internimage骨干网络为经 imagenet 预训练并微调的 internimage 网络，以 dcnv3 可变形卷积为核心算子，通过四个级联阶段提取多尺度特征，依次输出 c1、c2、c3、c4 四层特征图。

12、所述特征金字塔模块具体如下：

13、以c4为输入进行多尺度池化，各分支经卷积降维、上采样后与原c4拼接，经瓶颈层压缩得到金字塔场景解析融合特征；

14、对c1、c2、c3经横向卷积降维，与金字塔场景解析融合特征自顶向下逐层相加融合；

15、融合后各层经卷积处理、上采样对齐、通道拼接并压缩，得到fpn融合特征。

16、所述条带形变级联增强模块包括水平条带分支和垂直条带分支；

17、水平条带分支采用 1×k 深度可分离卷积对融合后的特征进行水平方向特征提取；

18、垂直条带分支采用 k×1 深度可分离卷积对融合后的特征进行垂直方向特征提取；

19、将水平条带分支与垂直条带分支输出逐元素相加，经 1×1 卷积、批归一化及激活函数融合，得到条带增强特征 s；

20、以条带增强特征 s 为输入，在水平条带分支与垂直条带分支分别预测 k 个采样点偏移量；

21、对采样点偏移量进行限幅处理得到偏移增量，并以条带卷积核中心采样点为锚点，将该锚点处偏移量置为零后，沿条带主轴方向分别向两侧对所述偏移增量进行逐点累积，得到各采样点的形变偏移量；基于所述形变偏移量，通过双线性插值进行可变形条带采样与加权聚合；将水平条带分支、垂直条带分支输出与条带增强特征 s 在对应位置、对应通道上逐元素相加，形成残差连接，再经 1×1 卷积融合，输出形变增强后的特征。

22、所述步骤s3中，uperheadstrip主解码头通过加权交叉熵损失、dice损失、lovász损失及中心线dice损失的加权和进行主监督，同时fcn辅助解码头对internimage骨干网络第三路输出的c3特征以加权交叉熵损失进行辅助监督，辅助损失权重为0.5。

23、一种基于多尺度特征融合与条带形变级联增强的下颌神经管分割系统，包括：

24、图像获取与预处理模块，用于获取口腔全景片影像，构建像素级监督训练数据集；

25、特征提取模块，用于将口腔全景片影像输入internimage骨干网络提取多尺度特征；

26、多尺度融合与条带形变级联增强模块，用于融合骨干网络多尺度特征并增强管状结构表达，包括金字塔场景解析融合、特征金字塔网络构建及固定条带卷积子模块与条带形变补偿子模块的串行级联处理；

27、模型训练模块，用于通过多分量复合损失函数进行端到端训练，并辅以辅助监督；

28、分割结果输出模块，用于映射分类并上采样输出分割预测图。

29、一种下颌神经管分割电子设备，包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述方法的步骤。

30、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任一所述方法的步骤。

31、采用上述技术方案后，本发明与现有技术相比具有以下有益效果：

32、（1）此方法在训练时只需要全景片影像及对应的下颌神经管标注，不需要复杂的cbct三维重建或额外的多模态配准预处理，大大减少了数据获取与预处理的工作量。

33、（2）针对全景片中下颌神经管与周围骨组织对比度低、管状结构细长且方向多变的特点，在解码器 fpn 融合特征上设计条带形变级联增强模块（sdce）：第一级采用水平 1×k 与垂直 k×1 深度可分离卷积分别捕获不同方向的细长管状结构响应；第二级在条带增强特征上引入沿条带主轴累积偏移约束的可变形采样，使感受野能够随管壁弯曲自适应调整，以解决固定感受野难以覆盖弯曲管段、易导致预测掩膜断裂的问题。

34、（3）采用加权交叉熵、dice及lovász损失组成的复合损失进行主监督，缓解类别不平衡并提升区域重叠与交并比优化效果；并引入中心线dice损失，以可微软骨架化方式保持下颌管拓扑连通，抑制断裂与空洞。

35、（4）所提出的是一个端到端的下颌神经管语义分割模型，训练阶段采用图像块裁剪，推理阶段可对全尺寸全景片采用滑窗方式直接输出分割结果，无需额外复杂预处理，增强了模型对不同分辨率临床影像的适应能力，提高了分割推理的精度与稳定性，提升了临床部署的实用性与泛化能力。