1.本公开涉及用于确定牙齿的骨龄的技术。
背景技术:
2.从对人体的牙齿进行拍摄的图像(例:x射线图像等)能够评估相应牙齿的骨龄。通过对所评估的牙齿的骨龄与相应人体的实际年龄进行比较,从而能够判断与人体的实际年龄相比,牙齿是否在正常生长。此外,如果牙齿未正常生长,则能够判断其发育快了多少或者慢了多少。
3.为了确定牙齿的骨龄,对牙齿进行拍摄的图像可以由人类用户分析。用户对实际拍摄牙齿的牙齿图像和代表牙齿的各骨龄的基准图像进行比较,在基准图像中确定相应牙齿图像与牙齿的骨成熟度最为类似的基准图像,并能够将所确定的基准图像相应的牙齿骨龄确定为相应牙齿图像显示的牙齿的骨龄。但是,这种方法的问题在于,针对牙齿图像的骨龄分析结果可能根据用户的能力、专业性而不同。尤其,牙齿图像显示的牙齿的形态并非是定量化的数据,因此牙齿骨龄分析结果可以体现出用户间的巨大偏差。由此,根据上述方法的分析结果准确性和可信度可能大幅下降。
技术实现要素:
4.本公开提供一种用于确定牙齿的骨龄的技术。
5.作为本公开的一个方面,可以提出一种用于确定牙齿的骨龄的装置。根据本公开的一个方面的装置可以包括:一个以上的处理器;以及一个以上的存储器,其存储有指令及神经网络模型,所述指令在被所述一个以上的处理器执行时,使得所述一个以上的处理器执行操作,所述神经网络模型用于确定牙齿的骨龄。所述一个以上的处理器获取多个第一牙齿图像,所述第一牙齿图像分别拍摄有多个牙齿,所述多个牙齿与第一性别对应,并具有第一骨龄,对所述多个第一牙齿图像分别进行预处理,从而分别生成多个预处理图像,利用所述多个预处理图像学习所述神经网络模型,从而得出判断过滤器,所述判断过滤器对根据所述第一性别的人体所具有的所述第一骨龄的牙齿形态进行确定,获取第二牙齿图像及性别信息,所述第二牙齿图像分别拍摄有根据第二性别的人体的牙齿,所述性别信息表示所述第二性别,基于所述判断过滤器,从所述第二牙齿图像及所述性别信息,得出所述第二牙齿图像对应的牙齿的第二骨龄。
6.在一个实施例中,一个以上的处理器确定所述第二性别与所述第一性别是否一致,根据所述第二性别与所述第一性别一致的确定结果,确定所述第二牙齿图像中是否存在与所述判断过滤器匹配的区域;根据所述存在与判断过滤器匹配的区域的确定结果,得出所述第一骨龄作为所述第二骨龄。
7.在一个实施例中,一个以上的处理器生成多个初始过滤器,所述初始过滤器包括两个以上的像素,所述两个以上的像素可以分别具有任意设定的像素值,所述一个以上的处理器从所述多个初始过滤器中筛选至少两个初始过滤器,所述至少两个初始过滤器在所
述多个预处理图像中存在匹配的区域,所述一个以上的处理器将所述至少两个初始过滤器作为第一(first)过滤器,从而反复执行n次学习运算,所述一个以上的处理器将至少两个第n 1过滤器中的一个确定为所述判断过滤器,所述至少两个第n 1过滤器是根据所述反复执行学习运算而确定的,所述n可以是预设的常数,其中,所述学习运算是如下运算:对至少两个第k(k
‑
th)过滤器进行连接,从而生成组合的过滤器,并从所述组合的过滤器中筛选至少两个过滤器,并将所述至少两个过滤器确定为第k 1((k l)
‑
th)过滤器,所述至少两个过滤器在所述多个预处理图像中存在匹配的区域。
8.在一个实施例中,在学习运算中,一个以上的处理器通过使所述至少两个第k过滤器分别左右或上下地连接,从而能够生成所述组合的过滤器。
9.在一个实施例中,在学习运算中,一个以上的处理器基于计算结果能够确定所述组合的过滤器在所述多个预处理图像中是否存在匹配区域,所述计算结果是所述多个预处理图像各自的部分区域的像素值及所述组合的过滤器的像素值之间的计算结果。
10.在一个实施例中,一个以上的处理器从所述多个第一牙齿图像中分别去除表示牙齿的区域之外的区域,从而分别生成所述多个预处理图像,显示所述牙齿的区域可以是如下区域:以所述多个第一牙齿图像各自的下端的中间点为基准具有预设的宽度及预设的高度。
11.在一个实施例中,一个以上的处理器以预设的至少两个以上的角度对所述多个第一牙齿图像分别进行旋转,从而能够分别生成所述多个预处理图像,所述多个预处理图像的数量比所述多个第一牙齿图像的数量更多。
12.在一个实施例中,一个以上的处理器将所述多个第一牙齿图像在预设的比例范围内分别进行放大或缩小,从而分别生成所述多个预处理图像,所述多个预处理图像的数量比所述多个第一牙齿图像的数量更多。
13.在一个实施例中,一个以上的存储器可以包括指示基准像素值的信息,所述基准像素值用于在所述多个第一牙齿图像中识别预设的特征。所述一个以上的处理器生成基准过滤器,所述基准过滤器包括一个以上的像素,所述一个以上的像素具有所述基准像素值,并且所述一个以上的处理器在所述多个第一牙齿图像中分别识别与所述基准过滤器匹配的区域,并从所述多个第一牙齿图像中分别去除所识别的区域,从而能够分别生成所述多个预处理图像。
14.在一个实施例中,一个以上的存储器可以包括:指示所述多个预处理图像分别显示的牙齿形状的基准倾斜度及基准大小的信息以及指示用于识别预设的特征的基准像素值的信息。所述一个以上的处理器对所述多个第一牙齿图像分别进行旋转,使得所述多个第一牙齿图像分别显示的牙齿形状具有所述基准倾斜度,所述一个以上的处理器对所述被旋转的多个图像分别进行放大或缩小,使得所述被旋转的多个图像分别显示的牙齿形状具有所述基准大小,所述一个以上的处理器从所述放大或缩小的多个图像中,分别去除显示牙齿的区域之外的区域,所述一个以上的处理器在显示牙齿的区域之外的区域被去除的多个图像中,分别去除与所述基准过滤器匹配的区域,从而能够分别生成所述多个预处理图像,所述基准过滤器包括具有所述基准像素值的一个以上的像素,所述显示牙齿的区域可以是:以所述被放大或缩小的多个图像各自的下端的中间点为基准,具有预设的宽度及高度的区域。
15.作为本公开的一个方面,可以提出一种用于确定牙齿的骨龄的方法。根据本公开的一个方面的方法,可以是在计算机中执行的方法,所述计算机包括:一个以上的处理器;以及一个以上的存储器,其存储有指令,所述指令用于被所述一个以上的处理器执行,根据本公开的一个方面的方法可以包括如下步骤:所述一个以上的处理器获取多个第一牙齿图像,所述多个第一牙齿图像分别拍摄有多个牙齿,所述多个牙齿与第一性别对应,并具有第一骨龄;对所述多个第一牙齿图像分别进行预处理,从而分别生成多个预处理图像;利用所述多个预处理图像学习用于确定牙齿的骨龄的神经网络模型,从而得出判断过滤器,所述判断过滤器对根据所述第一性别的人体所具有的所述第一骨龄的牙齿形态进行确定;获取第二牙齿图像及性别信息,所述第二牙齿图像拍摄有根据第二性别的人体的牙齿,所述性别信息表示所述第二性别;以及基于所述判断过滤器,从所述第二牙齿图像及所述性别信息,得出与所述第二牙齿图像对应的牙齿的第二骨龄。
16.在一个实施例中,得出第二骨龄的步骤可以包括如下步骤:确定所述第二性别与所述第一性别是否一致;根据所述第二性别与所述第一性别一致的确定结果,确定所述第二牙齿图像中是否存在与所述判断过滤器匹配的区域;以及根据所述存在与判断过滤器匹配的区域的确定结果,得出所述第一骨龄作为所述第二骨龄。
17.在一个实施例中,得出判断过滤器的步骤可以包括如下步骤:生成多个初始过滤器,所述初始过滤器包括两个以上的像素,所述两个以上的像素可以分别具有任意设定的像素值;从所述多个初始过滤器中筛选至少两个初始过滤器,所述至少两个初始过滤器在所述多个预处理图像中存在匹配的区域;将所述至少两个初始过滤器作为第一(first)过滤器,从而反复执行n次学习运算;以及将至少两个第n 1过滤器中的一个确定为所述判断过滤器,所述至少两个第n 1过滤器是根据所述反复执行学习运算而确定的,所述n可以是预设的常数,其中,所述学习运算是如下运算:对至少两个第k(k
‑
th)过滤器进行连接,从而生成组合的过滤器,并从所述组合的过滤器中筛选至少两个过滤器,并将所述至少两个过滤器确定为第k 1((k l)
‑
th)过滤器,所述至少两个过滤器在所述多个预处理图像中存在匹配的区域。
18.在一个实施例中,分别生成多个预处理图像的步骤可以包括如下步骤:从所述多个第一牙齿图像中分别去除表示牙齿的区域之外的区域,从而分别生成所述多个预处理图像,显示所述牙齿的区域可以是:以所述多个第一牙齿图像各自的下端的中间点为基准具有预设的宽度及预设的高度的区域。
19.在一个实施例中,分别生成多个预处理图像的步骤可以包括如下步骤:生成基准过滤器,所述基准过滤器包括一个以上的像素,所述一个以上的像素具有基准像素值;在所述多个第一牙齿图像中分别识别与所述基准过滤器匹配的区域;以及从所述多个第一牙齿图像中分别去除所述识别的区域,从而能够分别生成所述多个预处理图像,所述基准像素值可以是用于在所述多个第一牙齿图像中识别预设的特征的像素值。
20.作为本公开的一个方面,可以提出一种记录指令的非暂时性计算机可读记录介质,所述指令用于确定牙齿的骨龄。根据本公开的一个方面的在记录介质中记录的指令,作为用于在计算机上执行的指令,在通过一个以上的处理器执行时,一个以上的处理器获取多个第一牙齿图像,所述多个第一牙齿图像分别拍摄有多个牙齿,所述多个牙齿与第一性别对应,并具有第一骨龄,所述一个以上的处理器对所述多个第一牙齿图像分别进行预处
理,从而分别生成多个预处理图像,所述一个以上的处理器利用所述多个预处理图像学习用于确定牙齿的骨龄的神经网络模型,从而得出判断过滤器,所述判断过滤器对根据所述第一性别的人体所具有的所述第一骨龄的牙齿形态进行确定,所述一个以上的处理器获取第二牙齿图像及性别信息,所述第二牙齿图像拍摄有根据第二性别的人体的牙齿,所述性别信息表示所述第二性别,所述一个以上的处理器基于所述判断过滤器,从所述第二牙齿图像及所述性别信息,得出与所述第二牙齿图像对应的牙齿的第二骨龄。
21.在一个实施例中,所述指令通过所述一个以上的处理器确定所述第二性别与所述第一性别是否一致,根据所述第二性别与所述第一性别一致的确定结果,确定所述第二牙齿图像中是否存在与所述判断过滤器匹配的区域,根据所述存在与判断过滤器匹配的区域的确定结果,得出所述第一骨龄作为所述第二骨龄。
22.在一个实施例中,所述指令通过所述一个以上的处理器,生成多个初始过滤器,所述初始过滤器包括两个以上的像素,所述两个以上的像素分别具有任意设定的像素值,通过所述一个以上的处理器从所述多个初始过滤器中筛选至少两个初始过滤器,所述至少两个初始过滤器在所述多个预处理图像中存在匹配的区域,通过所述一个以上的处理器将所述至少两个初始过滤器作为第一(first)过滤器,从而反复执行n次学习运算,通过所述一个以上的处理器将至少两个第n 1过滤器中的一个确定为所述判断过滤器,所述至少两个第n 1过滤器是根据所述反复执行所述学习运算而确定的,所述n可以是预设的常数,其中,所述学习运算是如下运算:对至少两个第k(k
‑
th)过滤器进行连接,从而生成组合的过滤器,并从所述组合的过滤器中筛选至少两个过滤器,并将所述至少两个过滤器确定为第k 1((k l)
‑
th)过滤器,所述至少两个过滤器在所述多个预处理图像中存在匹配的区域。
23.在一个实施例中,所述指令通过所述一个以上的处理器,从所述多个第一牙齿图像中分别去除表示牙齿的区域之外的区域,从而分别生成所述多个预处理图像,显示所述牙齿的区域可以是:以所述多个第一牙齿图像各自的下端的中间点为基准具有预设的宽度及预设的高度的区域。
24.在一个实施例中,所述指令通过所述一个以上的处理器,生成基准过滤器,所述基准过滤器包括一个以上的像素,所述一个以上的像素具有所述基准像素值,通过所述一个以上的处理器在所述多个第一牙齿图像中分别识别与所述基准过滤器匹配的区域,通过所述一个以上的处理器从所述多个第一牙齿图像中分别去除所述识别的区域,从而能够分别生成所述多个预处理图像,所述基准像素值可以是用于在所述多个第一牙齿图像中识别预设的特征的像素值。
25.通过本公开的各种实施例,利用神经网络(neural network)模型,从对牙齿进行拍摄的牙齿图像,能够确定相应牙齿的骨龄,所述神经网络模型根据深度学习(deep learning)算法进行学习。
26.通过本公开的各种实施例,通过对学习数据进行预处理,从而能够有效学习神经网络模型,所述学习数据包括牙齿图像、性别、骨龄等。
27.通过本公开的各种实施例,通过利用神经网络模型来确定牙齿的骨龄,从而能够确保针对牙齿骨龄的分析结果的准确性及可信度。
28.通过本公开的各种实施例,针对患者的牙齿骨龄分析结果能够用于针对该患者的儿科内分泌疾病(例:生长激素缺乏症、性早熟症等)的诊断。
“
a、b或c中至少一个,”“a,b和/或c中至少一个,”“a、b和c中选择的至少一个,”“a、b或c中选择的至少一个,”“a、b和/或c中选择的至少一个”等的表达,能够表示各个罗列的项或罗列的项的所有可能组合。例如,“a和b中选择的至少一个”可以全部指代(1)a,(2)a中至少一个,(3)b,(4)b中至少一个,(5)a中至少一个和b中至少一个,(6)a中至少一个和b,(7)b中至少一个和a,(8)a和b。
45.本公开中所使用的表达“基于
‑”
,用于记载一个以上的因素,所述因素对包含相应表达的语句或句子中所记载的决定、判断行为或操作造成影响,该表达并非排除对相应决定、判断行为或操作造成影响的其他因素。
46.本公开中所使用的表达,某构成要素(例:第一构成要素)与另一构成要素(例:第二构成要素)“连接”或者“相连”,不仅可以表示所述某构成要素与所述另一构成要素直接连接或相连,还可以表示将新的另一构成要素(例:第三构成要素)作为媒介来连接或相连。
47.本公开中所使用的表达“配置为(configured to)”,根据上下文可以表示“设定为”、“具有~能力”、“变更为”、“制造为”、“能够进行~”等。相应表达并非限定表示“以硬件形式特别设计的”,例如,配置为执行特定操作的处理器是指,通过执行软件能够实现其特定操作的通用处理器(generic
‑
purpose processor)。
48.以下,参照附图对本公开的各种实施例进行说明。在附图及附图的说明中,对相同或实际等同的(substantially equivalent)构成要素可以赋予相同的参照标号。此外,在以下各种实施例的说明中,虽然能够省略对相同或相应构成要素的重复描述,但这并非表示相应的构成要素不包含于其实施例中。
49.图1是表示根据本公开的一个实施例的装置100学习神经网络(neural network)模型140的过程的示意图。根据本公开的一个实施例的装置100学习用于确定牙齿的骨龄的神经网络模型,并能够利用神经网络模型来确定目标牙齿的骨龄。
50.具体而言,装置100能够存储用于确定牙齿的骨龄的神经网络模型140。装置100根据深度学习(deep learning)算法,利用学习数据110能够学习神经网络模型140。在本公开中,深度学习可以指,通过利用数据及处理数据的经验实现的学习使得软件提升数据处理能力。神经网络模型是通过对数据之间的相关关系建模而构建的,神经网络模型的相关关系能够由多个参数来表示。神经网络模型从给定的数据中提取特征并进行分析,从而得出数据间的相关关系,反复这样的过程来优化参数可以称为深度学习或机器学习。
51.装置100能够接收学习数据110的输入。学习数据110可以包括对多个人体的牙齿分别进行拍摄的多个牙齿图像。多个牙齿图像分别能够与相应牙齿的人体性别(例:男、女)信息,以及相应牙齿的实际骨龄(例:5.24岁)信息相关联。在一个实施例中,作为学习数据110,装置100可以接收对牙齿进行拍摄的多个牙齿图像(以下,称第一牙齿图像120)的输入,所述牙齿与一个性别(以下,称第一性别)的人体相对应,并具有一个骨龄(以下,称第一骨龄)。换句话说,装置100能够获取对多个牙齿分别进行拍摄的多个第一牙齿图像120,所述牙齿与第一性别相对应,并具有第一骨龄。在本公开中,根据其他性别及其他骨龄的多个牙齿图像虽然也能够用于输入至装置100并学习神经网络模型140,但是能够借助装置100,通过与第一性别及第一骨龄对应的多个第一牙齿图像120类似的方式得以处理,因此以下本公开的描述,以多个第一牙齿图像120为基准来进行说明。
52.装置100对多个第一牙齿图像120分别执行预处理(pre
‑
processing),从而能够分
别生成多个预处理的图像(以下,称预处理图像130)。在预处理过程中,装置100能够对多个第一牙齿图像120分别进行如下操作:旋转,或者放大/缩小,或者去除不必要的区域等。具体的预处理过程在下文记载。使根据各种方式得到预处理的多个预处理图像130输入至神经网络模型140,从而能够提升用于确定牙齿骨龄的神经网络模型140的学习效率。
53.装置100利用多个预处理图像130来学习神经网络模型140,从而能够得出与第一性别及第一骨龄相应的判断过滤器150。当具有第一性别的人体具有与第一骨龄相应的牙齿时,相应的判断过滤器150能够显示相应牙齿具有的基准形态。装置100利用判断过滤器150能够确定一个牙齿图像是否显示根据第一性别及第一骨龄的牙齿形态。具体的判断过滤器150的得出过程在下文记载。如上所述,通过学习基于各种性别及骨龄的牙齿图像,从而也能够得出基于其他性别及骨龄的判断过滤器。
54.图2是表示根据本公开的一个实施例的装置100从所输入的一个牙齿图像得出相应牙齿的骨龄的过程的示意图。根据本公开的装置100利用在神经网络模型140的学习过程中得出的判断过滤器150,从输入至装置100的目标牙齿图像(以下,称第二牙齿图像210)能够得出(确定)第二牙齿图像210显示的目标牙齿的骨龄(以下,称第二骨龄)。
55.具体而言,装置100能够接收第二牙齿图像210及性别信息的输入。第二牙齿图像210可以是对根据一个性别(以下,称第二性别)的人体的牙齿进行拍摄的牙齿图像。第二牙齿图像210可以是对目标牙齿进行拍摄的图像,所述目标牙齿是旨在对牙齿骨龄进行评估的牙齿。性别信息可以是显示与第二牙齿图像210相应的人体的性别(即,第二性别)的信息。
56.装置100基于判断过滤器150,从第二牙齿图像210及性别信息,能够得出与第二牙齿图像210相应的牙齿的第二骨龄。具体而言,装置100能够确定第二性别与第一性别是否一致。第二性别与第一性别一致的情况下,虽然前述的根据第一性别的判断过滤器150能够用于得出骨龄,但是不一致的情况下,其他判断过滤器需能够用于得出骨龄。基于第二性别与第一性别一致的确定结果,装置100能够对第二牙齿图像210和判断过滤器150进行比较。装置100能够确定第二牙齿图像210中是否存在与判断过滤器150匹配的区域。匹配与否的判断通过如下方式执行:判断在第二牙齿图像210中是否存在具有与判断过滤器150显示的区域的像素值一致的像素值的区域。在一个实施例中,匹配与否的判断通过如下方式执行:判断在第二牙齿图像210中是否存在具有以判断过滤器150的像素值为基准预先设定的范围内的像素值的区域。
57.如果在第二牙齿图像210中发现与判断过滤器150显示的特定牙齿形态一致的区域,换句话说,如果确定出在第二牙齿图像210中存在与判断过滤器150匹配的区域,则装置100能够得出第一骨龄作为第二牙齿图像210的第二骨龄。与判断过滤器150匹配的区域不存在的情况下,装置100判断第二牙齿图像210不具有第一骨龄,并可以对根据其他骨龄的判断过滤器与第二牙齿图像210进行对比。
58.图3是表示根据本公开的各种实施例的装置100的框图。在一个实施例中,装置100可以包括一个以上的处理器310和/或一个以上的存储器。在一个实施例中,可以省略装置100的这些构成要素中的至少一个,或者可以在装置100中增加其他构成要素。在一个实施例中,额外地(additionally)或选择性地(alternatively),部分构成要素可以集成实现,或者可以以单个或多个个体实现。在本公开中,一个以上的处理器310也可以称为处理器
310。除非上下文有明确的不同表述,处理器310的表述意味着一个或一个以上的处理器的集合。在本公开中,一个以上的存储器320也可以称为存储器320。除非上下文有明确的不同的表述,存储器320的表述意味着一个或一个以上的存储器的集合。在一个实施例中,装置100内部、外部的构成要素中至少一部分的构成要素通过总线(bus)、通用输入/输出口(gpio,general purpose input/output)、串行外设接口(spi,serial peripheral interface)或移动产业处理器接口(mipi,mobile industry processor interface)等彼此连接,从而能够收发数据和/或信号。
59.处理器310驱动软件(例:指令,程序等),从而能够控制与处理器310连接的装置100的至少一个构成要素。此外,处理器310能够执行与本公开相关的各种运算、处理、数据生成、加工等操作。此外,处理器310能够从存储器320加载数据等,或将数据等存储于存储器320。处理器310获取多个第一牙齿图像120,并对多个第一牙齿图像120分别执行预处理,从而能够分别生成多个预处理图像130。处理器310利用多个预处理图像130,学习神经网络模型140,从而能够得出上述判断过滤器150。处理器310获取与第二牙齿图像210及第二牙齿图像210相应的性别信息,并基于判断过滤器150能够得出与第二牙齿图像210相应的目标牙齿的第二骨龄。
60.存储器320能够存储各种数据。存储于存储器320的数据是通过装置100的至少一个构成要素获取、处理或使用的数据,可以包括软件(例:指令、程序等)。存储器320可以包括挥发性和/或非挥发性存储器。在本公开中,指令和程序是存储于存储器320的软件,包括用于控制装置100的资源(resource)的操作系统、应用(application)和/或中间件(middleware)等,所述中间件向应用提供各种功能使得应用能够利用装置的资源。存储器320能够存储用于确定牙齿的骨龄的神经网络模型140。此外,存储器320可以存储指令,当所述指令由处理器310执行时,处理器310执行操作(运算)。在一个实施例中,存储器320可以存储多个第一牙齿图像120、多个预处理图像130、一个以上的深度学习算法、第二牙齿图像210和/或与第二牙齿图像210相应的性别信息等。
61.在一个实施例中,装置100还可以包括收发器330。收发器330能够执行装置100与服务器,或者装置100与其他装置间的无线或有线通信。例如,收发器330能够执行根据如下方式的无线通信:增强移动宽带(embb,enhancedmobile broadband)、低时延高可靠通信(urllc,ultra reliable low
‑
latency communications)、大规模机器类型通信(mmtc,massive machine type communications)、长期演进(lte,long
‑
term evolution)、长期演进技术升级版(lte
‑
a,lte advance)、通用移动通信系统(umts,universal mobile telecommunications system)、全球移动通信系统(gsm,global system for mobile communications)、码分多址(cdma,code division multiple access)、宽带码分多址(wcdma,wideband cdma)、无线宽频(wibro,wireless broadband)、无线保真(wifi,wireless fidelity)、蓝牙(bluetooth)、近场通信(nfc,near field communication)、全球定位系统(gps,global positioning system)或全球导航卫星系统(gnss,global navigation satellite system)等。例如,收发器330能够执行根据如下方式的有线通信:通用串行总线(usb,universal serial bus)、高清多媒体接口(hdmi,high definition multimedia interface)、异步传输标准接口(rs
‑
232,recommended standard232)或普通老式电话业务(pots,plain old telephone service)。
62.在一个实施例中,处理器310控制收发器330,从而能够从服务器获取信息。从服务器获取的信息能够存储于存储器320。在一个实施例中,从服务器获取的信息可以包括用于确定牙齿的骨龄的神经网络模型140、多个第一牙齿图像120、一个以上的深度学习算法、第二牙齿图像210和/或与第二牙齿图像210相应的性别信息等。
63.在一个实施例中,装置100还可以包括输入装置(未示出)。输入装置可以是接收数据(例:学习数据110、第二牙齿图像210和/或与第二牙齿图像210相应的性别信息等)输入的装置,所述数据是用于从外部向装置100的至少一个构成要素传递的数据。例如,输入装置可以包括鼠标、键盘、触摸面板等。在一个实施例中,装置100还可以包括输出装置(未示出)。输出装置可以是以视觉形式向用户提供根据装置100的操作的各种数据(例:第二骨龄等)的装置。例如,输出装置可以包括显示器、投影仪等。
64.在一个实施例中,装置100可以是各种形态的装置。例如,装置100可以是便携通信装置、计算机装置、便携多媒体装置、可穿戴(wearable)装置或一个或一个以上的上述装置的组合装置。本公开的装置100并非限定于上述装置。
65.根据本公开的装置100的各种实施例可以彼此组合。各个实施例可以根据情况的数量组合,并且组合而成的装置100的实施例也所属于本公开的范围。此外,根据前述的本公开的装置100的内/外部构成要素根据实施例可以增加、变更、替换或删除。此外,前述的装置100的内/外部构成要素可以由硬件组件实现。
66.图4是表示根据本公开的一个实施例,得出判断过滤器150的过程的示意图。在一个实施例中,装置100反复进行如下过程:生成具有随机像素值的多个过滤器,并从中筛选出与多个预处理图像130匹配的过滤器,组合所选择的过滤器,从而生成新的过滤器,并从所组合的过滤器中重新筛选出与多个预处理图像130匹配的过滤器。装置100可以将以预设的次数反复进行相应过程后得出的过滤器确定为判断过滤器150。
67.具体而言,处理器310可以生成多个初始过滤器410。初始过滤器410可以包括两个以上的像素。初始过滤器410的各个像素可以具有任意(随机)设定的像素值。图示的初始过滤器410以各具有9个像素为例。各个像素按照任意设定的像素值体现明暗。在本实施例中,像素值可以具有0至255之间的值,0指黑色、255指白色、0
‑
255之间的值可以指灰色,所述灰色具有取决于相应值的亮度。
68.处理器310从多个初始过滤器410中能够筛选至少两个初始过滤器420,所述初始过滤器420在多个预处理图像130中存在匹配的区域。匹配与否的判断可以如前文一样执行。换句话说,对一个初始过滤器显示的区域与多个预处理图像130的一个区域具有的像素值进行比较,如果各像素值一致,或者存在于一定范围内,则可以判断相应预处理图像中存在匹配相应初始过滤器的区域。例如,在该匹配过程中,能够筛选出示出的初始过滤器421、422、423、424、425、426等。
69.此后,处理器310将所筛选的初始过滤器410中至少两个初始过滤器作为第一过滤器,从而能够执行学习运算。具体而言,处理器310通过对作为第一过滤器的至少两个初始过滤器进行组合,从而能够生成组合的过滤器430。在一个实施例中,处理器310通过使至少两个初始过滤器分别左右或上下地连接,从而能够生成组合的过滤器430。例如,处理器310通过使初始过滤器424和初始过滤器426上下连接,从而能够生成组合的过滤器432。此外,处理器310通过使初始过滤器421、初始过滤器422、初始过滤器423上下或左右地连接,从而
能够生成组合的过滤器434。此外,处理器310通过使初始过滤器421和初始过滤器423上下连接,从而能够生成组合的过滤器436。
70.处理器310将组合的过滤器430与多个预处理图像130进行比较,从而能够从组合的过滤器430中筛选至少两个过滤器440,所述至少两个过滤器440在多个预处理图像130中存在匹配的区域。匹配与否的判断如前所述。例如,能够从组合的过滤器432、434、436中筛选出过滤器432、434与多个前处理图像130相匹配。
71.处理器310通过对匹配过程中所筛选的过滤器440重新进行组合,从而能够生成重新组合的过滤器。例如,过滤器432和过滤器434组合能够生成新的组合过滤器。处理器310利用新生成的组合过滤器,从而能够重新执行学习运算。换句话说,处理器310从新组合的过滤器中能够重新筛选至少两个过滤器,所述至少两个过滤器在多个预处理图像130中存在匹配的区域。所筛选出的过滤器重新组合,从而能够经历与多个预处理图像130匹配的过程。处理器310根据上述方式能够以预设的次数(n)反复执行学习运算。
72.换句话说,学习运算可以是如下运算:处理器310对至少两个第k(k
‑
th)过滤器进行连接,从而生成组合的过滤器,并从组合的过滤器中筛选至少两个过滤器,并将所筛选出的过滤器确定为第k 1((k l)
‑
th)过滤器,所述至少两个过滤器在多个预处理图像130中存在匹配的区域。第k 1((k l)
‑
th)过滤器在下一次待执行的学习运算中能够用作彼此待组合的过滤器。
73.如上所述,当处理器310反复进行学习运算n次后,第n 1过滤器可以确定至少两个以上。处理器310能够将所生成的至少两个第n 1过滤器中的一个确定为判断过滤器150。如上所述,在具有第一性别的人体具有与第一骨龄相应的牙齿时,相应的判断过滤器150能够显示相应的牙齿具有的基准形态。
74.图5是表示根据本公开的一个实施例,判断过滤器在一个图像中是否具有匹配的区域的过程的示意图。处理器310能够判断一个过滤器(例:初始过滤器410、组合的过滤器430、判断过滤器150等)在一个图像中是否具有匹配的区域。在本公开中,与过滤器及图像的种类无关,匹配与否的判断可以以相同的方法进行。以下,以在上述的学习运算中判断组合的过滤器432在多个预处理图像130中是否具有匹配的区域为基准,对匹配与否的判断过程进行说明。
75.处理器310可以对上述组合的过滤器中的一个432与多个预处理图像130分别进行依次或同时比较。处理器310可以对多个预处理图像130中的一个预处理图像510的各个部分区域与相应过滤器432进行比较。在预处理图像510中,与过滤器432比较的部分区域具有的像素数量可以与过滤器432具有的像素数量相同。
76.处理器310可以在预处理图像510的各部分区域的像素值和组合的过滤器432的像素值之间执行计算。例如,预处理图像510的一部分区域具有的像素的像素值可以如示出的表530所示。此外,组合的过滤器432具有的像素的像素值可以如示出的表540所示。在一个实施例中,处理器310能够判断两个区域对应的各像素的像素值彼此是否一致。像素值一致的情况下,处理器310可以确定两个区域匹配。在一个实施例中,处理器310可以判断两个区域对应的各像素的像素值是否处于预设的像素值范围内。对应的像素的像素值包含在预设的像素值范围内的情况下,处理器310可以确定两个区域匹配。例如,如果预设的像素值范围是30,预处理的图像510的一个部分区域的像素的像素值,与其所对应的组合的过滤器
432的像素的像素值分别具有30以下的差值的情况下,处理器310可以确定两个区域匹配。
77.在一个实施例中,处理器310对预处理图像510的一个部分区域与组合的过滤器432之间的像素值的偏差的平均值进行计算,当计算出的平均值小于预设的基准时,可以确定两个区域匹配。
78.图6是表示根据本公开的一个实施例,通过去除表示牙齿的区域之外的区域来执行预处理的过程的示意图。如上所述,处理器310对多个第一牙齿图像120分别进行处理,从而能够分别生成多个预处理图像130。预处理过程可以通过各种方法执行。
79.在一个实施例中,处理器310从多个第一牙齿图像120中分别去除表示牙齿的区域610之外的区域,从而能够分别生成多个预处理图像130。表示牙齿的区域610可以是,以第一牙齿图像的下端的中间点620为基准,以预设的宽度630及预设的高度640定义的区域610。通常,拍摄牙齿的x
‑
ray图像等能够在中央下端显示牙齿的形态。将具有牙齿的形态的区域保留,并去除其余的区域,从而在图像内减少需要与初始过滤器410和组合的过滤器430待对比的区域,由此,能够减少处理器310的运算负担。预设的宽度630及预设的高度640的信息能够存储于存储器320。
80.在一个实施例中,处理器310通过对多个第一牙齿图像120分别进行旋转,从而能够分别生成多个预处理图像130。在一个实施例中,处理器310以预设的至少两个以上的角度对一个第一牙齿图像进行旋转,从而能够生成多个预处理图像130。例如,处理器310对一个第一牙齿图像以顺时针方向分别旋转1、3、5度,并以逆时针方向分别旋转1、3、5度,从而可以生成共七个预处理图像(包括不旋转的情况)。预设的至少两个以上的角度的相关信息可以存储于存储器320。
81.此外,在一个实施例中,处理器310通过对多个第一牙齿图像120分别进行放大或缩小,从而能够分别生成多个预处理图像130。在一个实施例中,处理器310将一个第一牙齿图像在预设的比例范围内进行放大或缩小,从而能够分别生成多个预处理图像130。例如,处理器310将一个第一牙齿图像放大或缩小3%或5%,从而能够生成共五个预处理图像(包括不放大或缩小的情况)。预设的比例的相关信息可以存储于存储器320。
82.通过上述方法,处理器310从多个第一牙齿图像120能够分别生成的预处理图像130的数量多于多个第一牙齿图像120的数量。通过增加作为用于神经网络模型140学习中的总体的多个预处理图像130的数量,从而处理器310能够提升在学习过程中得出的判断过滤器150的准确性。
83.图7是表示根据本公开的一个实施例,通过去除与牙齿的治疗痕迹相应的部分来执行预处理的过程的示意图。拍摄牙齿的牙齿图像中依然会出现对相应牙齿进行过治疗(镶牙治疗、蛀牙治疗、人造冠(artificial crown)治疗等)的痕迹相应的部分。与治疗痕迹相应的部分可以是与相应牙齿的骨龄和骨成熟度无关地出现的特征。换句话说,相应痕迹很难被看作是只在牙齿的特定骨龄出现的特征,可能是所有骨龄都可能出现的特征。使这类部分包括在内地,学习神经网络模型140的情况下,在确定骨龄时准确性可能降低。由此,在执行学习运算前,可以从学习数据中去除与治疗痕迹相应的部分。
84.具体而言,存储器320可以对指示基准像素值710的信息进行存储,所述像素值710用于从多个第一牙齿图像120中或出现牙齿的任意一个图像中识别出预设的特征(即,治疗痕迹)。通常,镶牙治疗、人造冠治疗等的痕迹相比普通牙齿,在x
‑
ray图像上能够以均匀的
白色显示。由此,可以预先定义基准像素值710,所述基准像素值710用于识别以均匀的白色等显示的相应特征。在一个实施例中,基准像素值710可以是意味着白色的255。在一个实施例中,基准像素值710也可以以范围的形式定义,如“220以上”。
85.处理器310将基准像素值710作为基础,能够生成基准过滤器720。基准过滤器720可以包括一个以上的像素,各个像素可以具有基准像素值710(例:a)。处理器310可以在多个第一牙齿图像120中分别识别与基准过滤器720匹配的区域。匹配与否的判断可以如前文一样执行。处理器310从多个第一牙齿图像120中分别去除所识别的区域,从而能够分别生成多个预处理图像130。
86.图8是表示根据本公开的一个实施例,从第一牙齿图像120生成预处理图像的过程的示例的示意图。根据牙齿的拍摄环境,第一牙齿图像120可以以倾斜的状态拍摄。此外,根据拍摄环境,第一牙齿图像120能够拍摄为放大或缩小地表示目标牙齿。为了弥补这种差异,在预处理过程中,处理器310能够根据预设的基准调整第一牙齿图像120。此外,根据实施例,在上述的预处理过程中的一部分能够包含于根据本实施例的预处理过程中执行。
87.具体而言,存储器320可以存储指示多个预处理图像130分别要显示的牙齿形状的基准倾斜度及基准大小的信息。换句话说,为了执行有效的学习运算,可以将显示多个预处理图像130分别应具有的基准倾斜度及基准大小的信息存储于存储器320。此外,存储器320还可以包括指示基准像素值710的信息,所述基准像素值710用于识别预设的特征(上述的牙齿的治疗痕迹)。
88.处理器310能够对多个第一牙齿图像120分别进行旋转,使得多个第一牙齿图像120分别显示的牙齿形状具有存储器320所存储的基准倾斜度(810)。由此,处理器310能够使以倾斜的状态拍摄的牙齿形状旋转成符合基准倾斜度(例:垂直)。
89.处理器310能够对被旋转的多个图像分别进行放大或缩小,使得被旋转的多个图像分别显示的牙齿形状具有存储器320所存储的基准大小(820)。在本实施例中,被旋转的多个图像能够以符合基准大小的形式放大。
90.处理器310能够从被放大或缩小的多个图像中,分别去除显示牙齿的区域610之外的区域(830)。如上所述,显示牙齿的区域610可以是:以被放大或缩小的多个图像各自的下端的中间点为基准,具有预设的宽度及高度的区域。
91.在显示牙齿的区域610之外的区域被去除的多个图像中,处理器310能够分别去除与基准过滤器720匹配的区域(840)。如上所述,以基准像素值710为基础,能够生成基准过滤器720。处理器310能够从显示牙齿的区域610之外的区域被去除的多个图像中,分别去除通过基准过滤器720所识别的区域。
92.图9是表示通过根据本公开的装置100能够执行的用于确定牙齿的骨龄的方法的一个实施例的示意图。根据本公开的用于确定牙齿的骨龄的方法可以是通过计算机实现的方法。在示出的流程图中,根据本公开的方法或算法的各个步骤虽然按照顺序进行了说明,但是各个步骤除了可以按照顺序执行之外,还可以按照本公开任意可以组合的顺序执行,就根据本流程图进行的说明而言,不排除对方法或算法加以变化或修改,且不意味着任意步骤是必要的或优选的。在一个实施例中,至少一部分的步骤可以并行、反复执行。在一个实施例中,至少一部分的步骤可以省略,或可以增加其他步骤。
93.就根据本公开的装置100而言,能够执行根据本公开的各种实施例的用于确定牙
齿的骨龄的方法。根据本公开的一个实施例的用于确定牙齿的骨龄的方法可以包括如下步骤:获取多个第一牙齿图像(s910);分别生成多个预处理图像(s920);得出判断过滤器(s930);获取第二牙齿图像及性别信息(s940);和/或得出第二骨龄(s950)。
94.在步骤s910中,装置100的处理器310能够获取对多个牙齿分别进行拍摄的多个第一牙齿图像120,所述牙齿与第一性别相对应,并具有第一骨龄。在步骤s920中,处理器310对多个第一牙齿图像120分别执行预处理,从而能够分别生成多个预处理图像130。在步骤s930中,处理器310利用多个预处理图像130学习用于确定牙齿的骨龄的神经网络模型140,从而能够得出判断过滤器150,所述判断过滤器对根据所述第一性别的人体所具有的所述第一骨龄的牙齿形态进行确定。在步骤s940中,处理器310能够获取第二牙齿图像210及性别信息,所述第二牙齿图像210对根据第二性别的人体的牙齿进行拍摄,所述性别信息表示所述第二性别。在步骤950中,处理器310基于判断过滤器150,从第二牙齿图像210及性别信息,得出与第二牙齿图像210对应的牙齿的第二骨龄。
95.在一个实施例中,步骤s950可以包括如下步骤:处理器310对第二性别与第一性别是否一致进行确定;处理器310根据第二性别与第一性别一致的确定结果,确定第二牙齿图像210中是否存在与判断过滤器150匹配的区域;和/或根据存在与判断过滤器150匹配的区域的确定结果,得出第一骨龄作为第二骨龄。
96.在一个实施例中,步骤s930可以包括如下步骤:处理器310生成多个初始过滤器410,所述初始过滤器410包括两个以上的像素,所述两个以上的像素可以分别具有任意设定的像素值;从多个初始过滤器410中筛选至少两个初始过滤器,所述至少两个初始过滤器在多个预处理图像130中存在匹配的区域;将至少两个初始过滤器作为第一(first)过滤器,从而反复执行n次学习运算;和/或将至少两个第n 1过滤器中的一个确定为判断过滤器150,所述至少两个第n 1过滤器是根据反复执行学习运算而确定的。学习运算可以是如下运算:对至少两个第k(k
‑
th)过滤器进行连接,从而生成组合的过滤器,并从组合的过滤器中筛选至少两个过滤器,所述至少两个过滤器在多个预处理图像130中存在匹配的区域,并将所述至少两个过滤器确定为第k 1((k l)
‑
th)过滤器。n可以是预设的常数。
97.在一个实施例中,在学习运算中,处理器310通过使至少两个第k过滤器分别左右或上下地连接,从而能够生成组合的过滤器。
98.在一个实施例中,在学习运算中,处理器310基于计算结果能够确定组合的过滤器在多个预处理图像130中是否存在匹配区域,所述计算结果是多个预处理图像130各自的部分区域的像素值及组合的过滤器的像素值之间的计算结果。
99.在一个实施例中,步骤s920可以包括如下步骤:处理器310从多个第一牙齿图像120中分别去除表示牙齿的区域610之外的区域,从而分别生成多个预处理图像130。
100.在一个实施例中,步骤s920可以包括如下步骤:处理器310以预设的至少两个以上的角度对多个第一牙齿图像120分别进行旋转,从而能够分别生成多个预处理图像130,所述多个预处理图像130的数量比多个第一牙齿图像120的数量多。
101.在一个实施例中,步骤s920可以包括如下步骤:处理器310将多个第一牙齿图像120在预设的比例范围内分别进行放大或缩小,从而分别生成多个预处理图像130,所述多个预处理图像130的数量比多个第一牙齿图像120的数量多。
102.在一个实施例中,步骤s920可以包括如下步骤:处理器310生成基准过滤器720,所
述基准过滤器720包括一个以上的像素,所述一个以上的像素可以具有基准像素值710;可以在多个第一牙齿图像120中分别识别与基准过滤器720匹配的区域;和/或从多个第一牙齿图像120中分别去除所识别的区域,从而分别生成多个预处理图像130。
103.在一个实施例中,步骤s920可以包括如下步骤:处理器310对多个第一牙齿图像120分别进行旋转,使得多个第一牙齿图像120分别显示的牙齿形状具有基准倾斜度;对被旋转的多个图像分别进行放大或缩小,使得被旋转的多个图像分别显示的牙齿形状具有基准大小;从放大或缩小的多个图像中,分别去除显示牙齿的区域610之外的区域;和/或在显示牙齿的区域610之外的区域被去除的多个图像中,分别去除与基准过滤器720匹配的区域,从而分别生成多个预处理图像130,所述基准过滤器720包括具有基准像素值710的一个以上的像素。显示牙齿的区域610可以:以放大或缩小的多个图像各自的下端的中间点为基准具有预设的宽度及预设的高度的区域。
104.本公开的各种实施例能够通过软件实现,所述软件记录于机器(machine)可以读取的记录介质(machine
‑
readable recording medium)。软件可以是用于实现上述的本公开的多种实施例的软件。软件通过本公开所属技术领域的程序员能够从本公开的各种实施例推论得出。例如,软件可以是机器可读取的指令(例:代码或代码段)或程序。机器是一种装置,其可以根据从记录介质调用的指令进行操作,例如,可以是计算机。在一个实施例中,机器可以是根据本公开的实施例的装置100。在一个实施例中,机器的处理器执行所调用的指令,从而机器的构成要素能够执行相应指令所对应的功能。在一个实施例中,处理器可以是根据本公开的实施例的一个以上的处理器310。记录介质可以指能够被机器去取的、存储有数据的全部种类的记录介质(recording medium)。记录介质例如可以包括只读存储器(rom)、随机存取存储器(ram)、只读光盘驱动器(cd
‑
rom)、磁带、软盘、光数据存储装置等。在一个实施例中,记录介质可以是一个以上的存储器320。在一个实施例中,记录介质也可以实现为在连接到网络的计算机系统等中分散的形式。软件能够在计算机系统等中分散存储,并且得以执行。记录介质可以是非暂时性(non
‑
transitory)记录介质。非暂时性记录介质是指有形介质(tangible medium),与数据是半永久或者是临时存储无关,并且不包括暂时(transitory)传播的信号(signal)。
105.通过以上各种实施例对本公开的技术思想进行了说明,但是本公开的技术思想包括本公开所属技术领域内具有通常知识的人员能够理解的范围内可以实现的各种置换、变形及更改。此外,应理解,这样的置换、变形及更改包含于所附权利要求范围内。
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。