一种基于神经网络的计算机辅助牙龄分析方法与流程

技术特征：
1.一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：包括以下步骤：数据准备：完成全景片图像数据的收集、统计，以及全景片图像数据的标注，对全景片图像数据的标注包括每个牙齿的目标框和分类标签，标注的包含牙齿的目标框称为标注目标框，分类标签包括牙齿的牙位标签和牙齿的牙龄标签；端到端网络的构建：通过darknet
‑
53网络结构提取全景片图像数据的骨干特征，通过特征金字塔网络结构获得多尺度特征图，通过分支预测模块将多尺度特征图分为两个特征提取分支，一个特征提取分支用于预测牙齿的预测目标框和牙位标签，另一个特征提取分支用于预测牙齿的预测目标框和牙龄标签，通过融合模块将两个特征提取分支的预测结果按照牙齿的预测目标框信息非极大值抑制进行筛选，并将对应的牙位标签和牙龄标签进行融合后，完成端到端网络的构建；端到端网络的训练：将数据集中的部分全景片图像数据和标注信息划定为训练集输入端到端网络，训练集通过构建好的端到端网络进行计算，一个训练周期计算一次网络损失函数，再进行网络反向传播，更新网络参数，十个训练周期计算一次gama值校正系数，并对全景片图像数据进行gama校正后，经过一百个训练周期后完成端到端网络的训练；基于训练好的端到端网络对输入的全景片图像数据进行牙齿定位与检测，输出预测牙齿的预测目标框信息以及对应的牙位分类、牙龄分类。2.根据权利要求1所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：端到端网络的训练中，利用标注的信息对应全景片图像数据的预测结果计算网络损失函数，网络损失函数包括为预测目标框的中心点预测损失函数、预测目标框的宽高预测损失函数、分类标签的损失函数和预测目标框的置信度损失函数之和，其计算公式为：其中，为网络损失函数，为预测目标框的中心点预测损失函数，为预测目标框的宽高预测损失函数，为牙位标签的分类损失函数，为牙龄标签的分类损失函数， 为预测目标框的置信度损失函数，为预测目标框的中心点预测损失函数的权重超参数，设置为2.5，为预测目标框的宽高预测损失函数的权重超参数，设置为2.5，为预测目标框宽高损失函数。3.根据权利要求2所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：预测目标框的中心点预测损失函数采用均方损失函数进行计算，其计算公式为：其中，tx，ty均表示标注目标框对应的中心点坐标，x,y均表示端到端网络输出的预测目标框对应的中心点坐标，表示预测目标框中是否包含物体，若包含物体，则计算预测目标框中心点预测损失函数，若不包含物体，则计算预测目标框的置信度损失函数。
4.根据权利要求2所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：预测目标框的宽高预测损失函数采用均方损失函数进行计算，其计算公式为：其中，tw表示标注目标框对应的宽，th表示标注目标框对应的高，w表示端到端网络输出的预测目标框相应的宽,h表示端到端网络输出的预测目标框相应的高，表示预测目标框中是否包含物体，若包含物体，则计算预测目标框的宽高预测损失函数，若不包含物体，则计算预测目标框的置信度损失函数。5.根据权利要求2所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：计算牙位标签的分类损失函数时，将标注目标框对应所属的牙位类别标签表示为元组形式，则，若标注目标框属于第i个牙位类别，则，其余元素均为0，i∈n；端对端网络输出的预测目标框所属各个牙位类别的概率表示为元组,则，表示端对端网络预测的预测目标框属于第i个牙位类别的概率，i∈n，牙位标签的分类损失函数为：其中，表示预测目标框中是否包含物体，若包含物体，则计算牙位标签的分类损失函数，若不包含物体，则计算预测目标框的置信度损失函数；计算牙龄标签的分类损失函数时，将标注目标框对应所属的牙龄类别标签表示为元组形式，则，表示标注目标框对应所属的牙龄的类别，若标注目标框属于第i个类别，则，其余元素均为0，i∈n，端对端网络输出的预测目标框所属各个牙龄类别的概率表示为元组，则，表示端对端网络预测的该预测目标框属于第i个牙龄类别的概率，i∈n，牙位标签的分类损失函数为：其中， 表示预测目标框中是否包含物体，若包含物体，则计算牙龄标签的分类损失函数，若不包含物体，则计算预测目标框的置信度损失函数。6.根据权利要求2所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：目标框的置信度损失函数采用交叉熵函数进行计算，其计算公式为：
其中，表示包含物体的预测目标框的置信度损失函数，表示不包含物体的预测目标框的置信度损失函数，表示预测框中是否不包含物体，若预测框中不包含物体，则计算预测目标框的置信度损失函数，表示预测框中是否包含物体，若包含物体，则计算预测目标框的置信度损失函数；表示当前标注目标框中包含物体的置信度，总是成立，表示网络输出的预测目标框中包含物体的置信度，表示包含物体的预测目标框的置信度损失函数的权重超参数，设置为5；表示不包含物体的预测目标框的置信度损失函数的权重超参数，设置为0.5。7.根据权利要求2所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：进行gama校正时，gama校正可改善图像的对比度，其计算公式为：其中，为输入图像的灰度值，为gama校正后的灰度值，为自适应校正系数；自适应校正系数的计算公式为：的计算公式为：若全局对比度大于局部对比度，则需要增大预测目标框和背景之间的灰度差异，则变小，提高图像的对比度；反之，降低图像的对比度，变大；其中，为局部对比度与全局对比度的比值，为整幅图像的全局对比度，为预测目标框局部对比度，预测目标框包围局部像素的平均值，为预测目标框包围局部像素的最大值。8.根据权利要求7所述的一种基于神经网络的计算机辅助牙龄分析方法，其特征在于：t为当前训练周期, 利用指数移动平均计算当前训练周期的gama校正系数：
经过100个训练周期的迭代训练，即可完成整个端对端网络的训练；其中，为平滑常数，若训练100个训练周期，则迭代周期为10次，因此需要10个加权系数,则；为本次迭代周期内的网络损失函数，为上次计算校正系数值对应的训练周期的网络损失函数，为当前训练周期的gama校正系数，为上次计算的gama校正系数，为当前根据端到端网络预测结果算出的自适应校正值， 中当前训练周期的自适应校正值所占比重较大，之前训练周期的自适应校正值值所占比重呈指数衰减。

技术总结
本发明公开了一种基于神经网络的计算机辅助牙龄分析方法，涉及牙龄图像的数据分析处理技术领域，为了解决现有技术中对牙龄的检测分析存在操作复杂、效果有限，并且耗时耗力，检测效率低的问题，本发明先完成全景片图像数据的收集、统计，以及全景片图像数据的标注，对全景片图像数据的标注包括每个牙齿的目标框和分类标签，标注的包含牙齿的目标框称为标注目标框，通过分支预测模块和融合模块的加入来构建端到端网络，通过新颖的迭代自适应Gama校正的训练方式来训练端到端网络，利用训练好的端到端网络对全景片图像数据输入直接进行牙齿的定位与牙龄分析，从而使得对牙龄的检测分析操作更容易、效果更好、耗时更短、检测效率更高。高。高。


技术研发人员：章毅 游梦 张强 郭际香 代佳琪 何涛 唐粤亭 董雯萱 徐蕾
受保护的技术使用者：四川大学
技术研发日：2021.10.18
技术公布日：2021/11/14