牙根管治疗史检测模型训练方法、图像处理方法和装置与流程

1.本技术涉及医疗技术领域，尤其涉及一种牙根管治疗史检测模型训练方法、图像处理方法和装置。


背景技术：

2.随着医学技术的发展，医生在检测牙齿的相关问题时主要是通过基于人工智能的x光影像检测的方法，确定用户的口腔问题。因此，发展基于人工智能进行检测的智慧医疗，具有重要的意义。
3.目前，人工智能的检测方法主要是通过卷积神经网络的方式对龋齿、牙周炎以及智齿进行检测，并没有对牙根管治疗史进行检测的方法。而卷积神经网络网络方法在卷积池化的过程中有可能会造成关键特征信息的损失或者不突出，由于其他牙病，例如，带冠牙齿和填充牙齿，可能存在牙根管治疗史患者的牙齿相似的表征，因此，通过卷积神经网络方法对牙根管治疗史的图像进行处理时，可能会将牙根管治疗史的特征丢失，导致对于牙根管治疗史进行检测的准确度较差。


技术实现要素：

4.本技术实施例提供了一种牙根管治疗史检测模型训练方法、图像处理方法和装置，能够准确的提取出单个牙齿和单个牙齿对应的牙龈的图像的感兴趣区域，从而提高了对牙根管治疗史进行检测的准确度。
5.第一方面，本技术实施例提供了一种牙根管治疗史检测模型训练方法，所述牙根管治疗史检测模型训练方法包括：
6.获取多张待处理样本图像，所述待处理样本图像为单个牙齿和所述单个牙齿对应的牙龈的图像。
7.针对每张待处理样本图像，对所述待处理样本图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置。
8.根据所述牙龈线的位置对所述待处理样本图像进行感兴趣区域提取处理，得到目标图像。
9.提取多张所述目标图像对应的特征向量，生成特征向量样本集，并将所述特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型；所述牙根管治疗史检测模型用于对牙根管治疗史进行检测，获取牙根管的相关信息。
10.在一种可能的实现方式中，所述对所述待处理样本图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置，包括：
11.在与牙龈线平行的方向上，对所述待处理样本图像上每一行的像素强度进行积分处理，得到所述每一行的像素强度和。
12.将所述待处理样本图像的所有行对应的像素强度和中，处于待处理样本图像中间区域的最小的像素强度和对应的与牙龈线方向平行的直线的位置，确定为所述牙龈线的位
置。
13.在一种可能的实现方式中，所述待处理样本图像为矩形图像。
14.所述根据所述牙龈线的位置对所述待处理样本图像进行感兴趣区域提取处理，得到目标图像，包括：
15.在所述待处理样本图像四个边角位置获取预设尺寸的像素块。
16.计算各所述像素块的像素均值，并将四个边角位置对应的所述像素均值按照从小到大的顺序进行排列，形成像素均值顺序列。
17.根据所述像素均值顺序列，确定所述牙龈所处的位置，并根据所述牙龈线的位置对所述待处理样本图像进行感兴趣区域提取，得到目标图像。
18.在一种可能的实现方式中，所述根据所述像素均值顺序列，确定所述牙龈所处的位置，并根据所述牙龈线的位置对所述待处理样本图像进行感兴趣区域提取，得到目标图像，包括：
19.将所述像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为所述牙龈所处的位置。
20.以所述牙龈线为分割线，对所述待处理样本图像进行切割，将所述待处理样本图像中，所述牙龈线与两个所述像素块的位置之间的区域确定为感兴趣区域。
21.将所述感兴趣对应的图像确定为目标图像。
22.在一种可能的实现方式中，所述提取多张所述目标图像对应的特征向量，包括：
23.通过尺度不变特征变换算法对所述多张目标图像进行特征点提取，得到所述目标图像对应的特征。
24.利用聚类算法对所述特征进行聚类分析，得到第一聚类结果。
25.根据所述第一聚类结果，提取多张所述目标图像对应的特征向量。
26.在一种可能的实现方式中，所述方法还包括：
27.通过尺度不变特征变换算法对预设数量所述目标图像作为第一目标图像，对所述第一目标图像进行特征点提取，得到所述第一目标图像对应的特征。
28.利用聚类算法对所述特征进行聚类分析，得到第二聚类结果。
29.根据所述第二聚类结果，提取所述第一目标图像对应的特征向量，生成特征向量测试集。
30.将所述特征向量测试集输入至所述牙根管治疗史检测模型中，对所述牙根管治疗史检测模型进行测试，得到所述牙根管治疗史检测模型对于牙根管治疗史检测的正确率。
31.第二方面，本技术实施例提供了一种图像处理方法，所述图像处理方法包括：
32.采集待处理图像，所述待处理图像为单个牙齿和所述单个牙齿对应的牙龈的图像。
33.对所述待处理图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置。
34.根据所述牙龈线的位置对所述待处理图像进行感兴趣区域提取处理，得到第二图像。
35.将所述第二图像输入至牙根管治疗史检测模型对牙根管治疗史进行检测，得到牙根管的相关信息，所述牙根管的相关信息包括存在牙根管治疗史和不存在牙根管治疗史，
其中，所述牙根管治疗史检测模型为根据上述第一方面所述的方法训练得到的。
36.在一种可能的实现方式中，所述对所述待处理图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置，包括：
37.在与牙龈线平行的方向上，对所述待处理图像上每一行的像素强度进行积分处理，得到所述每一行的像素强度和。
38.将所述待处理图像的所有行对应的像素强度和中，处于待处理图像终端区域的最小的像素强度和对应的牙龈线方向平行的直线的位置，确定为所述牙龈线的位置。
39.在一种可能的实现方式中，所述待处理图像为矩形图像。
40.所述根据所述牙龈线对所述待处理图像进行感兴趣区域提取处理，得到第二图像，包括：
41.在所述待处理图像四个边角位置获取预设尺寸的像素块。
42.计算各所述像素块的像素均值，并将四个边角位置对应的所述像素均值按照从小到大的顺序进行排列，形成像素均值顺序列。
43.根据所述像素均值顺序列，确定所述牙龈所处的位置，并根据所述牙龈线的位置对所述待处理图像进行感兴趣区域提取，得到第二图像。
44.在一种可能的实现方式中，所述根据所述像素均值顺序列，确定所述牙龈所处的位置，并根据所述牙龈线的位置对所述待处理图像进行感兴趣区域提取，得到第二图像，包括：
45.将所述像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为所述牙龈所处的位置。
46.以所述牙龈线为分割线，对所述待检测图像进行切割，将所述待检测图像中，所述牙龈线与两个所述像素块的位置之间的区域确定为感兴趣区域。
47.将所述感兴趣对应的图像确定为第二图像。
48.在一种可能的实现方式中，所述提取所述第二图像对应的特征向量，包括：
49.通过尺度不变特征变换算法对所述第二图像进行特征点提取，得到所述目标图像对应的特征。
50.利用聚类算法对所述特征进行聚类分析，得到第三聚类结果。
51.根据所述第三聚类结果，提取所述第二图像对应的特征向量。
52.第三方面，本技术实施例提供了一种牙根管治疗史检测模型训练装置，所述装置包括：
53.获取模块，用于获取多张待处理样本图像，所述待处理样本图像为单个牙齿和所述单个牙齿对应的牙龈的图像。
54.处理模块，用于针对每张待处理样本图像，对所述待处理样本图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置。
55.所述处理模块，还用于根据所述牙龈线的位置对所述待处理样本图像进行感兴趣区域提取处理，得到目标图像。
56.训练模块，用于提取多张所述目标图像对应的特征向量，生成特征向量样本集，并将所述特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型。
57.第四方面，本技术实施例提供了一种图像处理装置，所述装置包括：
58.采集模块，用于采集待处理图像，所述待处理图像为单个牙齿和所述单个牙齿对应的牙龈的图像。
59.确定模块，用于对所述待处理图像的像素强度进行积分处理，得到所述牙龈对应的牙龈线的位置。
60.所述确定模块，还用于根据所述牙龈线的位置对所述待处理图像进行感兴趣区域提取处理，得到第二图像；所述第二图像为根据权利要求1
‑
5任一项所述的方法得到的。
61.输出模块，用于提取所述第二图像对应的特征向量，并将所述第二图像对应的特征向量输入至牙根管治疗史检测模型，得到牙根管的相关信息，所述牙根管的相关信息包括存在牙根管治疗史和不存在牙根管治疗史，其中，所述牙根管治疗史检测模型为根据权利要求1
‑
6任一项所述的方法训练得到的。
62.第五方面，本技术提供一种电子设备，包括：至少一个处理器、存储器；
63.所述存储器存储计算机执行指令。
64.所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行第一方面或第二方面所述的方法。
65.第六方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现第一方面或第二方面所述的方法。
66.由此可见，本技术实施例提供了一种牙根管治疗史检测模型训练方法、图像处理方法和装置，获取多张待处理样本图像，待处理样本图像为单个牙齿和单个牙齿对应的牙龈的图像；针对每张待处理样本图像，对待处理样本图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置；根据牙龈线的位置对待处理样本图像进行感兴趣区域提取处理，得到目标图像；提取多张目标图像对应的特征向量，生成特征向量样本集，并将特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型；牙根管治疗史检测模型用于对牙根管治疗史进行检测，获取牙根管的相关信息。本技术实施例提供的技术方案根据确定的牙龈线的位置对待处理图像进行感兴趣区域提取，能够准确地得到目标图像，避免其他牙病的干扰，并且通过支持向量机分类器进行训练，得到牙根管治疗史检测模型，避免了卷积神经网络造成特征信息损失的问题，使得在使用牙根管治疗史检测模型进行检测时，能够提高牙根管治疗史检测结果的准确度。
附图说明
67.图1为本技术实施例提供的一种应用场景示意图；
68.图2为本技术实施例提供的一种牙根管治疗史检测模型训练方法的流程示意图；
69.图3为本技术实施例提供的一种获取待处理样本图像中像素块的方法示意图；
70.图4为本技术实施例提供的另一种牙根管治疗史检测模型训练方法的流程示意图；
71.图5为本技术实施例提供的一种获取感兴趣区域的方法流程示意图；
72.图6为本技术实施例提供的一种获取水平方向像素强度积分曲线的示意图；
73.图7为本技术实施例提供的一种获取切割线的示意图；
74.图8为本技术实施例提供的一种感兴趣区域的图像的示意图；
75.图9为本技术实施例提供的一种牙根管治疗史检测模型的训练和测试方法的流程示意图；
76.图10为本技术实施例提供的一种图像处理方法的流程示意图；
77.图11为本技术实施例提供的一种牙根管治疗史检测模型训练装置的结构示意图；
78.图12为本技术实施例提供的一种图像处理装置的结构示意图；
79.图13为本技术提供的一种电子设备结构示意图。
80.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
81.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
82.在本技术的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a，b可以是单数或者复数。在本技术的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
83.智慧医疗主要是通过人工智能的方法进行检测，例如，利用口腔x光影像人工智能检测的方法进行口腔问题的检测。图1为本技术实施例提供的一种应用场景示意图。根据图1所示在对口腔中的牙齿问题进行检测时，主要是通过采集设备采集多张口腔内牙齿以及牙龈的图像，并对采集到的图像进行去除处理，从而去除噪点较高的图像，并对去除后的图像进行边缘化处理，去除图像边缘的无效信息，利用处理好的图像构建样本集，并输入至卷积神经网络模型中，卷积神经网络通过不断的卷积池化提取图像特征，并通过全连接层进行分类，以对卷积神经网络模型进行训练，得到训练好的模型。使得能够使用训练好的模型对牙齿问题进行检测。其中，对图像进行预处理为将整排牙齿和牙龈的图像与背景进行分离，使得图像与背景的对比更加明显。
84.可以理解的是，图1所示的方法是用于龋齿、牙周炎和智齿的检测上，提取图像特征的方法过于简单，而且在卷积池化的过程中有可能会造成关键特征信息的损失或者不突出，可能会将存在牙根管治疗史具有相似的表征牙病的图像，错判为存在牙根管治疗史，因此，通过上述图1所示的方法无法准确的确定是否存在牙根管治疗史，即无法通过上述方法对牙根管治疗史进行检测。
85.为了解决使用目前用于龋齿、牙周炎和智齿检测的卷积神经网络的方法，应用于牙根管治疗史的检测上时准确度较低的问题，可以对多张单个牙齿及其对应的牙龈的图像进行积分处理，得到牙龈线的位置，并提取出感兴趣区域，得到目标图像。使用目标图像对应的特征向量构建样本集，通过支持向量机分类器进行训练，得到牙根管治疗史检测模型，能够避免其他牙病对于牙根管治疗史的检测造成干扰，使得能够使用该模型对待处理的牙齿图像进行处理，得到牙根管的相关信息，从而提高对牙根管治疗史进行检测的准确度。
86.下面，将通过具体的实施例对本技术提供的牙根管治疗史检测模型训练方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
87.图2为本技术实施例提供的一种牙根管治疗史检测模型训练方法的流程示意图。该牙根管治疗史检测模型训练方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为牙根管治疗史检测模型训练装置，该牙根管治疗史检测模型训练装置可以为终端或者终端中的处理芯片。示例的，请参见图2所示，该牙根管治疗史检测模型训练方法可以包括：
88.s201、获取多张待处理样本图像。
89.在本技术实施例中，待处理样本图像为单个牙齿和单个牙齿对应的牙龈的图像。示例的，多张待处理样本图像可以为牙医采集的图像，也可以从互联网中获取，本技术实施例对于具体的获取方式不做任何限定。
90.示例的，在获取到多张待处理样本图像时，可以对待处理样本图像进行标记，该标记为存在牙根管治疗史和不存在牙根管治疗史，并对图像进行阈值分割处理，可以采用左右翻转、增强对比度以及增强亮度的方法对待处理样本图像进行处理，以去除牙缝隙间的噪声，使得待处理样本图像中单个牙齿和对应的牙龈与背景的区分更加明显。
91.在对待处理样本图像进行阈值分割处理后，可以执行下述s202：
92.s202、针对每张待处理样本图像，对待处理样本图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置。
93.在对待处理样本图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置时，可以在与牙龈线平行的方向上，对待处理样本图像上每一行的像素强度进行积分处理，得到每一行的像素强度和；将待处理样本图像的所有行对应的像素强度和中，处于待处理样本图像中间区域的最小的像素强度和对应的与牙龈线方向平行的直线的位置，确定为牙龈线的位置。由于待处理样本图像为单个牙齿以及单个牙齿对应的牙龈的图像，也就是说，牙龈线的位置处于待处理样本图像的中间区域，因此，将待处理样本图像的所有行对应的像素强度和中，处于待处理样本图像中间区域的最小的像素强度和对应的与牙龈线方向平行的直线的位置，确定为牙龈线的位置，能够避的像素强度和较低被错判为牙龈线的位置，从而更加准确的确定牙龈线的位置。
94.在另一种可能的实现方式中，在确定牙龈线的位置时，可以假设与牙龈线方向平行的方向为x轴的方向，与牙龈线方向垂直的方向为y轴的方向，也就是说，在x轴的方向对待处理样本图像上每一行的像素强度进行积分，得到每一行的像素强度和，并在x
‑
y坐标轴上绘制整个待处理样本图像的像素强度曲线，得到像素强度曲线图。由于像素强度曲线的最低点为像素强度和中最小的像素强度和，因此，可以直接将处于待处理样本图像中间区域的像素强度曲线的低谷点对应的与牙龈线方向平行的直线的位置，确定为牙龈线的位置。
95.在上述可能的实现方式中，为了进一步提高确定的牙龈线位置的准确度，可以使用savitzky
‑
golay滤波器对得到的像素强度曲线进行s
‑
g滤波处理，使得像素强度曲线更加平滑，从而能够提高确定的牙龈线位置的准确度。
96.在本技术实施例中，通过计算待处理样本图像上每一行的像素强度和，并将像素强度和中，最小的像素强度和对应的与牙龈线方向平行的直线的位置，确定为牙龈线的位
置，由于在待处理样本的中间区域，牙龈线的位置为像素强度和最小的位置，因此，本技术的技术方案能够准确地确定出的牙龈线的位置，从而能够提高了根据牙龈线位置进行感兴趣区域提取的准确度。
97.s203、根据牙龈线的位置对待处理样本图像进行感兴趣区域提取处理，得到目标图像。
98.示例的，待处理样本图像为矩形图像，因此，在根据牙龈线的位置对待处理样本图像进行感兴趣区域提取处理，得到目标图像时，可以在待处理样本图像四个边角位置获取预设尺寸的像素块；计算各像素块的像素均值，并将四个边角位置对应的像素均值按照从小到大的顺序进行排列，形成像素均值顺序列；根据像素均值顺序列，确定牙龈所处的位置，并根据牙龈线的位置对待处理样本图像进行感兴趣区域提取，得到目标图像。其中，像素块的预设尺寸可以根据待处理样本图像的尺寸进行设定，待处理样本图像的尺寸大时，像素块的预设尺寸则大，反之，像素块的预设尺寸则小，本技术实施例对于像素块的预设尺寸不做任何限定。
99.示例的，待处理样本图像的四个边角位置可参见图3所示，图3为本技术实施例提供的一种获取待处理样本图像中像素块的方法示意图。图3中的四个白色框均为获取的待处理样本图像的像素块的位置。获取图3中四个像素块对应的像素均值，并按照从小到大的顺序进行排列，形成像素均值序列。
100.在本技术实施例中，根据待处理样本图像四个边角位置的像素块对应的像素均值形成的像素均值序列，确定牙龈所处的位置，并根据牙龈线的位置对待处理样本图像进行感兴趣区域提取，得到目标图像。由于待处理样本图像的四个边角位置的像素均值与牙龈所处的位置相关，能够提高感兴趣区域提取的准确度，从而提高得到的目标图像的准确度。
101.在根据像素均值顺序列，确定牙龈所处的位置，并根据牙龈线的位置对待处理样本图像进行感兴趣区域提取，得到目标图像时，可以将像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为牙龈所处的位置；以牙龈线为分割线，对待处理样本图像进行切割，将待处理样本图像中，牙龈线与两个像素块的位置之间的区域确定为感兴趣区域；将感兴趣对应的图像确定为目标图像。
102.根据上述图3所示的图像，待处理样本图像四个边角位置的像素块中，存在两个像素块为背景图像，存在两个像素块为牙龈所处的位置的图像，由于牙龈所处的位置的图像的亮度较大，也就是说，牙龈的位置的两个像素块对应的像素均值，大于背景图像处的两个像素块对应的像素均值。因此，将像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为牙龈所处的位置。
103.示例的，在将像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为牙龈所处的位置时，还可以根据像素均值顺序列，确定牙齿为上牙还是下牙，若像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置位于待处理样本图像的上部，则待处理样本图像为上牙的图像；若像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置位于待处理样本图像的下部，则待处理样本图像为下牙的图像。其中，上牙为处于口腔上部的牙齿，下牙为处于口腔下部的牙齿。可以理解的是，图3所示为下牙的图像。
104.在本技术实施例中，通过确定牙龈所处的位置，以牙龈线为分割线对待处理图像
进行切割，将牙龈线与两个像素块的位置之间的区域确定为感兴趣区域，使得感兴趣区域为牙龈区域，能够排除其他牙病的干扰，使得根据目标图像进行模型训练时，提高了牙根管治疗史检测模型的准确度。
105.示例的，在确定目标图像后，由于牙龈线的位置不同，确定的目标图像的尺寸可能不同，为了保证模型训练的准确性，可以将多张目标图像的尺寸统一为同一尺寸的目标图像。
106.s204、提取多张目标图像对应的特征向量，生成特征向量样本集，并将特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型；牙根管治疗史检测模型用于对牙根管治疗史进行检测，获取牙根管的相关信息。
107.在提取多张目标图像对应的特征向量时，可以通过尺度不变特征变换算法对多张目标图像进行特征点提取，得到目标图像对应的特征；利用聚类算法对特征进行聚类分析，得到第一聚类结果；根据第一聚类结果，提取多张目标图像对应的特征向量。其中，尺度不变特征变换(scale
‑
invariant feature transform，简称sift)算法，是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。
108.示例的，在通过尺度不变特征变换算法对多张目标图像进行特征点提取，得到目标图像对应的特征时，目标图像经过sift特征点提取后，可以得到目标图像的特征描述子，每个特征描述子有三个信息：位置、尺度和方向。进一步的，可以将所有目标图像对应的sift特征放在一起构建一个字典，可以运用k
‑
means聚类算法将所有目标图像对应的sift特征聚成预设类别，例如50类，从而将构建的字典转换为词袋，得到第一聚类结果。此外，对于每张图片中的每个特征，确定与目标图像对应的sift特征最近的中心点，也就是找到该目标图像在每个词袋中出现的频率，将出现的频率确定为目标图像的特征向量。若预设类别为50类，则词袋的数量为50个，则目标图像的特征向量可以为50
×
1的特征向量。其中，特征描述子主要分布在图像灰度梯度变化较大的位置边界。
109.示例的，将上述方法确定的多个目标图像对应的特征向量，生成特征向量样本集，并将特征向量样本集输入至支持向量机(support vector machines,，简称svm)分类器进行训练，使得svm分类器能够对特征向量样本集进行分类，从而得到牙根管治疗史检测模型，
110.在本技术实施例中，通过尺度不变特征变换算法以及聚类算法对目标图像进行处理，提取出多张目标图像对应的特征向量，使得确定的特征向量更加准确，从而提高得到的牙根管治疗史检测模型的准确度。
111.为了进一步提高牙根管治疗史检测模型的准确度，可以对牙根管治疗史检测模型进行测试，示例的，可以通过尺度不变特征变换算法对预设数量目标图像作为第一目标图像，对第一目标图像进行特征点提取，得到第一目标图像对应的特征；利用聚类算法对特征进行聚类分析，得到第二聚类结果；根据第二聚类结果，提取第一目标图像对应的特征向量，生成特征向量测试集；将特征向量测试集输入至牙根管治疗史检测模型中，对牙根管治疗史检测模型进行测试，得到牙根管治疗史检测模型对于牙根管治疗史检测的正确率。上述确定第一目标图像对应的特征向量的方法与上述确定目标图像对应的特征向量的方法类似，可以理解的是，在确定目标图像对应的特征向量时，已通过聚类算法实现目标图像对
应的sift特征聚成预设类别，并生成词袋，因此，在确定第一目标图像对应的特征向量时，可以直接使用上述实施例生成的词袋，从而提高了对牙根管治疗史检测模型进行测试的效率。
112.可以理解的是，在得到牙根管治疗史检测模型对于牙根管治疗史检测的正确率之后，若正确率低于预设阈值，则可以根据上述实施例所述的方法对牙根管治疗史检测模型进行修正，以提高正确率。
113.在本技术实施例中，通过对牙根管治疗史检测模型进行测试，得到牙根管治疗史检测模型对于牙根管治疗史检测的正确率，使得能够根据对于牙根管治疗史检测的正确率对牙根管治疗史检测模型进行进一步的修正，从而提高牙根管治疗史检测模型的准确度。
114.由此可见，本技术实施例提供的牙根管治疗史检测模型训练方法，获取多张待处理样本图像，待处理样本图像为单个牙齿和单个牙齿对应的牙龈的图像；针对每张待处理样本图像，对待处理样本图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置；根据牙龈线的位置对待处理样本图像进行感兴趣区域提取处理，得到目标图像；提取多张目标图像对应的特征向量，生成特征向量样本集，并将特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型；牙根管治疗史检测模型用于对牙根管治疗史进行检测，获取牙根管的相关信息。本技术提供的技术方案能根据确定的牙龈线的位置对待处理图像进行感兴趣区域提取，得到目标图像，能够避免其他牙病的干扰，使得得到的目标图像更加准确，此外，通过将特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型，能够避免卷积神经网络造成特征信息损失的问题，使得在使用牙根管治疗史检测模型对牙根管治疗史进行检测时，能够提高得到的牙根管的相关信息的准确度。
115.为了便于理解本技术实施例提供的牙根管治疗史检测模型训练方法，下面，将通过具体的例子对本技术实施例提供的技术方案进行详细的描述。，具体的可参见图4所示，图4为本技术实施例提供的另一种牙根管治疗史检测模型训练方法的流程示意图。
116.牙根管治疗史检测模型训练方法包括以下步骤：步骤1：构建样本集。其中，样本集中的样本图像是由牙科医生批量截取并标记根尖片上牙根管阳性和阴性的单个牙齿以及单个牙齿对应的牙龈的图像。示例的，牙根管阳性是指牙根管存在牙根管治疗史，牙根管阴性是指牙根管不存在牙根管治疗史。
117.步骤2：数据增强。数据增强可以采用左右翻转、增强对比度和增加亮度三种方法将样本集中的样本图像扩增四倍。其中，样本图像扩增四倍是指将样本图像中的背景和牙齿图像之间的强度的比例扩增四倍，本技术实施例对于具体的方式不做任何限定。
118.步骤3：牙根管感兴趣区域提取。可以通过获取牙龈分界线的方法，提取牙根管感兴趣区域，并可以提取牙龈内牙齿。
119.步骤4、机器学习训练样本。可以使用sift
‑
svm方法训练样本，构建牙根管检测模型。
120.步骤5、模型调用进行测试。将测试集输入至模型，得到模型预测的正确率，即确定模型对于牙根管治疗史检测的正确率。
121.示例的，上述步骤3中的获取感兴趣区域的方法，可参见图5所示，图5为本技术实施例提供的一种提取感兴趣区域的方法流程示意图。根据图5所示，在提取样本图像的感兴
趣区域时，包括以下步骤：
122.步骤1：获取水平方向像素强度积分曲线。
123.在本步骤中，通过阈值分割的方法，去除样本图像中牙龈缝隙间噪声的影响，得到处理后的样本图像；对处理后的样本图像进行像素积分，即对平行与x轴的每一行对像素的强度进行求和，得到多个像素强度和，并根据多个像素强度和绘制像素积分曲线。进一步地，可以savitzky
‑
golay滤波器对像素积分曲线进行滤波处理，平滑像素积分曲线，从而获取水平方向像素强度积分曲线。其中，x周方向为牙龈线的方向。
124.可以理解的是，本步骤中的阈值分割、像素积分以及savitzky
‑
golay滤波器滤波，均与上述实施例所述的方法类似，本技术实施例在此不再赘述。
125.图6为本技术实施例提供的一种获取水平方向像素强度积分曲线的示意图。图6中所示的，填充牙齿、牙根管阳性和正常牙齿的样本图像均为经过阈值分割处理后得到的样本图像，填充牙齿、牙根管阳性和正常牙齿的样本图像对应的像素强度曲线均为经过savitzky
‑
golay滤波器滤波处理后的曲线。本技术实施例仅以savitzky
‑
golay滤波器为例进行说明，但并不代表本技术实施例仅局限于此。其中，牙根管阳性表示存在牙根管治疗史。
126.步骤2：获取切割线。
127.在本步骤中，获取样本图像中段区域所有波谷点，由于牙龈线分布在样本图像的中段区域，且牙龈线的像素强度积分为获取的所有波谷点中最小的，因此，可以在像素强度积分曲线中，筛选出像素强度值最小的波谷点，并将像素强度值最小的位置确定为牙龈线的位置，即切割线的位置。牙龈线基本水平，在确定波谷点后就可以横向切割，在确定的波谷点处进行横向切割，将样本图像切割为两部分，由于是在牙龈线的位置处切割的，因此，样本图像被切割为牙齿部分的图像，以及牙龈部分的图像。
128.图7为本技术实施例提供的一种获取切割线的示意图。根据图7所示，通过本技术实施例的方法，可以获取填充牙齿、牙根管阳性和正常牙齿的样本图像的切割线，即样本图像的切割线。
129.步骤3：获取感兴趣区域。
130.在本步骤中，可以求取未切割的样本图像左上、右上、左下、右下各10
×
10像素块均值，根据像素均值可判断对切割的图像是上牙还是下牙，具体的，根据比较得出均值最小的像素块，判断图像为上牙还是下牙，其中，上牙的左下和右下像素块均值小，下牙的左上和右上像素块均值小。在获取感兴趣区域时，上牙选取图像的上半部，下牙反之，可以理解的是，牙龈线基本水平，确定波谷点后就可以横向切割。在切割后，可以将样本的尺寸进行统一，示例的，可以将牙龈线基本水平，确定波谷点后就可以横向切割。本技术实施例仅以上述像素块和感兴趣区域的尺寸胃里进行说明，但并不代表本技术实施例仅局限于此。
131.例如，图8所示，图8为本技术实施例提供的一种感兴趣区域的图像的示意图。根据图8所示的图像，可以明显看出牙根管阳性的感兴趣区域图像与填充牙齿的感兴趣区域图像和正常牙齿的感兴趣区域图像不同，也就是说，本技术实施例提供的方法能够准确的提取出牙根管阳性的图像的特征，从而避免其他牙病的干扰。
132.示例的，在获取样本图像的感兴趣区域后，可以根据获取的样本图像的感兴趣区域，确定牙根管治疗史检测模型，并对牙根管治疗史检测模型进行测试。可参见图9所示，图
9为本技术实施例提供的一种牙根管治疗史检测模型的训练和测试方法的流程示意图。
133.根据图9所示，在获取感兴趣区域的多张图像后，构建样本集，将感兴趣区域提取后的样本集分为训练集和测试集两部分，为了提高得到的牙根管治疗史检测模型的准确度，可以将样本集中的80％的图像作为训练集，20％的图像作为测试集。
134.在使用训练集进行模型训练时，通过尺度不变特征变换算法提取特征点，提取每张图像中具有代表性的特征，将所有图像的特征放在一起形成一个字典。进一步地，通过k
‑
means聚类算法生成特征向量，具体的，将训练集图像的特征点聚成50类生成词袋以及聚类结果，并保存词袋，根据聚类结果生成训练集每张图像的特征向量。进一步地，通过支持向量机分类器训练，具体的，将训练集转换的特征向量输入至分类器进行训练，得到牙根管治疗史检测模型，并保存模型。
135.为了检验得到的牙根管治疗史检测模型的准确度，可以根据图9所示的测试集对牙根管治疗史检测模型进行测试。根据图9所示，在对牙根管治疗史检测模型进行测试时，可以通过尺度不变特征变换算法提取特征点，该方法与上述生成模型相同，本技术实施例对此不再赘述。进一步地，通过k
‑
means聚类算法生成特征向量，具体的，调用训练集生成的词袋，将测试集图像的特征在训练集生成的词袋基础上进行聚类，根据聚类结果生成测试集每张图像的特征向量。并进行支持向量机分类器测试，具体的，调用训练后的模型，将测试集转换的特征向量输入到模型中，从而得到模型的正确率。使得根据模型的正确率确定是否需要重新进行模型训练。
136.可以理解的是，模型训练和测试的方法与上述图2所示的实施例中描述的相同，可参见图2中所述的步骤，本技术实施例对此不再详细描述。
137.综上所述，本技术实施例提供的技术方案，在进行关键特征区域，即感兴趣区域的提取之后，再通过算法进行训练，得到牙根管治疗史检测模型，使得得到的牙根管治疗史检测模型在进行牙根管治疗史检测时，其检测的准确度更高。
138.图10为本技术实施例提供的一种图像处理方法的流程示意图。该牙根管治疗史检测模型训练方法可以由电子设备中的软件和/或硬件装置执行。示例的，可参见图10所示，该图像处理方法可以包括：
139.s1001、采集待处理图像，待处理图像为单个牙齿和单个牙齿对应的牙龈的图像。
140.示例的，采集的待处理图像为医生通过采集设备采集的用户的牙齿的图像。本技术实施例对于具体的采集方式不做任何限定。
141.s1002、对待处理图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置。
142.可以理解的是，对待处理图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置的方法，与上述实施例中确定待处理样本图像的牙龈对应的牙龈线的位置的方法相同，本技术实施例对此不再赘述。
143.s1003、根据牙龈线的位置对待处理图像进行感兴趣区域提取处理，得到第二图像。
144.示例的，本技术实施例中，得到第二图像的方法，与上述实施例中得到目标图像的方法相同，可参见上述实施例所述，本技术实施例对此不再赘述。
145.s1004、将第二图像输入至牙根管治疗史检测模型对牙根管治疗史进行检测，得到牙根管的相关信息，牙根管的相关信息包括存在牙根管治疗史和不存在牙根管治疗史。
146.示例的，在将第二图像输入至牙根管治疗史检测模型对牙根管治疗史进行检测时，可以提取第二图像对应的特征向量，将特征向量输入至分类器中进行检测，得到牙根管的相关信息。其中，提取第二图像对应的特征向量的方法可参见上述实施例中提取目标图像对应的特征向量的方法，本技术实施例对此不再赘述。牙根管治疗史检测模型为上述实施例训练得到的。
147.可以理解的是，在得到牙根管的相关信息时，可以直接得到待处理图像中的牙齿和对应的牙龈是否存在牙根管治疗史。在输出牙根管的相关信息时，可以直接输出存在牙根管治疗史或不存在牙根管治疗史的相关信息，也可以输出标记信息，例如，输出0表示不存在牙根管治疗史，输出1表示存在牙根管治疗史。本技术实施例对于具体的输出方式不做任何限定。
148.图11为本技术实施例提供的一种牙根管治疗史检测模型训练装置110的结构示意图，示例的，请参见图11所示，该牙根管治疗史检测模型训练装置110可以包括：
149.获取模块1101，用于获取多张待处理样本图像，待处理样本图像为单个牙齿和单个牙齿对应的牙龈的图像。
150.处理模块1102，用于针对每张待处理样本图像，对待处理样本图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置。
151.处理模块1102，还用于根据牙龈线的位置对待处理样本图像进行感兴趣区域提取处理，得到目标图像。
152.训练模块1103，用于提取多张目标图像对应的特征向量，生成特征向量样本集，并将特征向量样本集输入至支持向量机分类器进行训练，得到牙根管治疗史检测模型。
153.处理模块1102，具体用于在与牙龈线平行的方向上，对待处理样本图像上每一行的像素强度进行积分处理，得到每一行的像素强度和；将待处理样本图像的所有行对应的像素强度和中，处于待处理样本图像中间区域的最小的像素强度和对应的与牙龈线方向平行的直线的位置，确定为牙龈线的位置。
154.待处理样本图像为矩形图像；处理模块1102，具体用于在待处理样本图像四个边角位置获取预设尺寸的像素块；计算各像素块的像素均值，并将四个边角位置对应的像素均值按照从小到大的顺序进行排列，形成像素均值顺序列；根据像素均值顺序列以及牙龈线对待处理样本图像进行感兴趣区域提取，得到目标图像。
155.处理模块1102，具体用于将像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置确定为牙龈所处的位置；以牙龈线为分割线，对待处理样本图像进行切割，将待处理样本图像中，牙龈线与两个像素块的位置之间的区域确定为感兴趣区域；将感兴趣对应的图像确定为目标图像。
156.训练模块1103，具体用于通过尺度不变特征变换算法对多张目标图像进行特征点提取，得到目标图像对应的特征；利用聚类算法对特征进行聚类分析，得到第一聚类结果；根据第一聚类结果，提取多张目标图像对应的特征向量。
157.牙根管治疗史检测模型训练装置还包括测试模块1104，测试模块1104，用于通过尺度不变特征变换算法对预设数量目标图像作为第一目标图像，对第一目标图像进行特征点提取，得到第一目标图像对应的特征；利用聚类算法对特征进行聚类分析，得到第二聚类结果；根据第二聚类结果，提取第一目标图像对应的特征向量，生成特征向量测试集；将特
征向量测试集输入至牙根管治疗史检测模型中，对牙根管治疗史检测模型进行测试，得到牙根管治疗史检测模型对于牙根管治疗史检测的正确率。
158.图12为本技术实施例提供的一种图像处理装置120的结构示意图，示例的，请参见图12所示，该图像处理装置120可以包括：
159.采集模块1201，用于采集待处理图像，待处理图像为单个牙齿和单个牙齿对应的牙龈的图像。
160.确定模块1202，用于对待处理图像的像素强度进行积分处理，得到牙龈对应的牙龈线的位置。
161.确定模块1202，还用于根据牙龈线的位置对待处理图像进行感兴趣区域提取处理，得到第二图像。
162.输出模块1203，用于提取第二图像对应的特征向量，并将第二图像对应的特征向量输入至牙根管治疗史检测模型，得到牙根管的相关信息，牙根管的相关信息包括存在牙根管治疗史和不存在牙根管治疗史，其中，牙根管治疗史检测模型为通过牙根管治疗史检测模型训练方法训练得到的。
163.确定模块1202，具体用于在与牙龈线平行的方向上，对待处理图像上每一行的像素强度进行积分处理，得到每一行的像素强度和；将待处理图像的所有行对应的像素强度和中，最小的像素强度和和对应的牙龈线方向平行的直线的位置，确定为牙龈线的位置。
164.待处理图像为矩形图像；确定模块1202，具体用于在待处理图像四个边角位置获取预设尺寸的像素块；计算各像素块的像素均值，并将四个边角位置对应的像素均值按照从小到大的顺序进行排列，形成像素均值顺序列；根据像素均值顺序列以及牙龈线对待处理图像进行感兴趣区域提取，得到第二图像。
165.确定模块1202，具体用于确定像素均值顺序列中处于第三位和第四位的像素均值对应的像素块的位置；以牙龈线为分割线，对待检测图像进行切割，将待检测图像中，牙龈线与两个像素块的位置之间的区域确定为感兴趣区域；将感兴趣对应的图像确定为第二图像。
166.输出模块1203，具体用于通过尺度不变特征变换算法对第二图像进行特征点提取，得到目标图像对应的特征；利用聚类算法对特征进行聚类分析，得到第三聚类结果；根据第三聚类结果，提取第二图像对应的特征向量。
167.本技术实施例提供的牙根管治疗史检测模型训练装置和图像处理装置，可以执行上述任一实施例中的技术方案，其实现原理以及有益效果与上述实施例的实现原理及有益效果类似，可参见上述实施例的实现原理及有益效果，此处不再进行赘述。
168.图13为本技术提供的一种电子设备结构示意图。如图13所示，该电子设备130可以包括：至少一个处理器1301和存储器1302。
169.存储器1302，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
170.存储器1302可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
171.处理器1301用于执行存储器1302存储的计算机执行指令，以实现前述方法实施例所描述的牙根管治疗史检测模型训练方法或图像处理方法。其中，处理器1301可能是一个
中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。具体的，在实现前述方法实施例所描述的牙根管治疗史检测模型训练方法时，该电子设备例如可以是终端、服务器等具有处理功能的电子设备。在实现前述方法实施例所描述的图像处理方法时，该电子设备例如可以是集装箱卡车的电子控制单元。
172.可选的，该电子设备1300还可以包括通信接口1303。在具体实现上，如果通信接口1303、存储器1302和处理器1301独立实现，则通信接口1303、存储器1302和处理器1301可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
173.可选的，在具体实现上，如果通信接口1303、存储器1302和处理器1301集成在一块芯片上实现，则通信接口1303、存储器1302和处理器1301可以通过内部接口完成通信。
174.本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
175.本技术还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备实施上述的各种实施方式提供的牙根管治疗史检测模型训练方法或图像处理方法。
176.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。