用于牙齿图像采集和识别牙齿早期牙釉质侵蚀的系统和方法与流程

1.本发明涉及用于牙齿早期牙釉质侵蚀的识别和分类系统和方法。本发明尤其涉及基于图像分析来训练和使用卷积神经网络(cnn)的此类识别和分类系统和方法。


背景技术：

2.用于图像分类的卷积神经网络在以下中描述：例如p.pinheiro和r.collobert的《用于场景标记的递归卷积神经网络》(recurrent convolutional neural networks for scene labeling.)，2014年中国北京第31届国际机器学习大会。jmlr：w&cp第32卷(第82-90页)；和l-saffar等人，《图像分类中深度卷积神经网络研究》(review of deep convolution neural network in image classification)，2017年关于雷达、天线、微波、电子和电信的国际大会，马来西亚彭亨大学数据库。关于深度回归技术的讨论，参见lathuiliere等人的《深度回归综合分析》(a comprehensive analysis of deep regression)，arxiv:1803.08450v3[cs.cv]，2020年9月4日。


技术实现要素：

[0003]
在世界范围内，口腔疾病影响超过35.8亿人。最常见的是磨损和侵蚀、恒牙龋齿、牙结石、牙龈炎、牙斑和牙渍。这些牙科病症的早期诊断尤为重要。
[0004]
牙齿侵蚀被定义为一种化学过程，其涉及通过不来源于细菌的酸溶解牙齿硬组织，诸如牙釉质和牙质。当周围水相与牙齿矿物质不饱和时便会发生溶解。尽管世界卫生组织(who)在国际疾病分类中列出了牙齿侵蚀，但临床医生倾向于将侵蚀性组织丧失看作疾病本身。一个原因是由于侵蚀和物理磨损也会导致人一生中牙齿硬组织的生理性丧失。磨损是由除咀嚼或齿与齿接触以外的机械作用引起的硬齿物质的逐渐丧失。
[0005]
值得注意的是，牙齿硬组织的溶解或丧失是不可逆的。此外，牙齿硬组织的溶解或丧失可导致病变和严重的牙齿问题(如果任其进展的话)。
[0006]
早期牙齿硬组织侵蚀不会引起牙齿表面的临床变色或软化。因此，早期的牙齿硬组织侵蚀难以通过视觉或触觉感测来检测。此外，早期硬组织牙齿侵蚀可能不会表现出任何症状，或者症状可能极轻微，因此难以评估。
[0007]
然而，随着时间推移和连续暴露于酸性化学物质(包括软饮料中含有的那些酸)，牙齿形态发生改变。最终，将形成病变，并且侵蚀将表现为粗糙的外观。随着病变侵蚀或接近牙本质，颜色也将退化，并且从黄色变为棕色。而且，在这个阶段，牙齿对热变化更敏感。侵蚀性病变也可致使变粗糙并形成小的凹陷。
[0008]
牙齿侵蚀的早期诊断尤为重要。可以通过适当的牙齿清洁或通过避免产生此类侵蚀的酸性食物来避免牙齿侵蚀。
[0009]
侵蚀性磨损的评估较难，因为表面丧失通常进展缓慢并且需要长期的观察才能检测到变化。另一项挑战是识别稳定的参考，从该参考可以测量牙齿物质的丧失。
[0010]
已经开发了基本侵蚀性磨损检查(bewe)和视觉侵蚀牙科检查(vede)以确保临床
医生在侵蚀分级中的协调。已经设计了各种临床指标来检测和量化由于其他原因导致的侵蚀而诱发的牙齿表面丧失。大多数指标以临床诊断以及侵蚀性磨损病变的记录和监测为重点来设计。这些指标依赖于主观临床描述，并且当形态学变化最小时可能不如期望的那样精准。
[0011]
目前，临床表现是最重要的诊断特征。如上所述，牙科专业人员可能不容易识别非常早期阶段的牙齿侵蚀，并且可能不理会微小的牙齿表面丧失(tsl)，认为这在日常生活中是正常的和不可避免的，并且因此错误地确定不需要特定的干预。只有在疾病的后期阶段，通过常规检查发现牙硬组织侵蚀变得明显，即当牙质暴露，并且牙齿的外观和形状显著改变时才开始治疗。
[0012]
鉴于牙齿侵蚀主要使用视觉外观来识别，消费者必须依赖他们的牙医的专业知识来确定是否存在牙齿侵蚀。
[0013]
除了他们的专业知识之外，消费者依赖的牙医可以使用复杂的牙科图像捕获系统。这些通常昂贵的系统由专业人员在专业设置下使用。这些系统除了图像捕获设备本身之外通常还包括几个组件。一个示例包括复杂的照明设备。
[0014]
这些系统的输出旨在供专业人员使用并需要专门培训。这些系统可能体积庞大、需要空间和特定的环境调节。对于消费者来说，这些系统昂贵并且成本过高。这些系统需要消费者投入大量资金而仅用于早期检测牙釉质侵蚀。此外，这些系统需要进行技术维护，这超出了典型的消费者的能力。
[0015]
本发明提供了用于检测牙齿侵蚀的系统和方法。
[0016]
本发明还提供了一种系统和方法，该系统和方法是能够识别早期牙釉质侵蚀的智能工具。
[0017]
本发明还提供了此类用于常规牙科实践以能够确定牙齿侵蚀的进展的系统和方法。
[0018]
本发明提供了一种使用卷积神经网络(cnn)的系统和方法。cnn是可以训练具有数百万个参数的大数据集的深度学习算法。深度学习算法以模仿人类大脑皮层功能的方式设计。这些算法是深度神经网络的表示，即具有许多隐藏层的神经网络。
[0019]
本发明提供了这样一种系统和方法，其目的在于通过使用具有多个处理层的深度图来对数据中的高级抽象进行建模，以便自动提取特征。此类算法自动掌握解决问题所需的相关特征，从而减少了牙科专家的工作。
[0020]
本发明提供一种包括图像捕获设备、显示设备和处理器的系统。
[0021]
本发明还提供了一种神经网络算法，其采用元数据作为输入，并通过若干层非线性变换来处理元数据以计算输出分类。
[0022]
本发明提供了一种在消费者自己的个人空间或家里的隐私环境中获取牙齿图像的有效、方便和经济的方法。
[0023]
本发明提供了一种能够结合可见和近红外图像捕获机构和照明源的免提智能口腔图像获取和显示系统。
[0024]
本发明提供了一种可以由消费者使用在他们自己的家中无需进行预先经训练的图像获取系统。
[0025]
该系统可以与消费者自己的智能电话或智能显示设备集成，以实时显示捕获的图
像，并在将处理后的图像重新引导回消费者的显示器之前将其传输到基于云的处理系统。
[0026]
该系统使得消费者能够在消费者自己的私人空间中捕获牙齿的图像，该图像可用于通过基于云的图像处理系统来处理和识别牙齿病理，而无需训练或手动操作该设备。
[0027]
本发明还提供了在消费者之间传授自我护理方法的系统和方法。此类自我护理方法可包括停止牙釉质侵蚀，甚至其他口腔疾病发展的生活方式调整。有利地，该系统和方法有益于消费者，因为消费者在一生中经历较少的口腔症状，而且消费者花费较少的时间和金钱来管理口腔健康。
[0028]
上述内容并非旨在描述每个公开的实现方式，因为本公开中的特征可以被并入下文详述的附加特征中，除非明确地相反声明。
附图说明
[0029]
附图图示了本发明的各方面，并与本文的一般描述一起解释了本发明的原理。如整个附图所示，相同的附图标记表示相同或对应的组件。
[0030]
图1是根据本发明的系统。
[0031]
图2示出了根据本发明的cnn图。
[0032]
图3示出了由3
×
3内核对原始图像执行的卷积，以产生6
×
6矩阵。
[0033]
图4图示了根据本发明的cnn的池化类型。
[0034]
图5描述了根据本发明的用于识别牙齿的原始图像上的早期侵蚀及其位置的方法。
[0035]
图6是示出根据本发明实施例的图像捕获设备的透视图。
[0036]
图7示出了根据本发明的示例性显示设备。
[0037]
图8示出了根据本发明的另一示例性显示设备。
[0038]
图9示出了本发明的系统和方法的操作环境。
[0039]
图10是根据本发明的用于捕获牙齿图像的方法的流程图。
具体实施方式
[0040]
本发明的系统和方法通过使用独特训练的卷积神经网络或cnn来处理通过相机捕获的人的牙齿的图像。因此，该系统和方法可以识别早期侵蚀以及牙齿上的侵蚀位置。
[0041]
参考附图，特别是图1和图6，分别示出了根据本发明的用于训练cnn的系统(通常用数字100表示)和识别早期侵蚀的系统(通常用数字600表示)。
[0042]
参照图1，系统100包括电连接和/或通信连接的以下示例组件：计算单元102、数字图像捕获设备104、图像处理器106和经训练的神经网络模型108。
[0043]
经训练的神经网络模型108可以是本地的或在通过诸如因特网的网络192进行通信的服务器190上。
[0044]
计算单元102可以包括：控制单元140，其可以被配置为包括控制器142、处理单元144和/或非暂时性存储器146。计算单元102还可以包括接口单元148(可以被配置作为用于外部电源连接和/或外部数据连接的接口)、用于无线通信的收发器单元152、天线154和显示器156。计算单元102的组件可以以分布式方式实现。
[0045]
参考图1和图2，系统100的图像处理器106可操作地连接或耦合到网络192。图像处
理器106被配置为从数字图像捕获设备104接收可以包括人的一个或多个牙齿图像205的图像。图像处理器106还被配置为提供图像205以训练或提供给经训练的神经网络模型108，诸如图1的cnn 110。
[0046]
cnn 110是深度学习算法。cnn 110可以接收图像作为输入。cnn 110还可以对图像205进行分类，或者识别和区分图像205中的对象。
[0047]
cnn 110被配置为基于从图像处理器接收的图像学习并确定每个牙齿的牙釉质侵蚀。cnn 110或神经网络模型108还学习并确定与牙釉质侵蚀相关的分级量，使得系统100可以提供反馈。
[0048]
在图2所示的一个实施例中，cnn 110具有四个主要组件。这四个组件是输入层210、卷积层220、池化层230和全连接层240。每层210、220、230和240具有神经元。
[0049]
输入层210包含图像205的像素值。
[0050]
卷积层220保存由卷积过程提取的主要特征。卷积的主要任务是减小图像尺寸并提取主要特征。使用n
×
n矩阵的内核/滤波器实现卷积。卷积的输出是特征映射222。
[0051]
系统100使用池化层230来提取突出特征。
[0052]
全连接层240包含直接连接至相邻层中的神经元的神经元。全连接层240执行分类任务，以做出预测。
[0053]
图3图示了卷积计算过程，以及如何由3
×
3内核对原始图像执行卷积计算过程，以产生6
×
6矩阵(参见例如a.d.nishad《卷积神经网络(非常基本的)/数据科学和机器学习/kaggle》(convolution neural network(very basic)/data science and machine learning/kaggle)，位于https://www.kaggle.com/general/171197)。图4是cnn的池化类型以及如何计算最大值和平均值的说明性示例。在图3和图4中，网格中的数字图示了当处理图像时如何在神经网络中表示图像。卷积在图3中显示为方块302(3
×
3矩阵)，其在输入图像上向右移动，从左侧移动到右侧，得到方块304。一旦卷积到达图像205的最右边边缘，则发生一行的下移，并且重复扫描整个图像的过程。在每次向右侧移位时，在内核和内核悬停在其上的图像之间执行矩阵乘法。结果的总和被插入到新的网格，特征映射222。
[0054]
系统100通过池化来提取突出特征。
[0055]
如图4所示，池化进一步减小了特征映射222的大小，从而有利地减小了处理所需的计算能力。通常的池化类型是最大池化402和平均池化404。最大池化402返回由内核覆盖的区域中的最大值。平均池化404返回由内核覆盖的区域中的所有值的平均值。
[0056]
现在将参考图5描述根据本发明的方法。
[0057]
在步骤1中，使用相机捕获原始图像，并将其提交给经训练的cnn。
[0058]
在这些示例中，原始图像清楚地示出了适当照明的前视透视图中的两排牙齿，该照明不会由于阴影、变色、曝光过度或曝光不足而使牙齿的外观失真。
[0059]
在示例中，牙齿占据的图像面积至少为60％。
[0060]
在示例中，图像具有4：3的纵横比和800
×
600像素的最小分辨率。
[0061]
在步骤2中，cnn处理所提交的图像以识别可能存在早期牙釉质侵蚀的一个或多个区域。
[0062]
cnn由经训练的临床医生使用他/她的专业知识和判断标记的图像来训练。为了训练cnn 110，获取并标记两个牙齿图像集合。从约700名患者获得图像。标记可根据bewe评分
系统进行，如以下描述的：bartiett等人，《基本侵蚀性磨损检验(bewe)：新的科学和临床需求评分系统》(basic erosive wear examination(bewe):a new scoring system for scientific and clinical needs)，《临床口腔研究》(clin oral invest)(2008)12(增刊1)：s65-s68，通过引用并入本文。四级评分对牙齿磨损的外观或严重程度进行分级，没有表面丧失(0)、牙釉质表面纹理的初始丧失(1)、明显的缺陷、硬组织丧失(牙质)小于表面积的50％(2)或硬组织丧失大于表面积的50％(3)。
[0063]
也可以根据视觉侵蚀牙科检查(vede)系统进行牙齿侵蚀性磨损的标记，具有以下标准：等级0＝无侵蚀；1级＝初始牙釉质丧失，无牙质暴露；2级＝牙釉质明显丧失，无牙质暴露；3级＝牙质外露，受累表面＜1/3；4级＝牙质暴露，涉及1/3-2/3表面；5级＝牙质暴露，涉及＞2/3表面，参见，例如，mulic等人，《两种牙齿侵蚀性磨损临床评分系统的可靠性》(reliability of two clinical scoring systems for dental erosive wear)caries res 2010；44(3):294-9，通过引用并入本文。
[0064]
在本示例中，牙医使用其与bewe或vede评分一致的临床判断来标记图像，该bewe或vede评分与图像中观察到的状况有关。
[0065]
在第一牙齿图像集合中，训练聚焦基于早期侵蚀的观察结果。在第一牙齿图像集合中，训练聚焦也在侵蚀上，但其进一步包括磨损。
[0066]
因此，标记指示区域或位置、范围或大小，以及区域内的颜色变化和任何表面变化。换句话说，标记是基于临床证据。
[0067]
训练针对的病症包括早期牙釉质侵蚀、牙龈炎、磨损和侵蚀、恒牙龋齿、牙结石、牙斑和牙渍
[0068]
使用约1000至1500个数据点针对每种病症进行训练。考虑到牙龈炎的罕见性，牙龈炎训练使用了约700个数据点。
[0069]
作为非限制性示例，标记机制可以指示风险、灵敏度、分类和程度。
[0070]
在示例中，cnn 110所基于的算法可以调整图像的大小以适合cnn的最佳处理能力。该算法可以使用预定义的锚集合，其专门用于在区域建议期间以24、46和64的标度中的1：1、1：1.4和1.4：1的比率识别早期牙釉质侵蚀。
[0071]
在此类示例中，算法可以具有独特的重叠阈值和算法置信度阈值，其满足识别早期牙釉质侵蚀的需要。
[0072]
在步骤3中，cnn 110生成具有如步骤2中所示的标签的经处理的图像。经处理的图像的生成可以是实时的。经处理的图像，包括标签、从cnn 110所基于的服务器190传输到图1所示的显示器156。
[0073]
在示例中，步骤1至3中描述的过程由为诸如具有其自己的数字图像捕获设备(相机)的智能设备(例如，基于或)的数字设备而制作的软件应用来管理。软件应用程序便于捕获图像、存储图像、将图像传输到cnn 110所在的服务器190、经由网络192从服务器190接收经处理的图像以及在显示器156上为消费者显示经处理的图像。
[0074]
参考图6，现在将描述系统600。
[0075]
系统600包括用于捕获口腔图像的图像捕获设备602和向用户提供预览、拍摄、存储、分析和转发口腔图像的设备功能的显示设备604。图像捕获设备602包括对可见光和/或近红外光敏感的相机606和设置在外壳610内或周围的光源608。
[0076]
图像捕获设备602被配置为当用户的姿势是张开嘴、牙齿可见并且位于预定义的距离处时，捕获牙齿的前表面和内表面的图像。使用图像捕获设备602的过程由显示设备604引导，显示设备604可以包括可视指南和指令，并提供自动和免提操作的功能。
[0077]
图像捕获设备602通信地连接至显示设备604。在示例中，图像捕获设备602通过无线通信通信地连接至显示设备604。在其他示例中，图像捕获设备602通过有线通信通信地连接至显示设备604。
[0078]
在示例性实施例中，图像捕获设备602自动捕获牙齿的图像并实时传输到显示设备604。这使得用户能够查看显示设备604并调整定位。图像捕获可以由语音触发，例如用户发音“eee”或“aahh”几秒钟，而牙齿在显示设备604上可见。该功能即“牙齿检测功能”可以是软件或硬件。
[0079]
光源608可以是白色led和/或近红外led。光源608可以被打开和关闭，并且为系统提供两种不同波长的照明，允许采集可见和/或近红外图像。
[0080]
光源608由显示设备604的应用控制。数据处理单元还连接至蓝牙模块，并且通过蓝牙模块，数据处理单元624可以与显示设备604连接以传输数据。
[0081]
优选地，led具有940nm、1000nm和1300nm的可见和/或近红外波长。照明与图像的捕获同步并且可由显示设备604控制。
[0082]
此外，在外壳610内，存在包括电池622、数据处理单元624和蓝牙模块626的主控制电路板620。数据处理单元624与相机606通信连接，并控制相机捕获图像。数据处理单元624也连接至光源608。
[0083]
壳体610可以可选地附接至支撑在平台614上的可调节支架612。通过将设备安装在固定和可调节的支撑上，系统600避免了用户需要操纵图像捕获设备602。这允许用户自由地摆姿势，而不必协调机械或手动操作进而便于用户相对于相机定位他/她的嘴。因此，系统600便于获得用于处理的高质量牙齿图像。
[0084]
显示设备604可以是如图7所示的智能电话700。
[0085]
智能电话700配置有逻辑和电路，该逻辑和电路被配置为执行以下功能中的一者或多者(并且优选地全部)：引导用户拍摄牙齿的最佳图像；经由蓝牙从该图像捕获设备接收捕获的图像；显示所述图像；提供用户调整牙齿位置的指南和说明；存储该图像；将存储的图像经由互联网传输到图像处理器106或等效的基于云的图像处理系统；经由互联网从该基于云的图像处理系统接收该经处理的图像；以及显示具有标识牙科病理的标签的经处理的图像。有利的是，智能电话是便于看见的大屏幕触摸感应移动电话。
[0086]
智能电话700可以具有被配置为促进前述功能的软件应用程序，并且优选地进一步包括以下功能中的一者或多者(并且优选地全部)：识别可见牙齿表面/轮廓、适当距离和可见牙齿比例；实时地将图像传输到显示设备和从显示设备传输图像；以及存储该图像。软件优选地被配置为向用户提供预览、拍摄、存储、分析和转发口腔图像的设备功能。
[0087]
如上所述，智能电话700还被配置在软件中，以引导用户在通过牙齿检测功能获得最优图像时使用语音、图形或两者。
[0088]
牙齿检测功能是软件的特征，其确定在采集之前要采集的图像的适当的比例、距离和清晰度。牙齿检测功能通过识别张开的嘴和可见的牙齿或者当用户在显示牙齿的同时在预设的时间段(例如2秒、3秒或更多秒)内产生特定声音(例如
‘
eee’)来触发图像捕获设
备。牙齿检测功能能够获取用户牙齿的图像而无需用户手动操作。
[0089]
可替代地，如图8所示，显示设备604可以是配置有逻辑和电路的专用显示设备800，该逻辑和电路被配置为执行以下功能中的一者或多者(并且优选地全部)：引导用户拍摄牙齿的最佳图像；经由蓝牙从该图像捕获设备接收捕获的图像；显示所述图像；提供用户调整牙齿位置的指南和说明；存储该图像；将存储的图像通过互联网传输到图像处理器106或等效的基于云的图像处理系统；经由互联网从图像处理器106或该基于云的图像处理系统接收该经处理的图像；以及显示具有标识牙科病理的标签的经处理的图像。
[0090]
专用显示设备800可以具有被配置为促进前述功能的软件应用，并且还包括能够：识别可见牙齿表面/轮廓适当距离和可见牙齿比例；实时地将图像传输到显示设备和从显示设备传输图像；以及管理图像的存储。软件优选地被配置为向用户提供预览、图像拍摄、存储、分析和转发口腔图像的设备功能。
[0091]
专用显示设备还可以包括如智能电话700的“牙齿检测功能”。
[0092]
如图9所示，图像捕获设备602和显示设备604(诸如智能电话700或专用显示设备800)可连接或附接到镜子(诸如浴室镜916)。因此，用户可以容易地将系统600结合到他们自己浴室的舒适的日常牙科例程中。
[0093]
系统600与诸如因特网的网络192(图1)通信。经捕获的图像可以由显示设备604通过互联网传输到基于云的图像处理系统或图像处理器106，该基于云的图像处理系统或图像处理器106可以经由互联网将经处理的图像传输回显示设备604。显示设备604可以经由集成的无线连接模块连接至因特网。
[0094]
现在将参考图10描述系统600的操作1000。
[0095]
在步骤1002中，用户打开图像捕获设备602，从而打开相机和照明源。因此，在步骤1002中，图像捕获设备602被通电。
[0096]
在步骤1004中，用户将显示设备604与图像捕获设备602连接并定位该设备。图像捕获设备602和显示设备604还可基于检测到的它们之间的接近度而自动连接。因此，在步骤1004中，显示设备604通信地连接至图像捕获设备602。
[0097]
在步骤1006中，用户将前面/内部牙暴露给相机606。这使得用户能够在显示设备604上实时预览图像。因此，在步骤1006中，显示设备604显示由相机606捕获的用户的暴露的牙齿的预览图像。
[0098]
在步骤1008中，如果需要，用户以牙齿出现在显示设备604上所示的指南内的方式或根据来自同一显示设备的语音指令来调节暴露的牙齿。因此，显示设备604向用户提供音频和/或视觉反馈或指南。
[0099]
在步骤1010中，用户将暴露的牙齿保持在适当的位置一段预设的时间，以捕获牙齿的图像，或者在牙齿可见时产生诸如“eee”的声音几秒钟，以激活相机。因此，在步骤1010中，捕获暴露的牙齿的图像。
[0100]
在步骤1012中，显示设备/智能电话存储捕获的图像并经由因特网将其传输到图像处理器存储设备和/或基于云的图像处理系统。
[0101]
在步骤1014中，经训练的卷积神经网络(cnn)分析图像，例如图1的cnn 110。
[0102]
在步骤1016中，cnn检测并标记牙科病理。
[0103]
在步骤1018中，经分析的图像经由互联网被传输回显示设备604。
[0104]
在步骤1020中，显示设备604显示并存储经分析的图像以及对在处理期间由cnn检测和标记的牙科病理的评估。
[0105]
用户可以关闭图像捕获设备602以结束会话。
[0106]
基于经处理的图像和分类，系统600可向消费者提供关于下一动作过程的特定指令。非限制性示例包括清洁和牙线清洁说明、牙齿特殊处理建议、生活方式调整建议和牙齿检查提醒。
[0107]
具体地，本发明在其各种实施例中在以下编号的段落中描述：
[0108]
(1)一种用于训练用于早期牙釉质侵蚀检测的图像识别算法的系统，该系统包括：连接至网络的图像处理器，该图像处理器被配置为：从数字设备接收图像集合；在该集合的每个图像上标记存在早期牙釉质侵蚀的指示的一个或多个区域；将所标记的图像提供给神经网络模型以训练神经网络模型基于被标记的牙齿图像识别牙釉质侵蚀；以及根据经训练的神经网络模型检测牙釉质侵蚀。
[0109]
(2)根据段(1)的系统，其中该经训练的神经网络模型是回归深度学习卷积神经网络模型。
[0110]
(3)根据段(2)的系统，其中该回归深度学习卷积神经网络模型由与对应的早期牙釉质侵蚀图像相关联的人的牙齿图像进行训练。
[0111]
(4)根据段(2)的系统，其中该卷积神经网络：接收输入数据作为识别对象，执行对象识别，并输出该对象识别结果。
[0112]
(5)根据段(2)的系统，其中卷积神经网络接收用于对象识别的输入数据，并且其中执行该对象识别并输出该过程对象识别结果。
[0113]
(6)根据段(5)的系统，其中该对象识别过程包括卷积层中的每个卷积、基于每个输入通道信号的每个神经元、每个通道上的数据分别卷积的信号、通道选择部分信号，以及卷积映射特征的所选择的通道结果的信号，以获得特征信息。
[0114]
由此，在多次卷积之后，生成特征映射；然后提取感兴趣区域并将其馈送到全连接层中；最后进行分类并创建边界框。
[0115]
(7)根据段(6)的系统，其中作为神经元的输出的结果而获得的特性信息是卷积下一层神经元的输入和输出。
[0116]
(8)根据段(1)的系统，还包括服务器和网络，其中该经训练的神经网络模型存储在该服务器上。
[0117]
(9)根据段(1)的系统，还包括数字设备，其中该数字设备被配置为捕获包括人的牙齿图像的图像，并且其中该数字设备电耦合到该网络。
[0118]
(10)根据段(1)的系统，其中该图像处理器还被配置为评估该图像以确定人的牙釉质侵蚀的程度。
[0119]
(11)根据段(1)的系统，还包括电子设备，用于接收检测到的人的牙釉质侵蚀以及接收从电子设备到智能电话的输入。
[0120]
(12)一种用于早期牙釉质侵蚀检测的图像采集系统，该系统包括：图像捕获设备；和可操作地连接至该图像捕获设备的显示设备；
[0121]
其中该图像采集系统被配置为：捕获用户的暴露的牙齿的图像；将获得的图像传输至经训练的cnn，该经训练的cnn通过用该经训练的cnn检测和标记牙科病理来分析该获
得的图像，以产生经分析的图像；以及在该显示设备上接收和显示该经分析的图像。
[0122]
(13)根据段(12)的系统，还包括光源。
[0123]
(14)根据段(13)的系统，其中该光源被配置为发射可见光和近红外光。
[0124]
(15)根据段(12)的系统，其中该图像采集设备对可见光源和近红外光源敏感。
[0125]
(16)根据段(12)的系统，其中该图像捕获基于定时器。
[0126]
(17)根据段(12)的系统，其中该图像捕获基于语音命令。
[0127]
(18)根据段(1)的系统，其中牙釉质侵蚀检测使用专门用于在区域建议期间以24、46和64的标度中的1：1、1：1.4和1.4：1的比率识别早期牙釉质侵蚀的预定义锚点集合。
[0128]
(19)一种使用根据段(1)的系统训练用于早期牙釉质侵蚀检测的图像识别算法的方法。
[0129]
应当注意，本文可以使用术语“第一”、“第二”等来修改各种元件。除非特别说明，这些修饰语并不意味着修饰元素的空间、顺序或分层顺序。
[0130]
如本文所用，术语“一”和“一个”意指“一个或多个”，除非另外具体指明。
[0131]
如本文所用，术语“基本上”意指动作、特性、性质、状态、结构、项目或结果的完全或几乎完全的范围或程度。例如，“基本上”封闭的对象是指该对象是完全封闭的或几乎完全封闭的。在某些情况下，偏离绝对完全性的确切允许程度取决于具体的上下文。然而，一般来说，接近完成将具有相同的总体结果，就好像获得了绝对和完全完成一样。
[0132]
如本文所用，术语“包括”意指“包括但不限于”；术语“基本上由
…
组成”是指该方法、结构或组合物包括具体列举的步骤或组件，并且还可以包括不实质上影响该方法、结构或组合物的基本新特征或特性的那些步骤或组件；术语“由
…
组成”是指该方法、结构或组合物仅包括具体列举的那些步骤或组件。
[0133]
如本文所用，术语“大约”用于通过规定给定值可以“略高于”或“略低于”端点而为数值范围端点提供灵活性。此外，当提供数值范围时，该范围旨在包括该数值范围内的任何和所有数字，包括该范围的端点。
[0134]
虽然已经参考一个或多个示例性实施例描述了本发明，但是本领域技术人员将理解，在不脱离本发明的范围的情况下，可以进行各种改变，并且可以用等效物替换其元件。此外，在不脱离本发明的范围的情况下，可以进行许多修改以使特定情况或材料适应本发明的教导。因此，本发明不限于本文公开的特定实施例，而是本发明将包括落入其合理阅读范围内的所有方面。