欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025101942427
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于计算机视觉的龋齿智能识别方法,其特征在于:该方法包括以下步骤:步骤S1:图像采集,采集牙齿图像并进行图像质量增强,构建胶囊图网络,通过胶囊图网络对牙齿图像进行数据扩增;

步骤S2:图像分割,图像分割,构建基于卷积神经网络的分割模型,生成牙齿图像的分割掩膜并对每个潜在病变区域进行分类,根据分割掩膜,裁剪出每个潜在病变区域,并调整为固定大小的样本;

步骤S3:瓶颈特征提取,使用深度自动编码器提取样本的瓶颈特征,将胶囊图网络引入深度自动编码器,生成特征嵌入;

步骤S4:重构误差优化,通过深度自动编码器对样本的瓶颈特征进行重构,得到重构误差;

步骤S5:生成诊断结果,根据重构误差,判断样本是否属于龋齿病变区域;

步骤S6:诊断结果反馈,诊断结果包括病变面积、位置、历史诊断记录和患者的元数据;

步骤S7:龋齿发展预测,构建预测模型,根据诊断结果预测龋齿病变的发展趋势;

步骤S8:根据龋齿病变的发展趋势生成龋齿智能化报告。

2.根据权利要求1所述的基于计算机视觉的龋齿智能识别方法,其特征在于:步骤S2,具体包括以下步骤:步骤S21:训练数据采集,从临床影像中采集历史龋齿病变图像数据并对每个潜在病变区域进行标注,标注龋齿病变标签,包括轻度龋齿、中度龋齿和重度龋齿;

步骤S22:构建分割模型,分割模型的架构包含编码器部分和解码器部分,解码器部分采用U-Net模型的结构,编码器部分引入ConvNeXt模型,解码器部分使用跳跃连接直接访问编码器;

步骤S23:设置损失函数,设计一个多标签召回损失函数,所用公式如下:;

其中,为多标签召回损失函数值,是样本数量,是样本索引,是龋齿病变标签的数量,为龋齿病变标签的权重系数,是第个样本在第个类别上的真实标签,取值为1或0,1代表存在病变,0代表没有病变,是分割模型对第个样本的类别概率,范围为[0,1];

步骤S24:模型训练,使用标注后的历史龋齿病变图像数据,结合多标签召回损失函数和交叉熵损失函数对分割模型进行训练;

步骤S25:分割掩膜生成,将步骤S1中数据扩增后的牙齿图像输入至训练后的分割模型中,生成分割掩膜;

步骤S26:裁剪病变区域,使用连通域分析技术从分割掩膜中提取病变区域的边界坐标,根据边界坐标,从步骤S1中数据扩增后的牙齿图像中裁剪出每个潜在病变区域。

3.根据权利要求1所述的基于计算机视觉的龋齿智能识别方法,其特征在于:步骤S3,具体包括以下步骤:步骤S31:构建深度自编码器,构建包含深度编码器、深度解码器及瓶颈层的深度自编码器架构,瓶颈层中引入胶囊图网络;

步骤S32:伪异常数据生成,通过胶囊图网络对样本进行特征嵌入,得到正常样本的瓶颈特征,通过随机扰动生成伪异常特征,利用动态融合策略,将正常样本的瓶颈特征与伪异常特征结合得到伪异常数据;

步骤S33:设计损失函数,设计一个加权重构误差损失函数,所用公式如下:;

其中,为加权重构误差损失函数值,为第个样本,为第个样本经过重构后输出的数据,为第个样本的瓶颈特征,为第个样本经过重构后的瓶颈特征,为瓶颈系数;

步骤S34:利用MFO-SFR-HWACO算法优化深度自编码器中的超参数,得到优化后的深度自编码器;

步骤S34,MFO-SFR-HWACO算法为Moth-Flame Optimization with Sub-FireflyReplacement and Hybrid Weighted Ant Colony Optimization,具体包括以下步骤:步骤S341:初始化飞蛾种群,其中每个飞蛾个体代表一组候选超参数配置,设置最大迭代次数;

步骤S342:初始化蚂蚁种群,并为其中每个蚂蚁个体定义路径选择规则和信息素浓度;

步骤S343:定义搜索空间,超参数配置包括瓶颈层维度、神经元数量、学习率和批次大小,为超参数配置中所有的超参数设置取值范围;

步骤S344:全局搜索,根据飞蛾的火焰更新规则,对飞蛾种群进行更新,在搜索空间中找到潜在的优质超参数配置;

步骤S345:局部优化,使用潜在的优质超参数配置更新蚂蚁种群,蚂蚁个体根据加权重构误差损失函数选择路径,通过逐步更新信息素浓度得到最优的超参数配置;

步骤S346:迭代优化,迭代步骤S344至步骤S345,直至达到最大迭代次数,输出最优的超参数配置;

步骤S35:特征嵌入生成,使用优化后的深度自编码器直接提取样本的瓶颈特征,作为最终的特征嵌入。

4.基于计算机视觉的龋齿智能识别系统,用于实现如权利要求1-3中任一项所述的基于计算机视觉的龋齿智能识别方法,其特征在于:包括数据采集模块、图像分割模块、瓶颈特征提取模块、重构误差优化模块、诊断结果生成模块、龋齿发展预测模块和智能化报告生成模块,具体包括以下内容:所述数据采集模块采集牙齿图像并进行图像质量增强和数据扩增;

所述图像分割模块构建基于卷积神经网络的分割模型,生成分割掩膜并将处理后的样本传输给瓶颈特征提取模块;

所述瓶颈特征提取模块使用深度自动编码器提取样本的瓶颈特征,引入胶囊图网络生成特征嵌入;

所述重构误差优化模块通过深度自动编码器对样本的瓶颈特征进行重构,得到重构误差传输给诊断结果生成模块;

所述诊断结果生成模块根据重构误差,判断样本是否属于龋齿病变区域并生成诊断结果;

所述龋齿发展预测模块构建预测模型,根据诊断结果预测龋齿病变的发展趋势;

所述智能化报告生成模块生成龋齿智能化报告,包括诊断结果和预测龋齿病变的发展趋势。