本发明应用于人工智能医学图像处理，具体是一种基于人工智能的牙周炎检测方法。
背景技术：
1、口腔全景片是一种经典的x射线成像技术，旨在获取口腔全景视图，显示口腔内所有牙齿、牙根、牙周骨质以及周围软组织的整体结构。该技术通常用于全面评估口腔解剖结构和检测疾病。而牙周炎则是一种常见的慢性炎症性牙周疾病，由细菌感染引起，可能导致牙周组织的破坏和牙齿丧失。在牙周炎的早期发现和治疗方面，口腔全景片技术具有重要意义。
2、牙周炎的诊断主要依赖于牙周骨质的观察。正常情况下，牙周骨质应呈均匀密实，牙根周围不应有明显的骨质丧失。然而，当存在牙周炎时，由于炎症介质和细菌感染引发的骨质吸收，牙周骨质将呈现异常的密度和形态。这些特征在口腔全景片上表现为骨质密度减少、骨脊变细或消失等异常影像。
3、传统的检测牙周炎的方法通常依赖于临床检查和影像分析。在临床检查中，牙医会通过观察患者的牙龈颜色、形态、出血情况以及牙齿松动等指标，来初步判断是否存在牙周炎。此外，牙医还会使用牙周探针等工具，对牙龈袋深度、牙龈脱附情况等进行测量，进一步评估牙周组织的健康状况。在x射线影像分析中，口腔全景片是常用的影像检查手段之一，通过观察牙周骨质的密度和形态变化，辅助诊断牙周炎。
4、至于使用人工智能在口腔全景片上进行牙周炎诊断的方式，我们发现目前大部分做法是使用深度学习进行疾病分析。有研究利用卷积神经网络(cnn)在根尖片以及口腔cbct上检测因牙周炎受损的牙齿，以及其他口腔疾病。基于cnn的方法也被提出用于在口腔全景片上检测放射性骨质丢失(rbl)。然而，目前这些方法仅检测显示rbl的区域，并不能对其进行量化或分类以对牙周炎进行分期。因此，本专利旨在开发一种能够自动诊断以及量化口腔全景片上的牙周炎，也就是骨质丧失的方法，并且根据周骨质丧失程度来对牙周炎进行分级。
5、相比传统的手动临床检查和影像分析方法，利用人工智能进行牙周炎检测具有更高的效率和准确性。自动化的深度学习模型能够快速处理大量的口腔全景片数据，并准确地识别出潜在的牙周炎病变，有助于医生及早发现和治疗患者的牙周炎，提高了诊断的准确性和效率，同时也减轻了医生的工作负担。基于影像学的诊断的可靠性很大程度取决于评估者的经验，比如资深牙医与学生对牙周炎的诊断能力就有有明显差距。
6、因此，本发明提出一种基于深度学习技术的口腔全景片检测牙周炎并分期的方法，帮助克服影像学诊断结果的可靠性受评估者经验影响的问题。目前，卷积神经网络(cnn)已成功应用于多种基于影像的疾病自动诊断。基于cnn的方法也被提出用于在口腔全景片上检测放射性骨质丢失(rbl)。然而，目前使用人工智能在口腔全景片上进行牙周炎诊断的方法仅检测显示放射性骨质丢失的区域，并不能对其进行量化或分类以对牙周炎进行分期。因此，本专利旨在开发一种能够自动诊断以及量化口腔全景片上的牙周炎，也就是骨质丧失的方法，并且根据牙周骨质损失程度来对牙周炎进行分级。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足，提供一种基于人工智能的牙周炎检测方法。
2、为解决上述技术问题，本发明的一种基于人工智能的牙周炎检测方法，具体包括如下步骤：
3、收集口腔全景片，由医生进行牙齿关键点的标注；
4、训练并使用牙齿实例分割模型mask r-cnn对口腔全景片进行目标检测和实例分割；
5、训练牙齿关键点检测模型hrnet以在口腔全景片上定位每颗牙齿的关键点；
6、根据关键点对牙周炎程度进行计算。
7、作为一种可能的实施方式，进一步的，所述牙齿关键点至少包括：根尖点、釉牙骨质界以及牙槽嵴顶三个类别，且三个类别分别由远中、近中两个位置组成。
8、作为一种可能的实施方式，进一步的，训练所述牙齿实例分割模型mask r-cnn的过程中，选择卷积神经网络resnet-50作为该网络的特征提取器，负责从输入图像中提取多尺度特征，并加载在imagenet上预训练的权重，利用迁移学习加速模型训练提高性能。
9、作为一种可能的实施方式，进一步的，训练所述牙齿实例分割模型mask r-cnn的损失函数由三部分组成：分类损失、边界框回归损失和掩码损失。总损失函数表示为：
10、l＝lcls+lbbox+lmask
11、通过最小化总损失函数，优化模型的参数，提升其在分类、边界框回归和掩码分割任务上的性能。
12、作为一种可能的实施方式，进一步的，所述分类损失用于衡量预测类别和真实类别之间的差异，使用交叉熵损失函数；n个类别，分类损失公式为：
13、
14、其中yi是真实类别标签，取值为0或1；pi是预测类别的概率。
15、作为一种可能的实施方式，进一步的，所述边界框回归损失用于衡量预测边界框和真实边界框之间的差异，使用smoothl1损失函数；k个边界框，边界框回归损失公式为：
16、
17、其中，ti是预测的边界框参数；是真实的边界框参数；smoothl1损失函数定义为：
18、
19、作为一种可能的实施方式，进一步的，所述掩码损失用于衡量预测掩码和真实掩码之间的差异，使用二元交叉熵损失函数；有m个像素位置，掩码损失公式为：
20、
21、其中，yi是真实掩码的像素值，取值为0或1；pi是预测掩码的像素概率。
22、作为一种可能的实施方式，进一步的，所述牙齿关键点检测模型hrnet的数据处理过程具体包括：
23、输入特征图；
24、在第一个尺度上进行卷积处理，生成基础特征；
25、通过下采样生成多尺度特征图，在不同尺度之间进行信息交换和特征提取；
26、不同分辨率的特征图通过上采样和下采样操作进行信息交换；
27、输出包含多尺度特征的高分辨率特征图；
28、将特征图映射到多个热力图，通过热力图确定关键点位置，实现精确关键点检测。
29、作为一种可能的实施方式，进一步的，所述牙齿关键点检测模型hrnet使用均方误差作为损失函数，用于衡量预测heatmap和真实heatmap之间的差异，损失函数公式具体为：
30、
31、其中n为批量大小，k为每个关键点对应的heatmap的像素数，hij和分别为真实和预测的heatmap值。
32、作为一种可能的实施方式，进一步的，所述根据关键点对牙周炎程度进行计算具体为：
33、结合实例分割结果与关键点检测结果，计算出每颗牙齿的牙周骨质损失程度；
34、分别计算近端与远端的釉牙骨质界点到牙槽嵴点的距离，占釉牙骨质界点与根尖点的距离的百分比；
35、取远端与近端计算结果的最大的百分比作为该牙齿的牙周骨质损失率。
36、本发明采用以上技术方案，具有以下有益效果：
37、本发明利用深度学习技术，实现了牙周炎的自动化检测，显著提高了诊断的准确性和效率。通过mask r-cnn和hrnet的结合，模型能够精确识别牙齿位置和关键点，准确计算牙周骨质损失程度。hrnet通过多尺度特征提取和跨分辨率的信息交换，保持高分辨率特征表示，提高关键点检测精度。结合mask r-cnn的实例分割和hrnet的关键点检测，综合评估牙周骨质损失程度，实现对牙周炎的量化和分级诊断。
1.一种基于人工智能的牙周炎检测方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述牙齿关键点至少包括：根尖点、釉牙骨质界以及牙槽嵴顶三个类别，且三个类别分别由远中、近中两个位置组成。
3.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：训练所述牙齿实例分割模型mask r-cnn的过程中，选择卷积神经网络resnet-50作为该网络的特征提取器，负责从输入图像中提取多尺度特征，并加载在imagenet上预训练的权重，利用迁移学习加速模型训练提高性能。
4.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：训练所述牙齿实例分割模型mask r-cnn的损失函数由三部分组成：分类损失、边界框回归损失和掩码损失。总损失函数表示为：
5.根据权利要求4所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述分类损失用于衡量预测类别和真实类别之间的差异，使用交叉熵损失函数；n个类别，分类损失公式为：
6.根据权利要求4所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述边界框回归损失用于衡量预测边界框和真实边界框之间的差异，使用smooth l1损失函数；k个边界框，边界框回归损失公式为：
7.根据权利要求4所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述掩码损失用于衡量预测掩码和真实掩码之间的差异，使用二元交叉熵损失函数；有m个像素位置，掩码损失公式为：
8.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述牙齿关键点检测模型hrnet的数据处理过程具体包括：
9.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述牙齿关键点检测模型hrnet使用均方误差作为损失函数，用于衡量预测heatmap和真实heatmap之间的差异，损失函数公式具体为：
10.根据权利要求1所述的一种基于人工智能的牙周炎检测方法，其特征在于：所述根据关键点对牙周炎程度进行计算具体为：
