本發明涉及圖像處理，具體涉及一種基于圖像分割與重構算法的牙病區域檢測方法。

背景技術：

1、隨著人工智能技術在醫療行業的快速發展，口腔疾病也可以通過分析口腔影像資料，如全景片、cbct影像和口內照等，利用ai算法在短時間內自動識別口腔問題，從而協助口腔醫生進行精準診斷，在大幅提升診斷效率的同時減少了人為因素帶來的誤差。

2、現有對于口腔圖像的處理的方案通常是通過深度學習圖像分割算法并采用將完整圖像輸入到類似u-net結構的卷積神經網絡中，該網絡通過一系列圖像處理步驟提取特征信息。具體而言，首先將輸入的口腔圖像通過卷積層提取低級特征，再經過批標準化層平衡數據分布，激活函數非線性變換增強網絡表達能力，隨后利用下采樣層減少特征圖尺寸，提取更高層次的特征。這其中為了避免深度學習中存在的過擬合問題，還會插入dropout層通過隨機丟棄神經元來減少過擬合，以提高模型的泛化能力。接著，通過對這些高維特征圖進行進一步處理，依次經過卷積層、批標準化層和激活函數的增強，再利用上采樣層恢復特征圖的尺寸，使之與原始圖像一致，并最終生成與輸入圖像同尺寸的分割結果。

3、然而，上述基于逐像素平等處理圖像的方案存在一些明顯的不足。首先，由于在上述過程中卷積神經網絡會對每一張圖像的每一個像素進行同等對待，這導致在預測結果中容易出現誤分割的情況，即將不屬于目標區域的像素錯誤地歸類為目標對象。此外，對于圖像中的噪聲點，如低質量或模糊區域，在沒有區分的情況下也可能被誤認為目標區域的一部分，這導致最終的分割結果中會出現大量的噪點和誤差。綜上，現有技術在應對較為復雜或多變場景的圖像處理時，其魯棒性和準確性仍有待提升。

4、因此亟需一種能夠在應對復雜或多變場景的圖像處理時，具有選擇性地處理圖像中關鍵信息并忽略不相關區域，從而有助于減少誤分割和噪點、提高整體性能的牙病區域檢測方法。

技術實現思路

1、為了解決現有技術中普遍存在的問題，本發明的目的在于提供一種基于圖像分割與重構算法的牙病區域檢測方法，該發明通過預先對病變區域進行評估和處理，從而在圖像處理時具有選擇性地處理圖像中關鍵信息并忽略不相關區域，達到減少誤分割和噪點、避免圖像中無關區域的干擾、提高病變區域分割的準確度和整體性能的效果。

2、本發明通過以下技術方案來實現上述目的：

3、一種基于圖像分割與重構算法的牙病區域檢測方法，包括：

4、s1：輸入原始圖像，通過目標檢測算法對所述原始圖像進行區域采樣，并生成n個檢測框，所述n個檢測框包含所述原始圖像中全部疑似患病區域的區域信息。

5、s2：采用閾值抑制處理將病變概率較低的所述檢測框進行濾除。

6、s3：設定抑制閾值，通過非極大值抑制處理獲得所述檢測框的重疊度，并判斷所述檢測框的重疊度是否超過所述抑制閾值，若是，則對所述檢測框進行濾除；若否，則保留所述檢測框。

7、s4：通過分割算法對保留下來的n個所述檢測框進行分割，并判斷分割區域的像素是否屬于病灶區域，從而獲得屬于病灶區域的n個布爾矩陣。

8、s5：根據所述區域信息將n個所述布爾矩陣進行重構，以生成與所述原始圖像尺寸相同的離散數組。

9、s6：根據所述離散數組的值分析其代表的像素位置及該位置的病變類型。

10、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，輸入所述原始圖像前進行圖像預處理，處理過程包括：

11、s11：讀取所述原始圖像，并對所述原始圖像進行像素歸一化及數據增強處理。

12、s12：將處理后的所述原始圖像輸入至神經網絡，并通過神經網絡對所述原始圖像進行預測的數據格式處理后輸出。

13、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟s1中所述目標檢測算法采用區域提議網絡，包括：

14、s13：通過區域提議網絡生成包含所述原始圖像全部區域信息的候選框。

15、s14：對每個所述候選框進行特征提取并分類。

16、s15：通過邊框回歸將所述候選框映射至接近真實檢測框的位置和大小，以預測所述檢測框的位置和大小。

17、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟s1中所述目標檢測算法采用選擇性搜索，包括：

18、s131：對所述原始圖像進行區域分割。

19、s141：對分割后的區域創建邊界框。

20、s151：設置搜索規則，并根據所述搜索規則合并相似區域以獲得所述檢測框。

21、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟s2中閾值抑制處理方法包括：

22、s21：根據牙病的圖像內容設定最小閾值。

23、s22：對所述檢測框內的像素與所述最小閾值進行比較，保留大于等于所述最小閾值的所述檢測框，并對小于所述最小閾值的所述檢測框進行濾除。

24、s23：重復步驟s22，直到n個所述檢測框全部處理完成。

25、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟3中非極大值抑制處理方法包括：

26、s31：計算每個所述檢測框的置信度。

27、s32：根據所述置信度的值對所述檢測框進行得分排序。

28、s33：選擇得分最高的檢測框，并計算該檢測框與其余檢測框的重疊度。

29、s34：判斷該重疊度是否大于所述抑制閾值，若是，則保留該檢測框。若否，則將該檢測框的得分設置為0。

30、s35：重復步驟s33～s34，直到全部檢測框處理完成。

31、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟s31中置信度的計算方法包括：

32、s311：獲得所述檢測框的病變存在概率。

33、s312：通過yolo算法計算所述檢測框與真實檢測框的重疊度。

34、s313：根據最大重疊度估計所述檢測框的置信度。

35、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，經過所述閾值抑制和非極大值抑制的兩次抑制處理后，所述檢測框的個數剩余n個，其與真實目標區域的個數吻合。

36、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，所述分割算法包括：

37、s41：對所述檢測框的區域進行二值化分割。

38、s42：設置病灶區域閾值。

39、s43：將分割區域的像素與所述病灶區域閾值進行比較，若大于等于所述病灶區域閾值表示其屬于病灶區域，則將該像素設置為ture。若小于則設置為false。

40、s44：取值為ture的像素組成二維數組。

41、s45：重復步驟s43～s44，直到全部分割區域比較完成，獲得n個布爾矩陣。

42、根據所述發明提供的一種基于圖像分割與重構算法的牙病區域檢測方法，步驟s6還包括：

43、s61：定義一組對應不同病變類型的調色板。

44、s62：將所述離散數組根據所述調色板映射為對應顏色的疊加圖層。

45、s63：將所述病灶區域的像素值按比例添加所述疊加圖層，從而通過顯示的顏色分析病變所在的區域。

46、由此可見，相比于現有技術，本發明具有以下有益效果：

47、1、本發明通過對圖像進行預處理，通過特定算法或策略評估病變區域的位置。相比于傳統的圖像處理方案，本發明通過優先篩選的方式，避免對整張圖像中無關區域的干擾，提高了病變區域分割的準確度。

48、2、本發明通過局部區域的高效分割，將病變區域定位后，將其劃分為多個子區域進行更精細的分割處理。相比于傳統的圖像處理方案，本發明的分割策略使模型能夠專注于關鍵區域的細節，從而減少誤分割和噪音點的影響。

49、3、本發明通過對分割結果的重構與整合，將多個子區域的分割結果重新拼接回原始圖像，實現整體預測結果的可視化。相比于傳統的圖像處理方案，本發明通過圖像重構確保分割精度和全局一致性。

50、4、本發明通過基于圖像分割與重構算法的牙病區域檢測方法進行對牙科常見疾病的高效分割與檢測，從而能夠實現牙科疾病的初步篩查功能。

51、下面結合附圖和具體實施方式對本發明作進一步詳細說明。