基于深入学习三维口服锥形束ct诊断

文摘

为了深入研究口服三维锥束ct (CBCT)、口腔和面部外科疾病的诊断基于深度学习进行了研究。相关实用新型深上优于口服颈部和面部手术疾病分类算法(深度诊断口腔颌面部疾病,称为DDOM)了;在这种方法中,DDOM算法提出了病人分类、病灶分割,和牙齿分割,分别可以有效地处理三维口服CBCT患者和患者的立场进行分类的数据。分割结果表明,该分类方法可以有效地分割独立牙齿CBCT图像和垂直放大误差齿CBCT图像是清楚的。放大的平均利率是7.4%。通过纠正的方程R价值和CBCT图像垂直放大,放大误差牙齿图像的长度从7.4可以减少。根据CBCT形象牙齿的长度,距离R从齿中心视场中心,CBCT的垂直放大图像,数据更接近真正的牙齿大小可以获得放大的误差降低到1.0%。因此,证明了3 d口服锥束电子计算机基于深度学习可以有效地帮助医生在三个方面:病人诊断,病变定位和手术规划。

1。介绍

随着信息技术的迅速发展,大量的数据在各领域的积累。在医学领域,越来越多的数据集收集,特别是医学图像数据集(1]。近年来,深度学习取得了很大的突破领域的自然图像处理,可达到良好的结果在许多任务。越来越多的研究人员将深度学习技术应用于医学图像处理。然而,大多数现有的医学图像研究的重点是二维图像和大多数的部分研究集中在人体脏器和眼睛的区域(2]。CAD / CAM等数字技术、快速原型、和“3 d印制技术”都是基于CT和CBCT参考图像数据智能处理牙科方面的假体和准确的牙科植体引导盘的生产。在建模方面,假体的三维有限元模型和软、硬组织的齿圈可以使口腔生物力学的分析更直观的帮助下CT解剖数据。此外,在测量方面,CBCT三维图像数据通常用于颅骨表面的精确测量,包括骨缺损体积和牙齿长度测量。因此,图像数据来自CT是智能口腔修复的基础,准确的植入,和有限元力学模型;如果数据不准确,计算结果的可靠性,结论,和临床疗效将大大减少3]。因此,重要的是要理解之间的差异CBCT数据和真实数据。在这项研究中,我们研究的深度上优于诊断颈部和面部疾病为了满足三维锥束ct的挑战(CBCT)数据。病人分类,提出了一种深度诊断口腔颌面部疾病(DDOM) [4网络(TSNet)[]和牙齿分割5基于深度学习)。不同于当前算法只能二维图像进行分类,DDOM算法提出了可以处理三维口服CBCT患者和患者的立场进行分类的数据。结果在一个真实的数据集包含从2500例口服CBCT数据表明,本方法优于大多数的专家。在牙齿分割方面,与现有的牙齿分割算法相比,该算法利用卷积神经网络和对抗性的网络。结果在一个真实的数据集包含100口腔CBCT图像表明,该方法实现牙齿分割精度比现有的方法(6]。

风扇等人提出了一个深CNN-based牙实例自动分割方法,称为ToothNet框架,其网络结构包括两个网络。第一个网络从输入CBCT图像,提取图像边缘增强边界形状的对比,然后传送图像和输入图像边缘第二网络;在第二网络,ToothNet网络构建了基于3 d地区建议网络,并采用新的学习相似矩阵。为了有效地去除冗余,加快培训,并保存GPU内存,同时,牙空间关系作为附加特性输入编码的识别任务来提高识别精度。该方法可以自动生成准确的分割和识别结果牙齿的例子和优于最先进的方法。该方法首先利用CNN在CBCT图像分割和识别的牙齿7]。Kothari等人对CNN算法在牙科图像的检测和诊断疾病,和结果表明,深CNN算法取得了很好的性能在蛀牙图像的检测和诊断疾病(8]。李等人提出了一种新的深度学习框架自动贴标CBCT解剖网站的图片(9]。有必要探索如何利用人工智能技术,建立一个强大的图像智能诊断平台,如何解决这个矛盾激增图像和医生的短缺的数量,以提高影像诊断的效率,减少漏诊和误诊的现象。目前对上述问题的研究是不够的。在当前研究的基础上,我们研究了基于深度学习诊断颈部和面部疾病,以满足三维锥束ct的挑战(CBCT)数据。据我们所知,这是第一次研究在口腔疾病的诊断颈部和面部手术基于深度学习(10]。

2。方法

2.1。图像分类任务

图像分类的任务是分类未知的图像,以获得准确的标志。作为第一个形象的任务是使用深度学习,有各种各样的神经网络的图像分类。在所有类型的神经网络中,卷积神经网络是最常用的神经网络在图像分类任务11]。谷歌于2014年提出了《盗梦空间》,GoogLeNet的核心是2014年的获胜者ImageNet竞争。《盗梦空间》网络是一个完整的系列,包括《盗梦空间》v1,《盗梦空间》v2,《盗梦空间》v3, v4《盗梦空间》和《盗梦空间》ResNet。在这里,我们将介绍原《盗梦空间》v1。

《盗梦空间》“v1:卷积每一层的核心思想是认为使用多个大小卷积核同时,而不是使用单一尺寸卷积内核在每个级别之前报道。这种结构也被称为一个初始的模块,和图1显示了一个例子。事实上,这个想法类似于2014年提出的“网络的网络”,这是使网络成为一个小的子网络。通过这种方式,可以扩大网络的每一层,以提高模型的每一层的拟合能力和整体拟合能力的网络。

然而,在最初的《盗梦空间》网络结构中,由于初始模块,通道的数量产生的特征图的每一层将快速增长,这将使模型非常大,带来了相当大的计算和内存开销。因此,谷歌的研究人员提出了一个减少维版本的《盗梦空间》模块,如图2。最主要的变化是添加一层1 x 1卷积层,用于改变通道的数量,这样整个网络的渠道数量不会快速增长,网络的复杂性将被控制12]。这种结构也广泛应用在以后的卷积神经网络。

2.2。三维医学数据

在三维医学数据,病变区通常只占一小部分总额的3 d数据,很难获得满意的实验结果,整个三维数据直接进行分类。因此,对于三维医学数据,当前的方法通常需要提取病灶区域,然后进行具体分类的病变区域。设计了两级quasialgorithm microhemorrhage大脑的问题。三维卷积神经网络用于这两个阶段。第一阶段是用来提取病灶区域,第二阶段是用于进一步分类提取的区域(13]。与仅使用病变区域相比,还有一些其他的分类方法结合病变区和整体形象。多尺度卷积神经网络结构用于分类的病变区域肺结节的特征提取,分类不仅包含病变信息,还包括病变信息。它还包含一个更大的全球信息的范围。由于大量的信息中包含三维CBCT口腔的数据,通常需要大量的时间和精力为医生来处理。在口腔医疗资源有限的情况下,每一个医生经常需要处理大量的口头CBCT数据,这是医生容易疲惫的状态下做出错误的判断14]。鉴于CBCT挑战医生的图像数据,深度学习疾病分类算法基于CBCT DDOM数据提出了口腔和面部手术。符号定义,算法细节,介绍了实验结果。

2.3。培训步骤

首先,使用空间分解在整个培训过程的第一阶段;我们将选择所有病人图像刀和把它们分为两种类型:生病的图像和正常图像形成第一阶段的训练数据集。上面的图像送入网络时,我们将得到一个二维输出。此时,需要输入二维输出规范化指数函数(Softmax)获取当前图像的概率对应的每一个类,然后通过结合损失计算的损失函数。损失函数采用DDOM在第一阶段的培训是叉损失函数,和损失的具体计算公式如下所示: 在哪里代表当前的实际标记类别样本 , 代表当前样本 ,它属于类j;代表输出当前样本后获得是输入到网络,它是一个二维向量;代表当前样本的输出对应于类j;和C代表类别的总数(15,16]。因为第一阶段分为病变的图像和正常的图像,C= 2。

下面的梯度公式返回(2根据交叉直系)可以获得损失函数在第一阶段:

其中, 是一个指标函数(指标函数),具体表达式如下:

因为单一图像输入,只有单一的预测结果图像可以根据第一阶段的模型,但是整个病人不能得到的预测结果。所以,我们可以得到一个预测为每一个病人的所有图像,然后我们可以交头接耳地的所有图片,找到每个病人连续图像的最大数量,可以认定为病变(17,18]。成立之后,一个封闭的价值,和病人的最大持续表数量达到阈值被认为是病人;否则,他们的人被认为是正常的人。

最后,我们首先使用ImageNet pretraining模型初始化的参数模型。然后,根据熵损失函数,通过BP算法不断更新,网络参数和模型准确率最高的病人被选为第一阶段的最后分类模型(19]。算法在第一阶段主要是将三维数据转换为一系列的连续图像,从而将三维问题转化为二维问题。然后,通过先验知识,二维图像的结果用于获取三维数据(算法的结果1)。

3所示。实验分析

因为我们的目标是段肿瘤图像从口腔CBCT数据,本章的实验部分仍采用口服CBCT数据集的数据集。这一章都是直接使用二维CBCT图像获得的。由于病灶分割的标签成本相对较高,680名患者被选中标记。对于每一个病人,我们开发了一个图像从每个他的病变行标签。在实际训练中,我们将数据集分为训练集,验证集和测试集8:1:1根据患者随机分。无标号数据只使用在训练过程中,不是在测试过程中。

3.1。ASNet算法

评估不同的方法,平均交叉比率是使用在本章(意思是交叉在联盟,称为“mIoU)作为最终评价指标。平均交叉率的计算方法可以表示如下:

其中, 表示满意的点的集合 的形象。同样的, 代表满足所有的点的集合 的面具。

用于整个实验的硬件环境配备两个英特尔(R)至强(R) es - 2620 CPU和4 v4泰坦XP GPU服务器。同时,这里使用PyTorch平台实现对立的协作网络。

在训练阶段,我们所有图像的大小调整到224×224,随机水平以50%的概率。与此同时,我们进行了一个随机旋转图像的在10度的范围。在测试阶段,我们使用了两个分割分支的平均预测结果作为最终分割结果和用亚当梯度下降法训练随机初始化的敌对的合作网络。网络分段,我们设置初始LE-4学习速率。判别的网络,而我们最初的学习速率。与此同时,我们还设置se 5的重量衰减系数。在培训过程中,我们训练有素的150轮,每30轮减毒和学习速率根据以下公式:

其中,在实验设置为0.9。 损失函数中设置为0.01,0.1,和0.70,分别。

在实验中,我们也比较的一些最先进的semisupervised分割算法。具体来说,我们选择semisupervised卷积神经网络(SEMIFCN),空间分解和ASNet(算法2)进行比较。这三种方法是最先进的semisupervised目前在医学图像分割算法。同时,为了验证无标号数据和antiloss函数的函数,我们还进行了模型简化实验在实验中,在监督ASNet没有睡觉意味着敌对的协作网络只使用带安全标签的数据时,不使用敌对的损失函数。使用阿德福伟代表了敌对的协作网络,同时监督ASNet只使用标记数据和使用敌对的损失函数。ASNet没有敌对的协作网络使用副词表示所有数据,但不使用敌对的损失函数。

图3显示了不同训练方法的测试结果与不同数量的标签数据。通过比较敌对的协作网络,semisupervised满卷积神经网络空间分解方法,和ASNET,我们可以发现,敌对的协作网络超过所有其他semisupervised分割网络和对口头数据集达到最好的效果。

表1显示了简化模型的实验结果。通过比较敌对的协作网络的变体,监督ASNet没有睡觉,和监督ASNet睡觉,我们可以看到,利用未标记数据提高精确度。通过比较敌对的协作网络和另一个变体和ASNet没有睡觉,我们可以看到敌对的损失函数还有助于提高准确性。

表2显示了训练不同的方法得到的测试结果与不同数量的标签数据。通过比较敌对的协作网络,semisupervised满卷积神经网络空间分解方法,和ASNet,我们可以发现,敌对的协作网络超过所有其他semisupervised分割网络和对口头数据集达到最好的效果。

表3显示了简化模型的实验结果。通过比较敌对的协作网络的变量,我们可以看到,利用未标记数据提高精确度。通过比较敌对的协作网络的另一个变体,我们可以发现柜台损失函数也有助于提高准确性。

3.2。结果

在这项研究中,我们提出一个新的semisupervised医学图像分割算法称为敌对的协作网络(ASNet)。敌对的合作网络可以用有限的标记的训练数据和大量的未标记数据。因此,对抗的协作网络可以有效地应用于医学图像分析,收集大规模带安全标签的数据时是极其困难的。实验在口腔肿瘤病变的分割任务显示antisynergistic网络刺可以达到更好的效果比其他基准力的方法。这些基准方法包括监督学习和semisupervised学习。

4所示。结论

深上优于口腔和面部外科疾病的诊断系统进行了研究。一个病人分类算法,病灶分割,分别和牙齿分割。病人分类,提出DDOM算法可以有效地处理三维口服CBCT数据的患者,和分割结果表明,该分类方法可以有效地分割独立牙齿CBCT图像,牙齿CBCT图像的垂直放大错误决定,和平均放大率为7.4%。通过纠正的方程R价值和CBCT图像垂直放大,放大误差牙齿图像的长度可能减少7.4%。根据CBCT形象牙齿的长度,距离R从齿中心视场中心,CBCT的垂直放大图像,数据更接近真正的牙齿大小可以获得平均放大率降低到1.0%。因此,这种方法可以更好的帮助病人诊断的医生从三个方面,病变位置和手术规划。

进一步研究的主要问题和方向如下:(1)限制数据量的研究。未来的研究需要扩展数据集进行进一步的验证。现有研究普遍获得医疗数据与口腔癌的合作医院复杂的程序和伟大的局限性。在中国虽然是一个口腔癌数据库,已为口腔癌的研究提供了很大帮助,数据库主要集中在生化信息数据,很少有口腔癌图像数据。在未来需要补充。(2)优化模型:口腔癌的截面图都有自己的特点。在未来,可以探索不同的算法的差异和优势,和不同的算法可以有效地结合找到最合适的模型口腔癌的识别。(3)治疗癌口语部分的显微照片:口腔癌截面图的处理方法极大地影响了口腔癌症特征的识别,人工智能。如何加强照片中的口腔癌特性和提高深度学习的效率也值得研究。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. m . Shahedi m . Halicek j . d .老虎d·m·舒斯特尔和b·范,“深上优于三维分割前列腺癌的ct图像,”医学影像杂志》第六卷,没有。2、文章ID 025003, 2019。视图:出版商的网站|谷歌学术搜索
2. l . t . Liu n . Wang, s Ai和h·杜”三维轨迹的一种新颖的视觉测量方法基于深度学习水下移动对象,“IEEE访问,8卷,第186392 - 186376页,2020年。视图:出版商的网站|谷歌学术搜索
3. e . Staderini f .囊内m·a·Cornelis和p . m .均“地理三维预测根位置通过锥束ct扫描检测应承担的数字模型叠加:一种新颖的方法,”口腔正畸和颅面研究,22卷,不。1,16-23,2019页。视图:出版商的网站|谷歌学术搜索
4. W.-K。陈,X.-Y。刘,W.-H。方,p . o . Dral g .崔”深度学习的非绝热的激发态动力学,”《物理化学快报》杂志上9卷,第6708 - 6702页,2018年。视图:出版商的网站|谷歌学术搜索
5. o·奥兹德米尔、r·l·拉塞尔和A . A .柏林”3 d概率深度学习系统检测和使用低剂量CT扫描诊断肺癌的,”IEEE医学成像,39卷,不。5,1419 - 1429年,2019页。视图:出版商的网站|谷歌学术搜索
6. k . v . d . b . Hannelore鲁本,j . w . Henk公元r·马塞尔·h·v·b·伦纳德和p v d·h·马丁,“深度学习生存的预测基于mri在肌萎缩性脊髓侧索硬化症,”科学杂志:诊所,13卷,不。C, 361 - 369年,2017页。视图:出版商的网站|谷歌学术搜索
7. y的粉丝,“犯罪心理学趋势预测基于深度学习算法和三维卷积神经网络”在非洲的心理学》杂志上没有,卷。31日。3、292 - 297年,2021页。视图:出版商的网站|谷歌学术搜索
8. j·d·Kothari”案例研究使用tensorflow基于深度学习的图像分类,“国际期刊的创新在计算机和通信工程的研究》第六卷,没有。4、3888 - 3892年,2018页。视图:谷歌学术搜索
9. h, s .壮族的预算。李、赵j . y .马”,良性和恶性的乳房x光成像深度学习的基础上,分类”生物医学信号处理和控制,51卷,第354 - 347页,2019年。视图:出版商的网站|谷歌学术搜索
10. c . j . Li, l .江y, z汉,“检测和分析基于深度学习的行为轨迹海参,”IEEE访问,8卷,不。99年,p . 2019。视图:出版商的网站|谷歌学术搜索
11. a . n . Ruchai诉科比,k . a . Dorofeev v . n . Karnaukhov和m . g . Mozerov”分类的乳房异常使用卷积神经网络和传输学习,”通信技术和电子杂志》上,卷66,不。6,778 - 783年,2021页。视图:出版商的网站|谷歌学术搜索
12. t, j .兴妞妞刘,t·潘道和B B Gupta,“用结构光三维测量深度学习的基础上,“计算机系统科学与工程,36卷,不。1,第280 - 271页,2021。视图:出版商的网站|谷歌学术搜索
13. m·k·Masouleh和s . Sadeghian“深度上优于方法从航拍图像重建三维模型建立地籍,“应用遥感技术杂志》上,13卷,不。2,p。2019。视图:出版商的网站|谷歌学术搜索
14. 诉Jaeck l·伯纳德·k . Mahdjoubi r . Sauleau p .保梯,“一系列switched-beam正形c波段三维波束形成能力,”IEEE天线和传播,卷65,不。99年,p . 2017。视图:出版商的网站|谷歌学术搜索
15. p . Sanchez-Olivares j·l·Masa-Campos e·加西亚•马林和d . Escalona-Moreno”高增益conical-beam基于割缝圆波导行波阵列天线在ku波段,”IEEE天线和传播,卷68,不。99年,p . 2020。视图:谷歌学术搜索
16. c·s·普拉萨德,a Biswas和j·m·艾克塔”宽带锥形波束天线平面环境。”国际期刊的射频和微波计算机辅助工程,28卷,不。2、1 - 8,2018页。视图:出版商的网站|谷歌学术搜索
17. 崔w·s·安,w . b .赵et al .,“截头圆锥形的剂量测定的优化传输电子的目标近距离放射疗法x射线源:蒙特卡罗的一项研究中,“朝鲜物理学会杂志》上,卷71,不。3、178 - 184年,2017页。视图:出版商的网站|谷歌学术搜索
18. x x s . j . Wang,叮,和b z . Wang”conical-beam天线利用旋转对称的拓扑优化IEEE天线和传播,卷66,不。99年,第2261 - 2254页,2018年。视图:出版商的网站|谷歌学术搜索
19. g . Chenhu j .耿z汉et al .,“截圆锥槽天线阵辐射圆偏振锥形光束,”IEEE天线和无线传播的信,16卷,不。99年,p . 2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2021阳东林和苗族的他。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。