本技術(shù)涉及計算機視覺預(yù)測，尤其涉及一種磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法、裝置、存儲介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、下頜第三磨牙拔除手術(shù)為口腔頜面外科臨床門診中的常見手術(shù)。拔除手術(shù)失敗會對臨近下頜管內(nèi)的神經(jīng)造成永久性物理損傷，最終影響患者正常發(fā)揮語言、咀嚼等生理功能。因此，為了避免拔除手術(shù)失敗造成的下頜管內(nèi)神經(jīng)損傷，需要對磨牙牙根與神經(jīng)管位置關(guān)系進行判斷。

2、隨著深度學(xué)習(xí)在圖像目標檢測、識別等任務(wù)中表現(xiàn)出良好性能，有部分學(xué)者將深度學(xué)習(xí)模型應(yīng)用于口腔醫(yī)學(xué)影像處理和分析領(lǐng)域。目前一般是通過vgg?16、yolov4等深度學(xué)習(xí)模型對下頜第三磨牙進行分類和檢測，但在處理復(fù)雜解剖結(jié)構(gòu)和多變圖像質(zhì)量時，這些模型的識別精度有待提升，會出現(xiàn)錯誤分類和檢測的情況，可能會導(dǎo)致臨床決策的誤判。此外，現(xiàn)有模型的處理速度對于大規(guī)模數(shù)據(jù)集和實時臨床應(yīng)用仍然不夠理想，長時間的訓(xùn)練和推理時間限制了這些模型在實際臨床環(huán)境中的應(yīng)用。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例提供一種磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法、裝置、存儲介質(zhì)及電子設(shè)備，能夠提升曲面體層圖像的識別精度，并減少網(wǎng)絡(luò)計算復(fù)雜度和參數(shù)量。

2、本技術(shù)實施例提供了一種磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，包括：

3、獲取曲面體層圖像；

4、將所述曲面體層圖像輸入到訓(xùn)練好的檢測模型中，得到檢測結(jié)果；其中，所述檢測模型包括特征提取網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)，所述特征提取網(wǎng)絡(luò)包括輕量化跨階段模塊和空間-通道混合注意力模塊；

5、所述將所述曲面體層圖像輸入到訓(xùn)練好的檢測模型中，得到檢測結(jié)果包括：將所述曲面體層圖像輸入到所述特征提取網(wǎng)絡(luò)中，通過所述輕量化跨階段模塊和所述空間-通道混合注意力模塊處理后得到多個子特征圖，將所述多個子特征圖輸入到特征融合網(wǎng)絡(luò)中進行處理，得到多個輸出特征圖，將所述多個輸出特征圖輸入到所述預(yù)測網(wǎng)絡(luò)中，得到預(yù)測的邊界框和目標置信度。

6、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，所述特征提取網(wǎng)絡(luò)包括卷積-批歸一化-激活函數(shù)組合層、第一類輕量化跨階段模塊、第二類輕量化跨階段模塊、空間-通道轉(zhuǎn)換混合注意力模塊以及空間金字塔池化模塊；

7、所述將所述曲面體層圖像輸入到所述特征提取網(wǎng)絡(luò)中，通過所述輕量化跨階段模塊和所述空間-通道混合注意力模塊處理后得到多個子特征圖，包括：

8、將所述曲面體層圖像輸入到所述卷積-批歸一化-激活函數(shù)組合層中進行兩次特征提取后依次輸入到一個第一類輕量化跨階段模塊、一個空間-通道轉(zhuǎn)換混合注意力模塊和一個第二類輕量化跨階段模塊，并將所述第二類輕量化跨階段模塊的輸出再次輸入到一個空間-通道轉(zhuǎn)換混合注意力模塊中，得到第一子特征圖；

9、將所述第一子特征圖依次輸入到一個第一類輕量化跨階段模塊和一個第二類輕量化跨階段模塊中，得到第二子特征圖；

10、將所述第二子特征圖依次輸入到一個卷積-批歸一化-激活函數(shù)組合層、一個第一類輕量化跨階段模塊、一個空間-通道轉(zhuǎn)換混合注意力模塊和一個空間金字塔池化模塊中，得到第三子特征圖。

11、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，在所述空間-通道混合注意力模塊中，對輸入到所述空間-通道混合注意力模塊中的原始特征圖的處理包括：

12、對所述原始特征圖進行組歸一化；

13、基于所述組歸一化過程中產(chǎn)生的可訓(xùn)練參數(shù)得到歸一化的縮放因子；

14、將所述縮放因子映射后通過門控單元得到第一注意力權(quán)重和第二注意權(quán)重；

15、將所述第一注意力權(quán)重和所述第二注意力權(quán)重分別與所述原始特征圖相乘，得到第一加權(quán)特征圖與第二加權(quán)特征圖；

16、對所述第一加權(quán)特征圖與所述第二加權(quán)特征圖分別進行池化，得到第一空間-通道信息描述符與第二空間-通道信息描述符；

17、基于所述第一空間-通道信息描述符與所述第二空間-通道信息描述符計算第一特征權(quán)重向量與第二特征權(quán)重向量；

18、基于所述第一特征權(quán)重向量、所述第二特征權(quán)重向量、所述第一加權(quán)特征圖和所述第二加權(quán)特征圖得到所述空間-通道混合注意力模塊的輸出。

19、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，所述第一類輕量化跨階段模塊包括卷積-批歸一化-激活函數(shù)組合層和輕量化卷積-批歸一化-激活函數(shù)組合層；

20、在所述第一類輕量化跨階段模塊中，對輸入到所述第一類輕量化跨階段模塊的特征圖進行的處理包括：

21、將輸入到所述第一類輕量化跨階段模塊的特征圖輸入到一個卷積-批歸一化-激活函數(shù)組合層后得到第一處理特征圖；

22、將所述第一處理特征圖依次輸入到兩個輕量化卷積-批歸一化-激活函數(shù)組合層后得到第二處理特征圖；

23、將所述第一處理特征圖輸入到一個卷積-批歸一化-激活函數(shù)組合層處理后得到第三處理特征圖；

24、將所述第一處理特征圖中的特征與所述第二處理特征圖中的特征進行逐元素相加操作，并將逐元素相加的結(jié)果與所述第三處理特征圖進行拼接操作；

25、將拼接操作的結(jié)果輸入到一個卷積-批歸一化-激活函數(shù)組合層中得到所述第一類輕量化跨階段模塊的輸出。

26、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，所述第二類輕量化跨階段模塊包括卷積-批歸一化-激活函數(shù)組合層、輕量化卷積-批歸一化-激活函數(shù)組合層和深度可分離卷積層；

27、在所述第二類輕量化跨階段模塊中，對輸入到所述第二類輕量化跨階段模塊的特征圖進行的處理包括：

28、將輸入到所述第二類輕量化跨階段模塊的特征圖輸入到一個卷積-批歸一化-激活函數(shù)組合層后得到第四處理特征圖；

29、將所述第四處理特征圖依次輸入到一個輕量化卷積-批歸一化-激活函數(shù)組合層、一個所述深度可分離卷積和另一個輕量化卷積-批歸一化-激活函數(shù)組合層后得到第五處理特征圖；

30、將第四處理特征圖依次輸入到一個輕量化卷積-批歸一化-激活函數(shù)組合層和一個卷積-批歸一化-激活函數(shù)組合層后得到第六處理特征圖；

31、將所述第四處理特征圖輸入到一個卷積-批歸一化-激活函數(shù)組合層處理后得到第七處理特征圖；

32、將所述第五處理特征圖中的特征與所述第六處理特征圖中的特征進行逐元素相加操作，并將逐元素相加的結(jié)果與所述第七處理特征圖進行拼接操作；

33、將拼接操作的結(jié)果輸入到一個卷積-批歸一化-激活函數(shù)組合層中得到所述第二類輕量化跨階段模塊的輸出。

34、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，所述特征融合網(wǎng)絡(luò)包括卷積-批歸一化-激活函數(shù)組合層、上采樣模塊、拼接模塊和第二類輕量化跨階段模塊；

35、所述將所述多個子特征圖輸入到特征融合網(wǎng)絡(luò)中進行處理，得到多個輸出特征圖，包括：

36、將所述第三子特征圖輸入到一個卷積-批歸一化-激活函數(shù)組合層中得到第四子特征圖；

37、將所述第四子特征圖上采樣后與所述第二子特征圖拼接，得到第八處理特征圖，將所述第八處理特征圖依次輸入到一個第二類輕量化跨階段模塊和一個卷積-批歸一化-激活函數(shù)組合層后得到第五子特征圖；

38、將所述第五子特征圖上采樣后與所述第一子特征圖進行拼接后再通過一個第二類輕量化跨階段模塊得到第一輸出特征圖；

39、將所述第一輸出特征圖通過一個卷積-批歸一化-激活函數(shù)組合層后與所述第四子特征圖進行拼接，將拼接后的特征輸入到一個第二類輕量化跨階段模塊中得到第二輸出特征圖；

40、將所述第二輸出特征圖通過一個卷積-批歸一化-激活函數(shù)組合層后與所述第四子特征圖進行拼接，將拼接后的特征輸入到一個第二類輕量化跨階段模塊中得到第三輸出特征圖。

41、進一步地，上述磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法，其中，所述將所述多個輸出特征圖輸入到所述預(yù)測網(wǎng)絡(luò)中，得到預(yù)測的邊界框和目標置信度，包括：

42、將所述第一輸出特征圖、所述第二輸出特征圖和所述第三輸出特征圖分別輸入到不同的卷積-批歸一化-激活函數(shù)組合層后得到第一多尺度特征圖、第二多尺度特征和第三多尺度特征圖；

43、基于所述第一多尺度特征圖、第二多尺度特征和第三多尺度特征圖進行預(yù)測，得到邊界框和目標置信度。

44、本技術(shù)實施例還提供了一種磨牙牙根與神經(jīng)管位置關(guān)系的檢測裝置，包括：

45、獲取模塊，用于獲取曲面體層圖像；

46、檢測模塊，用于將所述曲面體層圖像輸入到訓(xùn)練好的檢測模型中，得到檢測結(jié)果；其中，所述檢測模型包括特征提取網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)，所述特征提取網(wǎng)絡(luò)包括輕量化跨階段模塊和空間-通道混合注意力模塊；

47、所述將所述曲面體層圖像輸入到訓(xùn)練好的檢測模型中，得到檢測結(jié)果包括：將所述曲面體層圖像輸入到所述特征提取網(wǎng)絡(luò)中，通過所述輕量化跨階段模塊和所述空間-通道混合注意力模塊處理后得到多個子特征圖，將所述多個子特征圖輸入到特征融合網(wǎng)絡(luò)中進行處理，得到多個輸出特征圖，將所述多個輸出特征圖輸入到所述預(yù)測網(wǎng)絡(luò)中，得到預(yù)測的邊界框和目標置信度。

48、本技術(shù)實施例還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有多條指令，所述指令適于由處理器加載以執(zhí)行上述任一項磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法。

49、本技術(shù)實施例還提供了一種電子設(shè)備，包括處理器和存儲器，所述處理器與所述存儲器電性連接，所述存儲器用于存儲指令和數(shù)據(jù)，所述處理器用于上述任一項所述的磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法中的步驟。

50、本技術(shù)提供的磨牙牙根與神經(jīng)管位置關(guān)系的檢測方法、裝置、存儲介質(zhì)及電子設(shè)備，本技術(shù)設(shè)置了輕量化跨階段模塊，輕量化跨階段模塊通過加入輕量化卷積-批歸一化-激活函數(shù)組合層以保持網(wǎng)絡(luò)整體較低的計算復(fù)雜度和參數(shù)量，增強了對下頜第三磨牙牙根與神經(jīng)管位置關(guān)系的檢測精度和速度。本技術(shù)還設(shè)置了空間-通道轉(zhuǎn)換混合注意力模塊，空間-通道轉(zhuǎn)換混合注意力模塊通過網(wǎng)絡(luò)從通道和空間兩個維度分別提取特征，并賦予這些特征不同的權(quán)重，實現(xiàn)按序混合轉(zhuǎn)換的過程，該模塊在通道和空間兩方面動態(tài)調(diào)整特征權(quán)重，有效增強了網(wǎng)絡(luò)的表達能力，使其能夠同時在通道和空間維度抑制冗余信息，并能提升識別精度。