(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211287122.4 (22)申请日 2022.10.20 (71)申请人 广州医科 大学附属第三医院 （广州 重症孕产妇救治中心、 广州柔济医 院） 地址 510150 广东省广州市荔湾区多宝路 63号 (72)发明人 黄俊强　黄泽伦　赵新　 (74)专利代理 机构 广东金穗知识产权代理事务 所(普通合伙) 44852 专利代理师 赵李娜 (51)Int.Cl. G06V 10/764(2022.01) G06V 20/70(2022.01) G06V 10/26(2022.01)G06V 10/40(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于CBCT图像数据评估种植体稳定性 的分类模型的构建方法及其装置 (57)摘要 本发明公开了一种基于CBCT图像数据评估 种植体稳定性的分类模型的构建方法及其装置。 首先通过训练后的Mobilenetv2 ‑DeeplabV3+网 络在横截面图像中分割种植体， 然后结合口腔种 植学知识和分割结果在横截面图像上提取相应 的种植体周围骨质图像， 最终利用训练后的深度 残差网络Resnet ‑50完成分类， 得到种植体稳定 性评估结果。 经测试评估， 本发明的模型具有较 高的诊断性能， 评估的耗时短， 准确率高(> 90％)， 可有效用于种植体稳定性的评估。 本发明 的评估种植体稳定性的分类模型对于更好地指 导进一步种植修复治疗具有重要的意义， 也为人 工智能用于 影像诊断提供了 重要借鉴。 权利要求书2页 说明书8页 附图5页 CN 115512167 A 2022.12.23 CN 115512167 A 1.一种基于CBCT图像数据评估种植体稳定性的分类模型的构建方法， 其特征在于， 包 括以下步骤： (1)CBCT图像数据收集和预处 理： 采集若干患者的CBCT数据， 对CBCT数据进行处理， 重建得到牙列横截面图像和种植体 横截面图像， 对种植体横截面图像中的义齿 进行人工标记； (2)Mobilenetv2‑DeeplabV3+网络训练： 将步骤(1)得到的经标记的种植体横截面图像数据 输入至Mobilenetv2 ‑DeeplabV3+语 义分割神经网络中进行训练， 训练后得到一种基于 CBCT图像的种植 义齿分割模型； (3)种植体周围骨质图像提取： 将训练集的CBCT图像输入到所述种植义齿分割模型中， 得到相应的种植体横截面图像 集； 结合种植义齿的原始信息对图像集中的图像进行处理， 获得相 应的种植体周围骨质图 像集； (4)ResNet ‑50网络训练： 根据所需的分类方式， 将步骤(3)得到种植体周围骨质图像按其ISQ评分信息进行分 类， 并将种植体周围骨质图像集及其分类信息输入到ResNet ‑50网络中， 根据设置的分类模 式进行训练， 即可 得到用于 评估种植体稳定性的分类模型； 所述Mobilenetv2 ‑DeeplabV3+网络为： 将原有的改进版Xception主干网络修改为 Mobilenetv2； 在完成MobilenetV2的特征提取后， 获得两个有效特征层， 输入图像高和宽压 缩两次的结果作为低级特征， 输入图像高和宽压缩四次的结果经过ASPP作为高级特征， ASPP部分与解码器部分与De eplabV3+保持一 致。 2.如权利要求1所述的构建方法， 其特征在于， 所述Mobilenetv2 ‑DeeplabV3+网络训练 包括以下处 理中的至少一种： a、 采用在线随机数据增强对数据集进行扩充； b、 并引入Focal  loss函数解决o ne‑stage目标检测中正负 样本比例严重失衡的问题； c、 加载通过Ima genet数据集训练的Mobi lenetV2预训练权 重。 3.如权利要求1所述的构建方法， 其特征在于， 所述Mobilenetv2 ‑DeeplabV3+网络训练 参数设置包括： 初始学习率为5e ‑4， 输入图像分辨率为256X256， 采用Adam优化器， 采用 stepLR学习率衰减函数， gamma为0.94； 主干网络下采样倍率为8， 并采用损失函数为Dice损 失函数与交叉熵损失函数相结合得到的损失函数。 4.如权利要求1所述的构建方法， 其特征在于， 所述步骤(3)中对所述得到种植体横截 面图像集的处理为： 将所有植入 下颌的种植体图像进 行翻转， 使 所有种植体根在上， 穿龈部 分及上部结构朝下； 然后根据种植体的信息对图像进 行裁剪， 限定外框范围； 根据语义分割 得到的义齿边 缘信息进一 步向外扩展5个 像素， 随后隐去种植体对应 像素， 保留其 余像素。 5.如权利要求1所述的构建方法， 其特征在于， 所述ResNet ‑50网络训练包括以下处理 中的至少一种： a、 采用在线数据随机增强； b、 通过冻结/解冻的方式进行ResNet ‑50网络训练， c、 训练前的样本量估算 步骤； d、 加载基于Ima genet的预训练模型。权　利　要　求　书 1/2 页 2 CN 115512167 A 26.如权利要求1所述的构建方法， 其特征在于， 所述ResNet ‑50网络训练的训练参数设 置包括： 输入图像分辨率为64X64， cos动态学习率， 初始学习率为1e ‑3， 最小学习率为1e ‑5， 采用Adam优化器， 采用交叉熵作为损失函数。 7.包括如权利要求1～6任一项所述构建方法得到的基于CBCT图像数据评估种植体稳 定性的分类模型的装置 。 8.如权利要求7所述装置， 其特征在于， 所述分类模型包括二分类模型、 三分类模型、 四 分类模型； 其中， 所述二分类模 型以65为分界； 所述三分类模 型以60、 70为分界； 所述四分类 模型以50、 60、 70为分界。 9.如权利要求7 所述装置， 其特 征在于， 所述装置包括至少一种分类模型。权　利　要　求　书 2/2 页 3 CN 115512167 A 3