基于深度学习的头颅侧位片关键点检测技术研究与应用.pdf
目录
摘要I
ABSTRACTIII
第一章绪论1
1.1研究背景与意义1
1.2医学解剖点2
1.3头颅侧位片关键解剖点检测算法研究现状4
1.4本文主要研究内容和组织结构7
第二章相关理论与技术研究9
2.1神经网络理论9
2.2感知器原理10
2.3多层神经网络10
2.3.1激活函数12
2.3.2梯度下降算法14
2.4卷积神经网络15
2.4.1卷积层16
2.4.2池化层17
2.4.3全连接层17
2.4.4损失函数18
2.4.5不同类型的卷积19
2.5本领域常用模型20
2.5.1ResNet网络21
2.5.2Hourglass网络21
2.6本章总结22
第三章基于注意力机制的头颅关键解剖点定位检测23
3.1引言23
3.2注意力机制23
3.2.1挤压和激励网络23
3.2.2卷积块注意力机制24
3.2.3自注意力机制25
3.2.4十字交叉注意力机制26
3.3改进的CenterNet关键点定位检测网络27
3.4实验30
3.4.1数据集30
3.4.2预处理31
3.4.3实验环境33
3.4.4评价指标34
3.4.5结果分析35
3.4.6对比实验36
3.5本章小结38
第四章口腔正畸系统设计与实现39
4.1需求分析39
4.2系统开发环境41
4.3数据库设计42
4.4系统设计与实现46
4.5系统评价52
4.6本章小结53
第五章总结与展望55
5.1总结55
5.2展望56
参考文献57
在学期间取得的科研成果63
摘要
对头颅侧位片的测量分析是现代口腔正畸领域中研究颅面生长发育、畸形
诊断与制定矫正方法的关键步骤，分析的结果将直接影响医生对患者基本情况
的判断。当对头颅侧位片进行分析时，医生需要在侧位片上标记牙颌、颅面等
相关位置的关键坐标点，并定量与定性分析关键坐标点之间的距离以及角度关
系，而分析结果也将作为决策与制定诊疗手术方案的重要依据。因此，关键坐
标点定位的准确性将直接影响最终的治疗效果。当前临床上大多采用手动定位
关键坐标点的方式，导致坐标点定位速度和准确度直接受医生水平影响，标准
不统一，经常因为坐标点定位错误导致最终的手术失败。为此，本文将基于深
度学习的关键点检测技术应用于口腔正畸的头颅侧位片测量分析中，实现自动
化关键坐标点的定位分析，提高定位准确度和时效性。
结合临床需求，并针对手工关键坐标点定位方式存在的定位速度慢、准确
度低等问题，本文提出并设计了基于卷积神经网络的头颅侧位片关键点检测定
位模型CenterNetAt（CenterNet-Attention），主要工作及贡献如下：
在模型构建方面：本文将目标检测算法CenterNet作为研究的基准网络，
该网络通过简化网络结构能够在保持检测精度的同时大幅度减少模型参数量，
达到小样本学习的效果。采用改进的深度聚合网络（DLA34）作为基准网络
的特征提取模块，主要的改进是将注意力机制引入到网络中，加强网络对头颅
侧位片中头骨区域特征的表达能力，减少背景等非特征信息的干扰。之后在该
网络上采样前加入可变形卷积，增强模型对个体头骨差异性的建模能力，并将
网络中的Relu激活函数替换成LeakyRelu，提高模型的收敛性，保障模型的稳
健性。在实验采用的数据集方面：本文将ISBI2015挑战赛的Cephalometric
X-rays数据集作为原始数据，并运用了直方图均衡化、归一化、锐化等多
种数据预处理技术处理该数据集。实验结果表明，本文提出和设计的算法在
关键点定位上平均误差达到1.11mm，优于临床上平均2mm以内的可接受误差
范围，表明本文所提头颅侧位片关键解剖点自动定位算法能够更加准确地定位
关键点，并具有良好的时效性，可以满足临床医学的需求。