本發(fā)明涉及口腔健康檢測，更具體地說，本發(fā)明涉及一種基于大數(shù)據(jù)分析的口腔檢查方法及系統(tǒng)。

背景技術(shù)：

1、隨著現(xiàn)代口腔醫(yī)學的快速發(fā)展，口腔檢查在疾病預防、早期診斷和個性化治療中的重要性日益突出；然而，現(xiàn)有的口腔檢查技術(shù)仍然面臨諸多技術(shù)問題，例如：口腔內(nèi)壁表面存在復雜的曲面和不規(guī)則形態(tài)，包括牙齒、舌頭、牙齦等部位的自然彎曲與折疊，這些結(jié)構(gòu)在成像過程中導致圖像的嚴重畸變，使得病變區(qū)域的位置和形狀難以準確還原，導致校正精度低，難以滿足臨床要求；在口腔檢查過程中，唾液的存在不可避免，唾液表面具有較強的光反射特性，尤其在高亮度光源下，容易在成像中產(chǎn)生強烈的反光區(qū)域，這些反光區(qū)域會掩蓋病變區(qū)域的細節(jié)信息，降低病灶的識別率；口腔組織的顏色和紋理差異較小，尤其是病變區(qū)域與周圍健康組織在成像特征上的差異不明顯，由于邊界模糊，基于傳統(tǒng)邊緣檢測或簡單閾值分割的方法往往難以有效分割病變區(qū)域，此外，復雜病變之間可能相互重疊，進一步增加了分割難度。

2、鑒于此，本發(fā)明提出一種基于大數(shù)據(jù)分析的口腔檢查方法及系統(tǒng)以解決上述問題。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于大數(shù)據(jù)分析的口腔檢查方法，其特征在于，包括：

2、s1、采集口腔圖像數(shù)據(jù)和對應的圖像評估標簽，對口腔圖像數(shù)據(jù)進行畸變轉(zhuǎn)換，獲得口腔矯正圖；

3、s2、對口腔矯正圖像進行反光補償，獲得口腔補償圖；

4、s3、對口腔補償圖進行病變分割，獲得病變子圖；

5、s4、基于病變子圖和對應的圖像評估標簽構(gòu)建口腔健康評估模型，基于口腔健康評估模型實現(xiàn)對口腔健康的精準評估。

6、進一步地，所述口腔圖像數(shù)據(jù)的獲取方式包括：使用高清口腔內(nèi)窺鏡，配備多角度成像功能和微距鏡頭，設置設備的角度和位置，結(jié)合柔性臂機械輔助系統(tǒng)，利用多視角圖像的幾何配準技術(shù)，對不同視角圖像進行拼接，生成的全景口腔圖即為口腔圖像數(shù)據(jù)。

7、進一步地，所述對口腔圖像數(shù)據(jù)進行畸變轉(zhuǎn)換的方式包括：

8、采用rgb加權(quán)平均法對口腔圖像數(shù)據(jù)進行灰度化，獲得口腔灰度圖；對于口腔灰度圖中的每個像素，以口腔灰度圖中左下角的像素作為像素中心，以口腔灰度圖的像素高度和像素寬度作為坐標刻度為每個像素進行坐標賦值，獲得每個像素的像素坐標；采用邊緣檢測算子中的水平梯度算子對口腔灰度圖中的像素進行水平梯度計算，獲得水平像素梯度，采用邊緣檢測算子中的垂直梯度算子對口腔灰度圖中的像素進行垂直梯度計算，獲得垂直像素梯度；基于水平像素梯度和垂直像素梯度構(gòu)建每個像素的像素張量，基于像素張量對每個像素進行畸變評估，獲得畸變估值；

9、預設畸變閾值，將畸變估值大于或等于畸變閾值的像素標記為畸變像素；對每個標記為畸變像素的像素進行畸變位移探尋，獲得畸變位移場；基于畸變位移場對畸變像素進行像素轉(zhuǎn)移，以畸變位移場中的水平畸變偏移和垂直畸變偏移對畸變像素進行坐標計算，獲得偏移坐標，將畸變像素替換偏移坐標處的像素，以與畸變像素直接相鄰的像素作為鄰域像素，畸變像素處的像素值以鄰域像素的像素均值進行填補，獲得口腔矯正圖。

10、進一步地，所述對每個像素進行畸變評估的公式為：

11、其中，as(x,y)代表像素坐標為(x,y)處像素的畸變估值，|zl(x,y)|代表像素坐標為(x,y)處像素的像素張量的模，gx代表水平像素梯度，gy垂直像素梯度，x代表像素坐標的橫軸值，y代表像素坐標的縱軸值。

12、進一步地，所述對每個標記為畸變像素的像素進行畸變位移探尋的方式包括：

13、初始化a組畸變偏移組，初始化最佳偏移組為空值，畸變偏移組包含水平畸變偏移和垂直畸變偏移，基于畸變偏移組構(gòu)建畸變能量場函數(shù)，畸變能量場函數(shù)的表達式為：

14、其中，e代表畸變能量，α1代表水平權(quán)重系數(shù)，代表水平偏移梯度，α2代表垂直權(quán)重系數(shù)，代表垂直偏移梯度，β代表像素畸變參數(shù)，i(x,y)代表像素坐標為(x,y)處像素的像素灰度，i(x+u,y+v)代表像素坐標為(x+u,y+v)處像素的像素灰度，u代表水平畸變偏移，v代表垂直畸變偏移，dx代表對橫軸值進行積分，dy代表對縱軸值進行積分；基于畸變能量場函數(shù)計算每組畸變偏移組的畸變能量，基于畸變能量采用錦標賽選擇算法對畸變偏移組進行初始選擇，獲得初始畸變偏移組；

15、對初始畸變偏移組進行兩兩組合，獲得偏移配對，對每個偏移配對中的水平畸變偏移和垂直畸變偏移進行重新組合，獲得與初始畸變偏移組不同的子代組合；通過畸變能量場函數(shù)計算每個子代組合的畸變能量，將畸變能量小于偏移配對的畸變能量的子代組合作為新生代；預設異變刻度，異變刻度為一個大于零的整數(shù)，基于異變刻度對新生代的水平畸變偏移或垂直畸變偏移進行隨機異變，對水平畸變偏移隨機增加或減少一個異變刻度，對垂直畸變偏移隨機增加或減少一個異變刻度，獲得異變組合；通過畸變能量場函數(shù)計算每個異變組合的畸變能量，將畸變能量小于新生代的畸變能量的異變組合作為優(yōu)選異變，選擇畸變能量最小的優(yōu)選異變作為待選組合，當最佳偏移組為空值時，以待選組合作為新的最佳偏移組，當最佳偏移組不為空值時，若待選組合的畸變能量小于最佳偏移組的畸變能量，以待選組合作為新的最佳偏移組；以優(yōu)選異變作為新的初始畸變偏移組，重復直至最佳偏移組的畸變能量收斂，輸出此時的最佳偏移組作為畸變位移場。

16、進一步地，所述對口腔矯正圖像進行反光補償?shù)姆绞桨ǎ?/p>

17、預設尺度分量集合，基于尺度分量集合對口腔矯正圖像中的每個像素進行光照估計，對口腔矯正圖像中的每個像素進行光照估計的公式為：其中，l(x,y)代表像素坐標為(x,y)處像素的光照分量，cd代表尺度分量集合的大小，wβ代表尺度分量集合中第β個尺度分量的分量權(quán)重，分量權(quán)重滿足分量約束條件，分量約束條件為：cβ代表尺度分量集合中第β個尺度分量，f(cβ,x,y)代表卷積函數(shù)；基于光照分量對口腔矯正圖像中的每個像素進行反射評估，獲得反射分量；基于反射分量對口腔矯正圖像中的每個像素進行自適應補償估計，獲得補償因子；基于補償因子對口腔矯正圖像中的每個像素進行光補償，獲得補償像素，所有補償像素構(gòu)成口腔補償圖。

18、進一步地，所述對口腔矯正圖像中的每個像素進行反射評估的公式為：其中，r(x,y)代表像素坐標為(x,y)處像素的反射分量，i(x,y)代表像素坐標為(x,y)處像素的像素灰度，τ代表偏移常數(shù)；

19、對口腔矯正圖像中的每個像素進行自適應補償估計的公式為：其中，ch(x,y)代表像素坐標為(x,y)處像素的補償因子，γ代表補償控制系數(shù)，代表像素坐標為(x,y)處像素的反射分量的反射梯度。

20、進一步地，所述對口腔補償圖進行病變分割的方式包括：

21、預設像素搜索半徑，對于口腔補償圖中的像素b，采用歐氏距離公式計算其它像素與像素b之間的像素距離，以與像素b之間的坐標距離小于像素搜索半徑的其它像素構(gòu)成像素b的像素鄰域集；基于像素鄰域?qū)谇谎a償圖中的每個像素進行密度評估，獲得像素灰度密度；基于像素灰度密度對口腔補償圖中的像素進行距離度量，獲得像素距離；

22、基于像素灰度密度，采用聚類算法對口腔補償圖中的像素進行聚類，獲得像素密度聚類簇；預設密度閾值，計算每個像素密度聚類簇的密度均值，將密度均值大于密度閾值的像素密度聚類簇標記為密度病變區(qū)域；基于像素距離，采用聚類算法對口腔補償圖中的像素進行聚類，獲得像素距離聚類簇；預設距離閾值，計算每個像素密度聚類簇的距離均值，將距離均值大于距離閾值的像素距離聚類簇標記為距離病變區(qū)域；對密度病變區(qū)域和距離病變區(qū)域進行區(qū)域重疊比較，篩選出同為密度病變區(qū)域和距離病變區(qū)域的像素作為病變像素，對口腔補償圖中病變像素聚集的區(qū)域進行裁剪，獲得病變子圖。

23、進一步地，所述對口腔補償圖中的每個像素進行灰度密度評估的公式為：其中，mda代表口腔補償圖中第a個像素的像素灰度密度，size代表像素鄰域集的大小，ia代表口腔補償圖中第a個像素的像素灰度，ij代表像素鄰域集中第j個像素的像素灰度，θ代表灰度控制參數(shù)，daj代表口腔補償圖中第a個像素與像素鄰域集中第j個像素的像素距離，r代表像素搜索半徑；

24、所述對口腔補償圖中的像素進行距離度量的公式為：

25、其中，disa代表口腔補償圖中第a個像素的像素距離，mda代表口腔補償圖中第a個像素的像素灰度密度，mdj代表像素鄰域集中第j個像素的像素灰度密度，代表密度權(quán)重,jg(mda,mdj)代表過濾函數(shù)。

26、一種基于大數(shù)據(jù)分析的口腔檢查系統(tǒng)，包括：

27、數(shù)據(jù)采集處理模塊：采集口腔圖像數(shù)據(jù)和對應的圖像評估標簽，對口腔圖像數(shù)據(jù)進行畸變轉(zhuǎn)換，獲得口腔矯正圖；

28、圖像補償模塊：對口腔矯正圖像進行反光補償，獲得口腔補償圖；

29、區(qū)域分割模塊：對口腔補償圖進行病變分割，獲得病變子圖；

30、模型構(gòu)建模塊：基于病變子圖和對應的圖像評估標簽構(gòu)建口腔健康評估模型，基于口腔健康評估模型實現(xiàn)對口腔健康的精準評估。

31、本發(fā)明一種基于大數(shù)據(jù)分析的口腔檢查方法及系統(tǒng)的技術(shù)效果和優(yōu)點：

32、本發(fā)明通過對口腔圖像數(shù)據(jù)進行畸變轉(zhuǎn)換，有效地識別和校正口腔圖像中的畸變區(qū)域，保證圖像的精準性和細節(jié)的保留，特別是在處理口腔內(nèi)的角落、曲面或反光區(qū)域時，有效減少形變的影響，提升圖像質(zhì)量；通過對口腔矯正圖像進行反光補償，能夠消除因光照不均勻而產(chǎn)生的圖像偏差，特別是在高亮度光源下，唾液表面具有較強的光反射特性，容易在成像中產(chǎn)生強烈的反光區(qū)域，補償后的圖像能夠更好地顯示病變區(qū)域，使得后續(xù)的病變識別更為精準；通過對口腔補償圖進行病變分割，對圖像中的病變區(qū)域進行有效識別，有效地過濾掉非病變區(qū)域，提升分割的準確性精確定位病灶區(qū)域，減少人為誤差；通過大數(shù)據(jù)分析和深度學習模型的結(jié)合，能夠?qū)Σ煌颊叩目谇唤】颠M行精準評估，從而推動個性化口腔護理和健康管理的實現(xiàn)。