本文是一篇医学论文，本文首先提出了一种基于相对位置约束的多尺度二维X线头影测量图像解剖特征点自动定位点算法，该算法建立在UNet2+框架的基础之上，整个流程包括数据处理阶段、训练阶段与测试阶段。
第一章 绪论
1.1选题背景与意义
下颌智齿拔除手术为口腔颌面外科临床门诊中最为常见的手术。由于智齿牙根的位置与下牙槽神经相当接近，在手术过程中若未能准确判断空间关系就进行操作，极其容易对下牙槽神经管造成损伤，其包括：拔牙术后出血、肿胀、疼痛、张口受限、感染、干槽症、下牙槽神经损伤、舌神经损伤、舌侧骨板损伤、牙根移位进入舌侧间隙以及罕见而严重的下颌骨骨折等，严重影响患者的生活质量[1-4]。因此，为了防止下牙槽神经管损伤，对下颌智齿拔除手术的术前评估在临床上有着重要的意义。
对下颌智齿拔除手术的术前评估共有三个部分部分，第一，判断就诊患者的颌面是否具有智齿相关的病变特征。需要对患者进行X射线头影测量图像分析，对牙颌及颅面常用的结构特征点进行标记，对19个结构特征点的距离、角度以及比例进行计算，然后再和正常牙颌颅面进行分析对比判断患者是否具有病变特征。若患者被确定具有额外生长的智齿，则可以进行下颌智齿拔除手术；第二，需要评估下颌阻生智齿和下牙槽神经的空间关系，即是否接触或者相离；第三，根据曲面断层图像判断下颌阻生智齿的牙根数目，即判断牙根数目为单根牙或双根牙。
在口腔临床治疗中，对下颌智齿拔除手术的术前评估仍然采用人工方式。首先，X射线头影测量图像中结构特征点的定位仍然以人工方式为主。人工定位不仅工作量大、消耗时间长，而且不同医生的临床经验、个人精力和所受压力的差异性也会直接影响到结构特征点定位的准确性[5]，因此发展精确的X射线头影测量图像结构特征点自动定位方法具有重要的临床价值。其次，评估智齿和下牙槽神经的空间关系以及智齿的牙根数目也仍采用人工方式，耗时费力，同样受人为因素影响很大。
1.2口腔颌面科医学成像
本节简单介绍下颌智齿拔除手术术前风险评估涉及的头影测量图像与曲面断层图像，并给出CBCT成像基本原理，CBCT图像在本文中将被用于判断下颌阻生智齿与下牙槽神经管空间关系的金标准扫描。
1.2.1 头影测量图像
头影测量图像通过X射线垂直于患者的矢状面进行射线成像而得，该图像常用于口腔颌面科临床诊断中对患者颌面结构形态的分析过程。Moorrees[10, 11]等人提出了自然头部位置的概念，该概念阐释了头部颅面形态的标准方向，现用于头影测量形态分析过程，可以适用于判断个人的头部位置是否正常。
在实际头部形态分析过程中，常采用测量特征点的位置来判断头影测量图像中自然头部位置，其基本的特征点一般分为两类：一类是解剖特征点，该类特征点常常位于牙颌、颅骨等颌面的特殊位置上，用于定位颌面相对不变的结构；第二类是引申特征点，这一类特征点是通过对头影测量图像上解剖特征点连接形成新的轴、向量或者依据角度和平面计算得来，如上颌前部最凹点（A点）、鼻孔点（nasion，N点）与下颌骨最凹点（B点）共同形成的ANB线段。用于头影测量颌面分析的特征点在往年没有明确的定义统一的标准，现在临床阶段常用的特征点为19个[12]，如图1.1所示，该图显示了解剖特征点与引申坐标点的位置以及定位引申坐标点时所使用的辅助线ANB、SNB与SNA。除此之外，特征点的标记准确率不仅受X光片的图像质量影响，同样也依赖于口腔颌面科医生的经验。
第二章 基于相对位置约束的多尺度二维X线头影测量图像解剖特征点自动定位点算法
2.1数据处理阶段
本文方法首先对数据集中每一张头影测量图像进行感兴趣的区域裁剪，减少冗余信息。随后对每一张图像进行数据增强以此扩充数据集大小，然后对19个解剖特征点根据高斯分布计算其对应的热力图，最后采用PIL库中的Image函数与Pytorch库将BMP格式的头影测量图像转化为torch张量，方便在训练和测试过程中的GPU并行计算。
2.1.1 图像数据裁剪
在临床诊断过程中拍摄的头影测量图像，其每一张图像中解剖特征点在图像中的分布情况以及相对位置关系较为固定，此外头影测量图像中不仅包含人体颌面的影像，还另外包括成像系统中的接收板等冗余影像。同时，口腔颌面科医生在对头影测量图像中的解剖特征点进行手工标记时，仅需根据鼻根点以及颏下点之间或眉弓至下颌骨之间的颌面结构图像即可完成解剖特征点的标记。
由此，为减少图像中冗余信息的干扰，本文将数据集中图像裁剪出口腔颌面科医生的所需的感兴趣区域，图像大小由原先的1935×2400大小裁剪局部区域至1600×1600的图像，裁剪后的变化如图2.2所示。裁剪后的图像对网络模型而言，可以有效地减少图像中的冗余信息，降低训练过程的难度，减少运算过程中所占用的显存资源。
2.2本文所用网络的基本架构
本文所用的网络结构为由全尺度U-Net[45]进行稠密连接与深度监督的编码器-解码器(Encoder-Decoder)组成的U-Net2+结构，其具体网络模型如图2.3所示，其中左侧编码器部分采用多层卷积层，由头影测量图像中提取图像中的解剖特征信息以及扩大感受野；右侧解码器结构用于恢复在降采样过程中的损失的像素并且驱动编码器选择有用的特征；编码器与解码器之间采用稠密连接，同时对在反向传播中无法返回梯度的神经层采用深度监督的方式实现梯度传播，下面将详细介绍本文所使用的模型结构。
2.2.1 组成模块
本文基于UNet2+的网络架构分为Encoder和Decoder部分，Encoder和Decoder的组成的基本模块为不同采样尺度的U-Net，分别是16倍降采样，6倍降采样与4倍降采样的U-Net模块。
U-Net最初被设计用于解决医学图像的分割任务，现逐渐成为医学图像处理的基本网络单元，其网络结构如图2.4所示，该模型从上至下共分为5级以及左右两侧的编码与解码阶段，对于16倍降采样的模块，在编码阶段第一级首先将大小为572×572的单通道图像作为输入，经过两层卷积层的卷积操作提取第一层浅层图像信息之后变为568×568的64通道特征图，该特征图通过最大池化操作之后，特征图的尺寸变为原来的一半，由原来的568×568的64通道特征图转换为284×284的64通道特征图，随之进入第二级的卷积层，第二级中特征图经过两次卷积层的卷积操作提取第二级的图像解剖信息之后，其尺寸变为280×280的128通道特征图，该特征图同样经过最大池化操作之后，其尺寸变为原来的一半，即140×140的128通道特征图，随后进入第三级的卷积层。在第三级中，特征图经过两层卷积层的卷积操作提取第三级较为深层的特征信息之后变成136×136的256通道特征图，该特征图随之进行最大池化操作，其尺寸变为68×68的256通道特征图进入第四级卷积层。在第四级中特征图经过两次卷积层的卷积操作提取更深层次的抽象语义特征之后，其尺寸变为64×64的512通道特征图，然后经过最大池化层其尺寸大小缩减一半至32×32的512通道特征图，进入最后一级的卷积层。在第五级中，特征图经过两次卷积操作变为28×28的1024通道特征图，至此进入解码阶段。
第三章 基于多分辨率目标检测网络的下牙槽神经损伤风险评估算法 .......................... 31
3.1数据处理阶段 ................................... 32
3.1.1 曲面断层图像数据增强 ................................ 32
3.1.2 空间关系判断金标准制作 ............................. 33
第四章 基于多分辨率目标检测网络的下颌阻生智齿牙根数目评估算法 .................... 58
4.1数据处理阶段 .................................... 59
4.1.1 曲面断层图像数据增强 .......................... 59
4.1.2 牙根数目金标准制作 ................................. 60
第五章 总结与展望 ............................ 70
5.1解剖特征点定位 ............................... 70
5.2阻生智齿与下牙槽神经空间关系评估 ..................... 70
第四章 基于多分辨率目标检测网络的下颌阻生智齿牙根数目评估算法
4.1数据处理阶段
本章方法的数据集同样采用江苏省口腔医院1500例患者的曲面断层图像与CBCT图像，根据CBCT图像获取下颌阻生智齿牙根数目制定金标准后，采用K均值(K-means)算法对图像中的检测框进行聚类，预先提取出适用于牙根检测的描框进行训练。随后利用Pytorch库函数将数据转换为Pytorch所需的张量矩阵形式，便于训练过程中采用基于CUDA的加速运算。
4.1.1 曲面断层图像数据增强
本章采用的曲面断层图像数据增强方式与第三章的图像数据增强方式基本一致，包括像素级别的增强如：随机翻转、随机缩放、随机饱和度变化、随机亮度变化等。以及也同样采用了图像级别的数据增强Mosaic算法，如图4.2所示。
通过上述方法人工地扩增训练集的大小可以训练出更加泛化的模型，减少过拟合带来的影响，同时也有效地增加了不均衡类别的样本数量，经过图像增强的数据集可以有效地帮助模型在提取和学习特征时减少因位置、光照关系、饱和度等扰动带来的负面影响。
第五章 总结与展望
5.1解剖特征点定位
随着人们逐渐重视自身口腔牙齿健康问题，下颌智齿拔除手术的需求也在不断增长，为了防止发生下颌智齿拔除手术的术后
