本发明涉及图像处理领域，具体是涉及下颌神经管影像学自动化识别方法及定位系统。
背景技术：
1、神经管标识技术是在ct拍摄重建的体数据上应用的，在ct重建的体数据上标识出下颌神经管对医生的拔牙和种植等手术有着极其重要的意义。特别是种植牙手术，如果医生对于患者的牙神经位置认知模糊，在种植手术时压迫或者意外损伤到牙神经会造成严重医学事故。实际上种植手术要求对患者进行严格的术前检查，对口腔和面部进行ct检查，医生需要在ct影像上判读牙神经的位置，让植体与牙神经之间有安全的预留量。
2、在ct影像上判读牙神经管位置，目前主要还是依赖医生手动标注。一般是在生成的全景图上由医生对下颌牙神经进行手动标注，再由一些算法将全景图的标注结果计算到体数据上。
3、由于医生手动标注的步骤繁琐、耗时长，智能标识牙神经的技术在发展。目前现有的技术：授权公告号为cn113643446b的中国发明专利，公开了技术在由ct生成的长方体全景数据上利用ai进行神经管检测，然后标记的下颌神经管映射回去。
4、现有技术会有这些问题，我们需要去解决：
5、（1）手工标注存在的问题：
6、耗时长，医生操作繁琐。对于手工标注过程，如果医生想要确保最终拟合曲线的精度，就需要标注足够多的点，最终的耗时长；另一方面，如果医生标注少量的点以节省时间，又会导致最终的拟合曲线精度不够。
7、（2）现有智能标注的问题：
8、1、在处理流程上依赖于全景图的生成，通用性上有限制；
9、2、ai模型的处理数据存在比较多的冗余，处理速度会受到影响（模型将整个全景体数据做为输入，牙神经在其中只占很小一部分）。同时由于大尺度3d数据的内存占用大，该算法对部署的硬件要求高。
技术实现思路
1、本发明的目的在于提供下颌神经管影像学自动化识别方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：下颌神经管影像学自动化识别方法，获取待拍摄对象的目标位置的三维ct图像，所述目标位置包括待拍摄对象的头部；
3、依据获取的所述拍摄对象的目标位置的三维ct图像进行加权和滤波反投影重建后获得重建图像；
4、依据所述目标位置的三维ct图像的体数据对下颌骨进行牙神经标识；
5、其中，所述下颌骨进行牙神经标识的标识方法包括：
6、获取人体目标位置的目标体数据；
7、根据目标体数据的灰度值设置阈值对目标体数据进行分割，得到下颌骨体数据；
8、依据所述下颌骨体数据作为牙神经标识模型的输入，获得多个体数据块的分割结果；
9、按照所述体数据块的分割结果，重新进行整合得到下颌骨牙神经分割结果；
10、依据所述下颌骨牙神经分割结果，进行多项式曲线拟合，剔除偏差大的空间点，最终输出目标牙神经标识结果；
11、依据所述目标牙神经标识结果得到相应的口腔全景图像。
12、作为本发明进一步的方案：所述牙神经标识模型的模型训练方法包括：
13、获取多个包括人体目标位置的第一体数据；
14、在所述第一体数据上标注关键点；
15、依据标已标注关键点的第一体数据的下颌骨部分，根据第一体数据灰度值设置阈值对第一体数据进行分割，得到下颌骨第二体数据部分；
16、依据所述下颌骨第二体数据部分进行滑框裁剪，裁剪后得到三维切块；
17、依据多个所述三维切块构建的训练和测试数据集，以及依据构建训练和测试数据集对牙神经标识模型进行训练获得牙神经标识模型。
18、作为本发明进一步的方案：所述牙神经标识模型为ai分割模型，所述ai分割模型采用3d-unet网络结构，采用三维卷积核进行卷积操作，ai分割模型由三部分组成，包括：
19、编码器部分将输入体数据块进行特征提取和下采样操作，编码成高维的语义特征；
20、解码器部分将高维的语义特征逐渐恢复到与输入数据相同尺度大小的输出特征；
21、分割头输出最后的分割结果。
22、作为本发明进一步的方案：所述ai分割模型的模型训练步骤包括：
23、输入数据标准化：调整为统一大小并进行标准化；
24、数据增强：进行缩放、裁剪、旋转以及亮度变换和加噪处理；
25、推理和损失计算：处理后的输入数据经过模型推理后输出预测结果，与标注真值之间计算损失函数，损失函数采用交叉熵损失以及交并比损失；
26、模型参数优化：采用梯度下降法，对计算出的损失进行反向传播，动态调节的学习率下优化模型参数；
27、模型测试评估：在测试数据集上，使用模型进行推理预测，计算预测结果和标注真值之间的平均差值作为评估标准，如果当前的模型的优于上一轮的结果，则保存这个模型。
28、作为本发明进一步的方案：模型的训练过程中，训练数据集的规模与测试数据集的规模比是5:1。
29、作为本发明进一步的方案：所述第一体数据为收集ct重建的采样体数据，采样体数据从算法将要部署的设备中获取。
30、作为本发明进一步的方案：重新进行整合，重新整合的过程是将裁剪出的小块，按其在原始数据上的位置进行拼接，整合出和原始数据相同大小的数据。
31、作为本发明进一步的方案：在下颌骨神经的预测点上进行空间多项式曲线拟合，拟合的原理基于最小二乘法，对方程组求出解析解或采用迭代优化方式，导出偏差值小的拟合曲线，在得到拟合曲线后，设置一个偏差阈值，根据偏差阈值对预测点进行剔除，输出最后的牙神经预测点的拟合曲线。
32、作为本发明进一步的方案：剔除偏差大的空间点的方法为：
33、对空间点的位置进行概率统计，计算出所有点的均值和标准差，如果有点的位置超过了均值加上或者减去3倍标准差，那么这个点就是偏差大的空间点，在进行后续的直线拟合时，将其剔除。
34、作为本发明进一步的方案：所述第一体数据上标注关键点的步骤，包括：
35、使用标注工具对原始体数据进行标注，标出下颌骨的牙神经部分；
36、标注过程中标注出下颌牙神经的所有体素点；
37、标注结束时输出与第一体数据相同大小的标注体数据，将下颌牙神经对应的位置的数值与其他部分区分开来，以下颌牙神经位置的体素值标注为1，其他部分为0。
38、作为本发明进一步的方案：第一体数据灰度值设置阈值对第一体数据进行分割，第一体数据取定一个数值，然后遍历第一体数据上的每一个空间点，当前空间点存储的值大于设定的阈值，将该点的值设置为1，否则将该点的值设置为0，遍历结束后，即可得到阈值分割的处理结果。
39、作为本发明进一步的方案：下颌骨第二体数据部分进行滑框裁剪，首先构建一个小的滑窗窗口，从数据的左上角开始，将原始数据对应滑窗位置的小块裁剪出来，然后从左到右，从上到下，移动滑窗，依次进行裁剪，当滑窗滑动至数据右下角时，整个滑窗裁剪过程结束。
40、作为本发明进一步的方案：依据所述下颌骨体数据作为牙神经标识模型的输入，获得多个体数据块的分割结果的步骤中，包括在体数据块分割出下颌骨部分，其中在体数据块分割出下颌骨部分包括以下步骤：
41、根据第一体数据的灰度值选取阈值，将骨组织与软组织分割出来；
42、在第一体数据靠下的一个包含下颌骨区域的空间范围内，选取一个空间初始点，采用下颌骨区域生长法，分割出下颌骨部分；
43、在每一份分割出的下颌骨第二体数据与对应的标注数据上，采用空间滑窗进行切块，分别生成训练的切块数据与测试的切块数据。
44、一种定位系统，所述定位系统执行时用于实现下颌神经管影像学自动化识别方法。
45、与现有技术相比，本发明的有益效果是：
46、1.输入数据的独立性：此算法具有独特的设计，它直接以原始的ct重建数据作为输入。这意味着它不需要依赖于其他经过复杂处理生成的信息，例如全景图等。原始的ct重建数据包含了丰富的人体组织信息，而算法能够直接从这些未经额外加工的数据中挖掘出关键的信息。在针对下颌骨牙神经标识的应用场景中，它可以直接深入体数据内部，凭借自身强大的智能处理能力，准确地识别出下颌骨牙神经相关的特征。
47、2.快速的处理速度：算法的处理速度快是其一大显著优势。在ai模型推理过程中，它采用了在特定区域进行滑框裁剪输入的策略。具体来说，是在下颌骨牙神经附近进行操作。这是因为下颌骨牙神经在整个ct体数据中只占据了相对较小的一部分区域。通过在这个关键区域附近进行滑框裁剪，算法将注意力集中在了最相关的信息上。
48、减少冗余信息与降低硬件需求：由于上述的滑框裁剪操作，大量与下颌骨牙神经标识无关的冗余信息被排除在处理过程之外。这种方式使得输入的数据量大幅减少，占用的内存也相应变小。
1.一种下颌神经管影像学自动化识别方法，其特征在于，
2.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，所述牙神经标识模型的模型训练方法包括：
3.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，所述牙神经标识模型为ai分割模型，所述ai分割模型采用3d-unet网络结构，采用三维卷积核进行卷积操作，ai分割模型由三部分组成，包括：
4.根据权利要求3所述的下颌神经管影像学自动化识别方法，其特征在于，所述ai分割模型的模型训练步骤包括：
5.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，模型的训练过程中，训练数据集的规模与测试数据集的规模比是5:1。
6.根据权利要求2所述的下颌神经管影像学自动化识别方法，其特征在于，第一体数据为收集ct重建的采样体数据，采样体数据从算法将要部署的设备中获取。
7.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，重新进行整合，重新整合的过程是将裁剪出的小块，按其在原始数据上的位置进行拼接，整合出和原始数据相同大小的数据。
8.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，在下颌骨神经的预测点上进行空间多项式曲线拟合，对方程组求出解析解或采用迭代优化方式，导出偏差值小的拟合曲线，在得到拟合曲线后，设置一个偏差阈值，根据偏差阈值对预测点进行剔除，输出最后的牙神经预测点的拟合曲线。
9.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，剔除偏差大的空间点的方法为：
10.根据权利要求2所述的下颌神经管影像学自动化识别方法，其特征在于，所述的第一体数据上标注关键点的步骤，包括：
11.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，第一体数据灰度值设置阈值对第一体数据进行分割，第一体数据取定一个数值，然后遍历第一体数据上的每一个空间点，当前空间点存储的值大于设定的阈值，将该点的值设置为1，否则将该点的值设置为0，遍历结束后，即可得到阈值分割的处理结果。
12.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，下颌骨第二体数据部分进行滑框裁剪，首先构建一个小的滑窗窗口，从数据的左上角开始，将原始数据对应滑窗位置的小块裁剪出来，然后从左到右，从上到下，移动滑窗，依次进行裁剪，当滑窗滑动至数据右下角时，整个滑窗裁剪过程结束。
13.根据权利要求1所述的下颌神经管影像学自动化识别方法，其特征在于，依据所述下颌骨体数据作为牙神经标识模型的输入，获得多个体数据块的分割结果的步骤中，包括在体数据块分割出下颌骨部分，其中在体数据块分割出下颌骨部分包括以下步骤：
14.一种定位系统，其特征在于，所述定位系统执行时用于实现权利要求1至13中任一项所述的下颌神经管影像学自动化识别方法。
