本发明涉及医疗领域。更具体地说，本发明涉及一种融合空洞空间卷积和注意力机制的龋齿检测方法。
背景技术：
1、龋齿是一种由口腔中多种因素复合作用所导致的牙齿硬组织进行性病损，是一种常见的口腔疾病。龋齿检测是口腔医学中的一个重要任务，传统龋齿的诊断方法主要依赖于临床医生的主观性经验水平，不同医护人员在识别病灶的敏感度上存在一定的差异，尤其是对于不同龋齿深度的准确定义。由于医护人员长期查看影像数据，可能出现视觉疲劳，这在一定程度上影响了诊断结果的准确性。其次,医生在龋齿诊断中的主观经验可能受到个体差异、培训水平和专业经验等因素的影响，导致不同医生对同一病灶的识别存在一定的主观性差异。尤其是对于龋齿的深度评估，医生的主观判断容易受到主观观感和经验的影响，存在一定的不确定性。为了解决这些问题，引入计算机辅助的龋齿检测系统，基于深度学习技术，实现对龋齿的自动化检测和量化评估，减少对医生主观判断的依赖，提高诊断的客观性和稳定性。
2、随着计算机视觉和深度学习技术的发展，使得自动化龋齿检测成为可能。因此，亟需提出一种口腔图像的龋齿智能筛查与检测技术，旨在基于图像通过计算机辅助检测技术对龋齿进行识别与检测。
技术实现思路
1、为了解决上述背景中的技术问题，本发明提出一种融合空洞空间卷积和注意力机制的龋齿检测方法，包括以下步骤：
2、s1、构建龋齿检测的数据集；
3、s2、构建caasn-dcdet龋齿检测网络模型；
4、s3、训练caasn-dcdet网络；
5、s4、对待检测目标进行检测。
6、优选的方案中，步骤s2中的caasn-dcdet龋齿检测网络包括：backbone network(骨干网络)、neck network(颈部网络)和head network(头部网络)。
7、优选的方案中，backbone network采用的是cs3darknet_m网络，提取出丰富有效的龋齿图像特征。在neck network首部引入coordinate attention(坐标注意力机制)，使网络模型更加关注于小面积龋齿特征信息，同时在较小计算开销的前提下更加精准的定位龋齿。在neck network中部加入aspp_nonlocal module(非局部注意力融合空洞空间卷积池化金字塔模块)模块，使网络拥丰富的全局信息，提高整体网络对大面积龋齿的识别与分割准确率。caasn-dcdet网络模型将识别与分割融合为一个整体，可以同时有效的实现龋齿的识别与分割功能。
8、优选的方案中，坐标注意力机制的操作流程包括：
9、s10、从输入的图像数据中提取每个位置的坐标信息，通常使用正规化的坐标，确保其范围在[0,1]之间；
10、s20、将提取到的坐标信息与输入数据进行组合，产生用于计算注意力权重的新输入；
11、s30、将计算得到的注意力权重应用于原始输入数据，以得到加权的特征表示。
12、优选的方案中，坐标注意力机制的数学表达过程整体流程包括：
13、对尺寸为c*h*w的输入特征图分别按照x方向和y方向进行池化，分别生成尺寸为c*h*1和c*1*w的特征图，
14、
15、
16、将生成的c*1*w的特征图进行变换，然后进行concat(特征连接)操作；
17、f＝δ(f1([zh,zw]))
18、将zh和zw进行concat操作后生成的特征图进行f1操作和激活操作，最终生成特征图f∈rc/r×(h+w)×1；
19、gh＝δ(fh(fh))
20、gw＝δ(fw(fw))
21、沿着空间维度，再将f进行split操作，分成fh∈rc/r×h×1和fw∈rc/r×1×w，然后分别利用卷积进行升维度操作，再结合sigmoid激活函数得到最后的注意力向量gh∈rc×h×1和gw∈rc×1×w；
22、最后，得到坐标注意力机制的输出公式为：
23、优选的方案中，非局部注意力模块的数学表达式为：
24、
25、其中，xi是输入序列或图像的第i个位置的特征表示，f是用于计算位置i与其他位置之间关联度的函数，g是用于更新特征的函数,yi是最终位置i的输出，c(x)是归一化系数。
26、优选的方案中，aspp_nonlocal module模块(aspp+nonlocal module)具体为：
27、aspp_nonlocal module模块旨在充分利用aspp(空洞空间卷积池化金字塔模块)提供的多尺度特征信息和非局部注意力模块(non-local module)提供的全局上下文信息，从而提高模型对输入数据的感知和理解能力。
28、优选的方案中，aspp通过在网络中引入若干个并行的分支，每个分支使用不同尺度的空洞卷积和池化操作，来捕获不同级别的上下文信息，通过使用不同的空洞率进行空洞卷积，扩大感受野。
29、本发明具有以下的有益效果：
30、1)本发明提出了一套从牙体硬组织颜色特征提取与分析到生成辅助诊断报告的工作流程框，从实践上展示了构建牙齿异常区域诊断系统的可操作性，完成了牙齿辅助决策诊断。
31、2)本发明基于口腔内扫图像，构建一整套从数据预处理到小目标检测分割再到诊断决策支持应用框架，对于深度学习和微小目标检测与分割在医学领域的应用有较好地促进作用。
32、3)本发明所提供的算法通过生成辅助诊断报告帮助医师完成辅助诊断决策，对利用深度学习技术提高医疗诊疗决策质量有积极意义，并能帮助患者在第一时间快速自主了解自身病情。
33、4)本发明研究的微小实体特征抽取技术能够有效的推进实体关键特征提取领域的技术发展。
1.一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于包括以下步骤：
2.根据权利要求1所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：步骤s2中的caasn-dcdet龋齿检测网络包括骨干网络、颈部网络和头部网络。
3.根据权利要求2所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：骨干特征提取网络采用的是cs3darknet_m网络，用于提取龋齿图像特征；
4.根据权利要求3所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：坐标注意力机制的操作流程包括：
5.根据权利要求3所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：坐标注意力机制的数学表达过程整体流程包括：
6.根据权利要求3所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：非局部注意力模块的数学表达式为：
7.根据权利要求3所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：非局部注意力融合空洞空间卷积池化金字塔模块利用空洞空间卷积池化金字塔模块提供的多尺度特征信息和非局部模块提供的全局上下文信息来提高模型对输入数据的感知和理解能力。
8.根据权利要求3所述一种融合空洞空间卷积和注意力机制的龋齿检测方法，其特征在于：空洞空间卷积池化金字塔模块通过在网络中引入若干个并行的分支，每个分支使用不同尺度的空洞卷积和池化操作，来捕获不同级别的上下文信息，通过使用不同的空洞率进行空洞卷积，扩大感受野。
