基于深度學(xué)習(xí)的牙齒健康識別系統(tǒng)

汪冰清 王勝

摘 要：牙齒健康問題是目前最主要的口腔問題之一，牙齒疾病具有發(fā)病率高覆蓋面廣的特點(diǎn)，影響國民生活質(zhì)量。傳統(tǒng)的檢測方法包括視診、探診、X線片等。對牙齒甚至身體傷害大。將現(xiàn)今熱門的機(jī)器視覺技術(shù)應(yīng)用于口腔疾病診斷，創(chuàng)新設(shè)計(jì)基于機(jī)器視覺模式識別的口腔診斷算法。為了精確的診斷口腔疾病，設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的口腔牙齒疾病診斷系統(tǒng)。該系統(tǒng)利用傳感器攝像頭采集口腔圖像，并使用GoogLeNet網(wǎng)絡(luò)模型對圖像進(jìn)行特征提取與識別。

關(guān)鍵詞：牙齒健康;識別系統(tǒng)

一、深度學(xué)習(xí)的優(yōu)勢

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個新的領(lǐng)域，其動機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。深度學(xué)習(xí)是無監(jiān)督學(xué)習(xí)的一種。深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)的概念由Hinton等人于2006年提出。基于深信度網(wǎng)（DBN）提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望，隨后提出多層自動編碼器深層結(jié)構(gòu)。此外Lecun等人提出的卷積神經(jīng)網(wǎng)絡(luò)是第一個真正多層結(jié)構(gòu)學(xué)習(xí)算法，它利用空間相對關(guān)系減少參數(shù)數(shù)目以提高訓(xùn)練性能。用更多的數(shù)據(jù)或是更好的算法來提高學(xué)習(xí)算法的結(jié)果。對某些應(yīng)用而言，深度學(xué)習(xí)在大數(shù)據(jù)集上的表現(xiàn)比其他機(jī)器學(xué)習(xí)（ML）方法都要好這些又如何轉(zhuǎn)化為現(xiàn)實(shí)生活中的情形呢？深度學(xué)習(xí)更適合無標(biāo)記數(shù)據(jù)，因而它并不局限于以實(shí)體識別為主的自然語言處理（NLP）領(lǐng)域。

二、卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一種多層監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，具有極強(qiáng)的適應(yīng)性，善于挖掘數(shù)據(jù)局部特征和組合高級語義信息進(jìn)行分類。該網(wǎng)絡(luò)包括卷積層、激勵層、池化和全連接層。卷積層和池化層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心模塊;采用梯度下降法最小化損失函數(shù)，對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過多次的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。

（一）卷積層。卷積層是一種特殊的神經(jīng)元網(wǎng)絡(luò)層，是用卷積核通過卷積運(yùn)算掃描圖像，從而獲得相應(yīng)特征，其具有局部感受和權(quán)值共享的特性。卷積層的輸出公式為：yi=∑ikij*xi+bi，此式中：yi為卷積層輸出;kij為卷積核;*為卷積運(yùn)算;xi為輸入圖像;bi為偏置項(xiàng)。在卷積神經(jīng)網(wǎng)絡(luò)中，層與層之間的神經(jīng)元節(jié)點(diǎn)不再是全連接形式，而是利用層間局部空間相關(guān)性將相鄰每一層的神經(jīng)元節(jié)點(diǎn)只與它相近的上層神經(jīng)元節(jié)點(diǎn)連接，即局部感受，從而降低了神經(jīng)網(wǎng)絡(luò)架構(gòu)的參數(shù)規(guī)模。卷積層具有共享權(quán)重機(jī)制，每個卷積核參數(shù)重復(fù)作用于整個感受野中，對輸入圖像進(jìn)行卷積，卷積結(jié)果構(gòu)成了輸入圖像的特征圖。此機(jī)制不僅能提取圖像特征，而且降低了卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)量。

（二）激勵層。激勵層是卷積層輸出后的非線性單元。由于多層神經(jīng)網(wǎng)絡(luò)模型具有高度非線性，而卷積層是一個線性的計(jì)算過程，為保證非線性需引入一個激勵層（即非線性單元）。激勵層計(jì)算公式為：f=σ（yi），此式中：yi為卷積層輸出;激勵函數(shù)σ為輸入和輸出的映射關(guān)系。為了讓模型更快速的學(xué)習(xí)，在激勵層中引入修正單元。常用的修正函數(shù)包括Logistic函數(shù)、tanh函數(shù)、Sigmoid函數(shù)、ReLU函數(shù)等。

（三）池化層。池化層也稱做下采樣，其要功能是對特征圖進(jìn)行特征壓縮。通過選擇原來某個區(qū)域的最大值或平均值代替那個區(qū)域，達(dá)到對特征圖壓縮的目的。池化層采用Maxpool方法，其計(jì)算公式為：yj=f（1/n∑jxj+b），此式中：yj為池化層輸出;n表示從卷積層到池化層的窗口大小;xj為n×n大小的區(qū)域;bj為偏置項(xiàng)。由于池化層大幅減小了輸入特征圖的空間維度，從而使得權(quán)重參數(shù)的數(shù)目減少了75%，降低了計(jì)算成本，并且可以控制系統(tǒng)過擬合。

（四）全連接層

在全連接層中，神經(jīng)元節(jié)點(diǎn)是線性一維排列結(jié)構(gòu)，層與層各神經(jīng)元節(jié)點(diǎn)之間相互連接。全連接層輸出公式為：

此式中：xj為上層神經(jīng)元傳來的輸入信號;wij為從神經(jīng)元j到神經(jīng)元i的連接權(quán)重;θi為閾值;f為激活函數(shù)。由于最后一層的池化層，輸出為圖像各個區(qū)域的高級特征，所以需要全連接層將這些非線性特征，以簡易的方式進(jìn)行組合，利用Softmax或支持向量機(jī)（SVM）分類器對輸入圖像進(jìn)行分類。

三、GoogLeNet解析

由于采用增加神經(jīng)網(wǎng)絡(luò)的深度的方法，來提升網(wǎng)絡(luò)識別分類的性能，易造成網(wǎng)絡(luò)復(fù)雜度增加和梯度消失等問題，為了解決上述問題，提出了GoogLeNet網(wǎng)絡(luò)，通過增加網(wǎng)絡(luò)的寬度的方法，來提升網(wǎng)絡(luò)性能。該網(wǎng)絡(luò)是一個22層的深度網(wǎng)絡(luò)GoogLeNet網(wǎng)絡(luò)的寬網(wǎng)絡(luò)是一個22層的深度網(wǎng)絡(luò)，像素感應(yīng)大小是224×224，采用了RGB彩色三通道。GoogLeNet網(wǎng)絡(luò)模型的核心單元是Inception模塊，模塊結(jié)構(gòu)框圖如圖2所示。Inception模塊的由4個并行支路組成，支路1采用1×1卷積進(jìn)行特征提取;支路2采用1×1和3×3卷積的串行連接;支路3采用1×1和5×5卷積的串行連接，1×1卷積降低輸入的特征通道和減少參數(shù)量，3×3和5×5卷積用于增大對圖像的感受野;支路4采用3×3最大池化和1×1卷積，最大池化改變輸入的特征排列，1×1卷積進(jìn)行特征提取，最后將4個并行線路得到的特征圖在通道維度上拼接起來。

四、智能口腔疾病檢測系統(tǒng)

智能口腔檢測系統(tǒng)是以圖像顯示為核心，使用圖像顯示模塊完成圖像數(shù)據(jù)的實(shí)時顯示以及瞬時抓取，并通過WiFi模塊實(shí)現(xiàn)無線傳輸，實(shí)現(xiàn)對口腔牙齒圖像進(jìn)行處理及分類等功能。該系統(tǒng)主要由控制器模塊，圖像采集模塊、圖像顯示模塊、圖像存儲與傳輸模塊、圖像檢測平臺和電源模塊組成。

五、結(jié)語

牙齒健康不僅僅是解除了牙齒疾病的困擾，更重要的是它體現(xiàn)了一個人的修為、涵養(yǎng)，而且是自信與活力的源泉。通過日常檢測牙齒檢查獲取個人牙齒的健康狀況等信息，并生成圖像后，同時可根據(jù)已獲得的牙齒圖像等信息遠(yuǎn)程連接牙科醫(yī)生，實(shí)現(xiàn)對牙齒疾病的早期診斷早期預(yù)防。為了便于用戶可以更好的了解牙齒健康常識。另外，未來將在大量搜集的圖像數(shù)據(jù)基礎(chǔ)上設(shè)計(jì)算法，自動分析牙齒健康狀況并給與反饋。