一种基于AI的CBCT设备控制方法与流程
本发明涉及医疗器械技术，具体为一种基于ai的cbct设备控制方法。
背景技术：
1、cbct设备是一种医学影像设备，全称为锥形束计算机断层扫描，常用于牙科、耳鼻喉以及放射治疗等领域，特别是在牙科领域。cbct设备的工作流程如下：首先将病患的头部靠近仪器，并根据需要扫描的部位进行调整和定位，然后ct机发射锥形束x射线，射线从不同角度穿过患者身体，随后探测器接受透过病患身体的x射线，通过数据采集模块采集并记录探测器接收到的射线信号，最后进行图像重建和处理，将处理后的图像显示出来供医生观看。
2、现有的cbct设备在使用过程中病患首先需要站立在设备附近，然后需要医生指导病患调节身体部位，此过程中需要耗费一定时间，不利于提高检测的效率。并且医生通过肉眼来判断扫描位置是否合适存在一定的弊端，偶而会出现扫描位置不准的问题，这就影响了cbct设备影像诊断。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于ai的cbct设备控制方法，具备能够病患躺在扫描床上的位置，自动调节扫描位置，提高造影质量和效率等优点，解决了背景技术中提出的问题。
3、(二)技术方案
4、为实现上述具备能够病患躺在扫描床上的位置，自动调节扫描位置，提高造影质量和效率的目的，本发明提供如下技术方案：一种基于ai的cbct设备控制方法，所述cbct设备包括主机、底座、摄像头、x射线发生器、颌托架和升降装置，所述cbct设备的控制方法按如下步骤进行：
5、步骤一：病患坐在升降装置上，通过摄像头捕捉病患的上半身图像，并且将图像上传给主机，主机根据图像对病患的上半身的身高做出分析和判断；
6、步骤二：通过升降装置来调节病患的身体高度，使得病患的下巴可置于颌托架上；
7、步骤三：病患将下巴置于颌托架上后，通过摄像头捕捉病患的人脸部位，获取人脸图像并且上传给主机；
8、步骤四：主机运行内置的ai算法对接受到的人脸图像进行分析，判断病患的人脸部位相对于x射线发生器的位置；
9、步骤五：微调颌托架的高度并且通过底座调节主机的角度位置，使得病患的人脸位置满足拍摄要求；
10、步骤六：主机运行x射线发生器对病患进行ct拍摄。
11、优选的，所述摄像头安装于主机的外表面，所述升降装置安装于底座的顶部，且所述升降装置的顶端设置座椅。
12、通过以上技术方案，病患行走到底座的顶部，并且在升降装置顶部设计的座椅上坐下，端正坐姿后，摄像头开设捕捉病患的上半身图像，然后将图像信息发送给主机，主机依据颌托架的高度为参照，根据颌托架实际高度和像素高度，然后通过比例关系来计算病患的身高，然后再经过换算后得出病患头部距离颌托架的颌托本体的高度差，随后主机向升降装置发送信号，通过升降装置对座椅进行调节，如此能够调节病患身体的高度位置，使病患的头部可靠近颌托架的颌托本体；升降装置可以是现有的套缸式升降机。
13、优选的，所述主机内置数据库和特征提取模块，所述数据库用于存取大量的锥形束ct图像数据，包括不同病例和扫描条件下的数据，并且通过特征提取模块对获得的数据提取关键特征。
14、通过以上技术方案，通过主机的数据库获取大量锥形束ct图像数据，包括不同病例和扫描条件下的数据，能够丰富数据集，增加了数据的多样性，使主机的训练模型能够学习到更多的特征和模式，数据集涵盖各种病例，提高训练模型的通用性和适应性，使得在扫描病患的面部特征后，训练模型能够精准的预测出病最佳的扫描位置。
15、优选的，所述主机内置的ai算法包括训练模型，所述训练模型根据特征提取模块提取的大量锥形束ct图像的关键特征在卷积神经网络内进行深度学习和训练。
16、通过以上技术方案，利用卷积神经网络进行深度学习和训练，以提取大量锥形束ct图像的关键特征，卷积神经网络能够自动学习和提取图像中的复杂模式和特征，这些特征对放射科医生来说不易察觉，从而提高疾病检测和分类的准确性，训练模型在训练完成后，卷积神经网络可以快速处理新的ct图像，提供即时的诊断信息，大大缩短了等待时间，并且随着更多数据的积累，训练模型可以不断地进行微调和优化，以适应新的诊断需求和变化。
17、优选的，所述步骤四中主机运行内置的ai算法对接受到的人脸图像进行分析，其中包括对人脸的俯仰角度、偏航角度和翻滚角度。
18、通过以上技术方案，摄像头对病患的人脸画面进行拍摄上传给主机后，主机的ai算法包括人脸检测算法和头部姿态估计算法，能够对人脸画面的关键点进行提取，这些关键点包括眼睛、嘴巴和鼻子等，然后通过分析关键点之间的位置关系，利用头部姿态估计算法计算出俯仰角、偏航角和翻滚角，通过精确计算人脸的俯仰角、偏航角和翻滚角，训练模型可以根据这些特征来评估患者的头部位置和姿态，使得训练模型可进一步的精确预测出最佳的扫描位置。
19、优选的，所述步骤四中主机对接受到的人脸图像进行分析，提取关键特征后与训练模型做出比对，所述训练模型预测出最佳的扫描位置。
20、通过以上技术方案，摄像头对病患的面部拍摄后，将图像信息上传给主机，主机内置的ai算法对人脸图形进行分析，提取关键点后计算俯仰角、偏航角和翻滚角，并且将这些特征信息输送到训练模型中进行比对，训练模型学习大量示例数据来了解如何从关键特征预测最佳扫描位置，减少人为干预，提高扫描的效率和准确。
21、优选的，所述主机中还设置对比模块，所述步骤六中在进行ct拍摄的过程中，所述对比模块将拍摄的过程与模型预测的结果进行比较。
22、通过以上技术方案，在进行ct拍摄的过程中通过实时比对，可以确保实际的扫描过程与模型预测的结果保持一致，从而提高诊断的准确性，如果发现偏差，可以及时调整x射线发生器的位置，以获取更准确的图像数据，并且实时比对可以帮助操作人员更快地获得理想的扫描结果，减少因位置不当导致的重复扫描，节省时间和成本，通过实时比对，还可以减少不必要的扫描，从而降低患者接受的辐射剂量，这对于儿童和孕妇等敏感人群尤为重要，还可以帮助提高扫描的效率，减少等待和调整的时间。
23、优选的，所述颌托架包括支撑部和颌托本体，所述支撑部内置微调装置用于微调颌托本体的高度位置。
24、通过以上技术方案，当病患的下巴置于颌托本体上后，摄像头开设拍摄病患的脸部画面，然后上传到主机，主机内置的ai算法包括人脸检测算法能够检测出拍摄到的画面是否为全脸，若不是，此时可通过颌托架内部的微调装置对颌托本体的高度位置进行微调，使得摄像头能够拍摄到全部的人脸画面，并且通过计算人脸的俯仰角、偏航角和翻滚角后使用底座内部安装的旋转调节结构对主机的位置进行角度调节，使得将x射线发生器调整到合适的位置，至于底座内的旋转调节结构可以采用现有结构，比如通过电机配合齿轮和齿圈的方式驱动底座周边的圆环而带动主机调整角度位置，而颌托架内的微调结构也可采用现有结构。
25、与现有技术相比，本发明提供了一种基于ai的cbct设备控制方法，具备以下有益效果：
26、本发明提供的一种基于ai的cbct设备控制方法,通过摄像头拍摄病患的人脸图像，若人脸画面不全，则可调节主机1的角度位置和颌托本体的高度位置来进行调整，将图像信息上传给主机后主机内置的ai算法包括人脸检测算法、头部姿态估计算法和训练模型，人脸检测算法对人脸进行检测提取关键点信息，头部姿态估计算法计算出俯仰角、偏航角和翻滚角，得到这些人脸关键特征后输入训练模型中，训练模型根据特征预测出最佳的扫描位置，从而能够避免人工判断扫描位置，提高ct拍摄的效率和准确率。
技术特征：
1.一种基于ai的cbct设备控制方法，所述cbct设备包括主机(1)、底座(2)、摄像头(3)、x射线发生器(4)、颌托架(5)和升降装置(6)，其特征在于：所述cbct设备的控制方法按如下步骤进行：
2.根据权利要求1所述的一种基于ai的cbct设备控制方法，其特征在于：所述摄像头(3)安装于主机(1)的外表面，所述升降装置(6)安装于底座(2)的顶部，且所述升降装置(6)的顶端设置座椅。
3.根据权利要求1所述的一种基于ai的cbct设备控制方法，其特征在于：所述主机(1)内置数据库和特征提取模块，所述数据库用于存取大量的锥形束ct图像数据，包括不同病例和扫描条件下的数据，并且通过特征提取模块对获得的数据提取关键特征。
4.根据权利要求3所述的一种基于ai的cbct设备控制方法，其特征在于：所述主机(1)内置的ai算法包括训练模型，所述训练模型根据特征提取模块提取的大量锥形束ct图像的关键特征在卷积神经网络内进行深度学习和训练。
5.根据权利要求1所述的一种基于ai的cbct设备控制方法，其特征在于：所述步骤四中主机(1)运行内置的ai算法对接受到的人脸图像进行分析，其中包括对人脸的俯仰角度、偏航角度和翻滚角度。
6.根据权利要求4所述的一种基于ai的cbct设备控制方法，其特征在于：所述步骤四中主机(1)对接受到的人脸图像进行分析，提取关键特征后与训练模型做出比对，所述训练模型预测出最佳的扫描位置。
7.根据权利要求1所述的一种基于ai的cbct设备控制方法，其特征在于：所述主机(1)中还设置对比模块，所述步骤六中在进行ct拍摄的过程中，所述对比模块将拍摄的过程与模型预测的结果进行比较。
8.根据权利要求1所述的一种基于ai的cbct设备控制方法，其特征在于：所述颌托架(5)包括支撑部和颌托本体，所述支撑部内置微调装置用于微调颌托本体的高度位置。
技术总结
本发明涉及医疗器械技术技术领域，且公开了一种基于AI的CBCT设备控制方法，CBCT设备包括主机、底座、摄像头、X射线发生器、颌托架和升降装置，CBCT设备的控制方法按如下步骤进行：步骤一：病患坐在升降装置上，通过摄像头捕捉病患的上半身图像，并且将图像上传给主机，主机根据图像对病患的上半身的身高做出分析和判断。本发明通过摄像头拍摄病患的人脸图像，将图像信息上传给主机后主机对人脸进行检测提取关键点信息，头部姿态估计算法计算出俯仰角、偏航角和翻滚角，得到这些人脸关键特征后输入训练模型中，训练模型根据特征预测出最佳的扫描位置，从而能够避免人工判断扫描位置，提高CT拍摄的效率和准确率。
技术研发人员：王喻,王涔光,郭红锐,康成友,刘原恺
受保护的技术使用者：四川乃康科技有限公司
技术研发日：
技术公布日：2024/9/23