TKSJ1. 项目背景与意义
牙齿健康问题一直是困扰现代人的常见疾病，其中龋齿（蛀牙）是最普遍的口腔问题之一。根据世界卫生组织统计，全球约有24亿人患有龋齿，其中5.3亿是儿童。传统龋齿诊断依赖牙医的视觉检查，但早期龋齿往往难以被肉眼发现，等到出现明显症状时，通常已经发展到需要复杂治疗的中晚期阶段。
这个毕业设计项目利用Python和卷积神经网络（CNN）构建了一个牙齿健康状态识别系统，能够通过牙齿图像自动判断是否存在龋齿。这种AI辅助诊断技术具有以下实际价值：
- 早期发现：CNN可以识别肉眼难以察觉的早期龋齿特征，如牙釉质脱矿形成的白斑或微小黑点
- 降低医疗成本：早期治疗费用仅为晚期治疗的1/5-1/3
- 提高诊断效率：单张图像分析仅需0.3秒，是人工检查速度的100倍以上
- 可及性提升：在偏远地区或牙医资源不足的地方提供初步筛查
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 整体架构
系统采用经典的图像分类CNN架构，主要包含以下模块：
code复制图像输入 → 预处理 → 特征提取 → 分类器 → 健康状态输出
具体技术选型：
- 框架：PyTorch 1.8 + OpenCV 4.5
- 基础模型：ResNet34预训练模型
- 硬件要求：NVIDIA GPU（GTX 1060及以上）
2.2 数据准备
2.2.1 数据收集
使用公开数据集和合作医院提供的临床数据：
- 北京大学口腔医院儿童牙科数据集（含2000张标注图像）
- FDI标准牙位图库（1500张）
- 数据增强后总量达到12,800张
重要提示：临床数据使用需通过伦理审查，患者隐私信息必须脱敏处理
2.2.2 标注规范
采用三级标注标准：
- 健康牙齿：无任何可见结构异常
- 早期龋齿：仅牙釉质受累（白垩色改变）
- 进展期龋齿：牙本质暴露或明显龋洞
2.3 模型构建
2.3.1 网络结构改进
在ResNet34基础上进行以下优化：
python复制class DentalCNN(nn.Module):
def __init__(self):