使用深度学习对非欧式3D数据集的自动语义分割制造技术

本发明专利技术涉及一种用于对点云进行语义分割的计算机实现的方法，包括：接收点云，该点云包括表示3D空间中的向量的点，点表示预定对象，优选地是牙颌面结构的一部分，该牙颌面结构包括牙列，该牙列包括牙齿；使用非均匀重采样算法确定点云的一个或多个子集，该一个或多个子集中的每一个包括在点云的选定点的预定空间距离内排列的第一数量的点和在大于预定空间距离的空间距离处排列的第二数量的点，第一数量的点表示对象在选定点周围的一个或多个精细特征，而第二数量的点表示对象的一个或多个全局特征；将点的一个或多个子集中的每一个提供给深度神经网络DNN的输入，该深度神经网络被训练为根据与对象关联的多个类别对被提供给该DNN的输入的一个或多个子集中的每一个子集的点进行语义分割；以及对于提供给DNN的输入的子集的每个点，在DNN的输出处接收多元素向量，其中，向量的每个元素表示该点属于对象的多个类别中的一个的概率。的多个类别中的一个的概率。的多个类别中的一个的概率。

【技术实现步骤摘要】
【国外来华专利技术】使用深度学习对非欧式3D数据集的自动语义分割


[0001]本专利技术涉及使用深度学习对非欧式(non
‑
Euclidean)3D数据集进行自动语义分割，并且特别地但不排他地涉及使用深度学习对非欧式3D数据集进行语义分割的系统和方法、用于训练此类深度学习神经网络的方法、以及使用此类方法的计算机程序产品。

技术介绍

[0002]用于口外成像(例如，X射线全景、头影测量和锥形束计算机断层扫描)和口内成像(例如，激光或结构光投影扫描仪)的数字设备的出现一直是开发计算机辅助牙科治疗系统的驱动力，这些系统能够分析患者的不同图像数据(通常是3D图像数据)源并且能够从中提取有用的临床信息。此类系统可以支持一个或多个临床工作流程，例如用于种植和/或正畸的临床工作流程，以便系统能够确定牙科治疗计划或协助确定牙科治疗计划。3D CT扫描提供了非常有用的信息，但这些扫描的分辨率无法提供在关于牙列以及更一般地说关于患者的牙颌面结构的准确且详细的信息是必不可少的领域中最佳牙齿规划所需的准确性和细节。因此，在那种情况下，人们希望依赖更准确的数据源，例如由口本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于点云的语义分割的计算机实现的方法，包括：接收点云，所述点云包括由3D空间中的向量表示的点，所述点表示预定对象，优选地是牙颌面结构的部分，所述牙颌面结构包括牙列，所述牙列包括牙齿；使用非均匀重采样算法确定点云的一个或多个子集，所述一个或多个子集中的每一个子集包括在点云的选定点的预定空间距离内排列的第一数量的点和在大于所述预定空间距离的空间距离处排列的第二数量的点，所述第一数量的点表示对象在选定点周围的一个或多个精细特征，所述第二数量的点表示对象的一个或多个全局特征；将点的一个或多个子集中的每一个子集提供给深度神经网络DNN的输入，所述深度神经网络被训练为根据与对象关联的多个类别对提供给DNN的输入的所述一个或多个子集中的每一个子集的点进行语义分割；以及对于提供给DNN的输入的子集的每个点，在DNN的输出处接收多元素向量，其中，向量的每个元素表示该点属于对象的所述多个类别中的一个的概率。2.根据权利要求1所述的方法，其中，所述非均匀重采样算法包括：从所述点云中随机选择点；通过对点云中定位在距随机选择的点预定距离内的点进行采样来确定所述第一数量的点，并且通过对点云中定位在距随机选择的点大于所述预定距离的距离处的点进行采样来所述确定第二数量的点；将第一点和第二点组合成点的子集。3.根据权利要求1和2所述的方法，其中，所述预定空间距离是基于随机数确定的，优选地是基于蒙特卡罗技术确定的。4.根据权利要求1
‑
3中任一项所述的方法，其中，所述空间距离基于加权距离函数，优选地，所述加权距离函数是指数函数，更优选地，所述加权距离函数根据以下表达式限定径向基核K(RBK)：其中，参数σ是自由参数，能够用于控制核的带宽，x
i
是点i的位置，x
fovea
是随机选择的点的位置。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述DNN是基于包括一个或多个点云的训练集而训练的，所述一个或多个点云中的每一个点云表示预定对象，并且所述一个或多个点云中的每个点与目标标签相关联；优选地，DNN的训练包括：使用非均匀重采样算法确定所述一个或多个点云的子集，并通过最小化损失函数来训练DNN的参数，所述损失函数表示由DNN预测的标签与目标标签之间的偏差。6.根据权利要求5所述的方法，其中，所述损失函数是加权损失函数Lp，所述损失函数基于加权距离函数限定每个点的权重，优选地，所述加权距离函数基于指数函数，更优选地，所述加权距离函数根据以下表达式限定径向基核K(RBK)：其中，参数σ是自由参数，可以用于控制核的带宽，x
i
是点i的位置，x
fovea
是随机选择的
点的位置。7.根据权利要求1
‑
6中任一项所述的方法，其中，所述DNN是基于鉴别器网络训练的，其中，所述鉴别器网络被配置为区分目标标签和由DNN生成的标签；优选地，反馈模块将目标标签或由所述DNN生成的标签随机地提供给所述鉴别器网络的输入，并且作为响应，所述鉴别器网络生成鉴别器的输入是与目标标签相关联还是与由DNN生成的标签相关联的指示。8.根据权利要求1
‑
7中任一项所述的方法，其中，所述DNN包括一个或多个多层感知器MLP网络和/或pointCNN网络的一个或多个χ
‑
Conv算子层。9.一种用于训练深度神经网络DNN以对点云进行语义分割的计算机实现的方法，所述方法包括：计算机接收训练数据，所述训练数据包括一个或多个点云，所述一个或多个点云中的每一个点云表示预定对象，并且所述一个或多个点云中的每个点与目标标签相关联，优选地，所述预定对象是牙颌面结构的部分，所述牙颌面结构包括牙列，...

【专利技术属性】
技术研发人员：F，
申请(专利权)人：普罗马顿控股有限责任公司，
类型：发明
国别省市：