一种基于八叉树结构的3D牙齿分割方法技术

本发明专利技术公开了一种基于八叉树结构的3D牙齿分割方法。本发明专利技术包括三个阶段，分别是阶段一：样本数据采集及制作；阶段二：深度网络模型搭建及训练；阶段三：模型推断及后处理。本发明专利技术对已有的3D牙齿数据进行八叉树数据构造，再在深度卷积网络的基础上，构造类似Unet结构的八叉树卷积神经网络，最后再对模型结果进行图割算法后处理，达到3D牙齿分割和分类的目的。本发明专利技术可应用在3D牙齿标记领域，通过构造八叉树的数据方式进行牙齿自动化分割，达到减少人工交互时间的目的，以此提升设计师的工作效率。以此提升设计师的工作效率。以此提升设计师的工作效率。

【技术实现步骤摘要】
一种基于八叉树结构的3D牙齿分割方法


[0001]本专利技术属于3D牙齿标记领域。提供一种基于八叉树结构的3D牙齿分割方法。本专利技术在八叉树的数据结构基础上，构造深度神经网络，并结合图割算法对3D牙齿数据进行分割，应用于3D牙齿标记领域。

技术介绍

[0002]近年来，随着计算机技术的发展和三维(3D)扫描设备的改进，计算机辅助设计(CAD)系统出现在越来越多的领域。它使用计算机和图形设备帮助设计师有效地完成费力和重复的任务。目前，正畸CAD系统在现代牙科领域发挥着重要的作用。首先使用3D扫描设备采集3D牙齿模型数据作为输入，然后辅助牙医对牙齿模型进行处理，以模拟治疗效果，大大减轻牙医的负担。
[0003]牙齿分割是正畸CAD系统的关键部分。目前，已经提出了许多牙齿分割方法，但全自动分割仍然是一个难题。虽然人的牙齿有一些基本的几何特征，但不同的人的牙齿是不同的，特别是患者的牙齿，往往有严重的畸形，甚至蛀牙、牙齿脱落等情况。这些条件导致传统的基于几何特征的分割方法缺乏鲁棒性，通过设置一些固定的参数难以达到自动精确分割的目的。根据先验的齿形知识，在齿的边界处存在明显的负曲率特征。然而，牙齿和牙龈的表面也有负曲率特性，会形成噪音，造成严重干扰。而近些年来在计算机视觉和计算机图形学领域，已经提出了几个具有开创性的深度神经网络(如PointNet和MeshSnet)，以端到端的方式有效地分割3D形状。然而，此类方法目前也存在如下几个问题：1、前者网络忽略了局部几何上下文，而有效地进行局部结构建模已被证明是深度神经网络在细粒度分割任务中成功的关键；2、后者网络虽然考虑了用网格单元代替点作为输入，增加了局部结构信息，但其因为计算过于复杂，信息冗余度高，面对高精度3D数据时候，往往得不到最优的分割结果。

技术实现思路

[0004]本专利技术的目的是针对现有技术的不足，提供一种基于八叉树结构的3D牙齿分割方法。
[0005]本专利技术包括三个阶段，具体实现如下：
[0006]阶段一：样本数据采集及制作；
[0007]阶段二：深度网络模型搭建及训练；
[0008]阶段三：模型推断及后处理；
[0009]进一步的，阶段一样本数据采集及制作主要步骤如下
[0010]1.1采集内部口扫牙齿数据，获得共245个3D牙齿样本；对牙齿数据进行简化后，使得每个牙齿数据由1万个面片组成；
[0011]1.2由于3D牙齿样本个数有限，故进行了数据增广：
[0012](1)用CAD辅助软件，对原牙齿数据进行拔除或者偏移操作；
[0013](2)随机绕XYZ轴进行旋转操作；
[0014](3)随机对原数据进行上下左右平移操作；
[0015](4)随机对原数据进行放大或缩小操作；
[0016]所述的原数据是指245个3D牙齿样本。
[0017]1.3对得到的原数据和增广后的数据进行面片标注，并通过相关软件可视化标注结果，人工排查误标注，达到清洗数据的目的。
[0018]1.4对已经标注好的数据进行八叉树结构转换，树的深度为8，并转换成支持深度网络读取的数据格式。
[0019]二、阶段二深度网络模型搭建及训练步骤如下
[0020]2.1构建深度网络模型
[0021]本专利技术深度网络模型如下：
[0022][0023][0024]参数说明：Input(octree)是制作好后的八叉树结构数据；Conv
‑
1、Conv
‑
2、Conv
‑
3、Conv
‑
4、Conv
‑
5和Conv
‑
6是卷积结构，卷积结构包括卷积层、正则化层和激活层，见图2；Deconv
‑
2、Deconv
‑
3、Deconv
‑
4、Deconv
‑
5、Deconv
‑
6、Deconv
‑
7和Deconv
‑
8是反卷积结构；反卷积结构包括反卷积层、正则化层和激活层组成见图2；Pool
‑
1、Pool
‑
2、Pool
‑
3、Pool
‑
4、Pool
‑
5和Pool
‑
6是池化层；Unpool
‑
1、Unpool
‑
2、Unpool
‑
3、Unpool
‑
4、Unpool
‑
5和Unpool
‑
6是反池化层；Fc是全连接层，共17类输出，包含背景和16类牙齿类别。这里的卷积层、池化层和反池化层都是特殊的层，由文献[1]提出，这些层可以处理八叉树结构的数据，从而达到最初卷积、池化和反池化的效果。
[0025]2.2训练深度网络模型
[0026]训练深度网络模型时，为保证训练的效率和稳定性每次训练都随机提供一小批样本，这里每批次样本数设置为20个八叉树结构的牙齿数据，总共设置迭代5万次，目标损失函数采用交叉熵损失函数，计算公式如下：
[0027][0028]公式说明：M是类别数，N是每批次训练的样本数，y
ic
是指示变量(0或1)，p
ic
是对于观测样本i属于类别c预测概率。整个项目训练完5万次迭代，保留的模型是验证集上损失最低且准确率最高的模型。
[0029]2.3优化网络模型
[0030]采用SGD
‑
M算法对深度网络模型进行优化，即带有动量的随机梯度下降方法，其算法公式如下：
[0031]m
t
＝γm
t
‑1+ηg
t
[0032]其中，η是初始学习率，g
t
是当前梯度，γ是动量项。在本次训练过程中，η设置为0.1，γ设置为了0.9；m
t
表示当前t时刻的能量值。
[0033]本专利技术在优化卷积网络过程中为防止过拟合在最后全连接层加入了dropout，随机保留八叉树结构中50％的叶子节点，此外设置学习策略为step策略，每迭代训练1万步，降低学习率到之前的0.1。
[0034]三、模型推断及后处理主要步骤如下
[0035]通过阶段二得到优化后的深度网络模型。在实际模型推断的时候，得到八叉树叶子节点的真实标签的索引数据及其对应类别的概率数据。但是因为在构造八叉树时，选取的树的深度为8，其并不能完整包含所有的面片信息，故最后结果再应用图割算法[2]，最终
结果如图3。
[0036]本专利技术有益效果如下：
[0037]本专利技术可应用在3D牙齿标记领域，通过构造八叉树的数据方式进行牙齿自动化分割，达到减少人工交互时间的目的，以此提升设计师的工作效率。
附图说明
[0038]图1为本专利技术训练及测试的流程；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于八叉树结构的3D牙齿分割方法，其特征在于包括三个阶段，具体实现如下：阶段一：样本数据采集及制作；阶段二：深度网络模型搭建及训练；阶段三：模型推断及后处理。2.根据权利要求1所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于阶段一样本数据采集及制作的具体步骤实现如下：1.1采集内部口扫牙齿数据，获得共245个3D牙齿样本；对牙齿数据进行简化后，使得每个牙齿数据由1万个面片组成；1.2由于3D牙齿样本个数有限，故进行了数据增广：(1)用CAD辅助软件，对原牙齿数据进行拔除或者偏移操作；(2)随机绕XYZ轴进行旋转操作；(3)随机对原数据进行上下左右平移操作；(4)随机对原数据进行放大或缩小操作；所述的原数据是指245个3D牙齿样本；1.3对得到的原数据和增广后的数据进行面片标注，并通过相关软件可视化标注结果，人工排查误标注，达到清洗数据的目的；1.4对已经标注好的数据进行八叉树结构转换，树的深度为8，并转换成支持深度网络读取的数据格式。3.根据权利要求2所述的一种基于八叉树结构的3D牙齿分割方法，其特征在于阶段二深度网络模型搭建及训练的具体步骤实现如下：2.1构建深度网络模型构建的深度网络模型如下：
参数说明：Input(octree)是制作好后的八叉树结构数据；Conv
‑
1、Conv
‑
2、Conv
‑
3、Conv
‑
4、Conv
‑
5和Conv
‑
6是卷积结构，卷积结构包括卷积层、正则化层和激活层；Deconv
‑
2、Deconv
‑
3、Deconv
‑
4、Deconv
‑
5、Deconv
‑
6、Deconv
‑
7和Deconv
‑
8是反卷积结构；反卷积结构包括反卷积层、正则化层和激活层组成见图2；Pool
‑
1、Pool
‑
2、Pool
‑
3、Pool
‑
4、Pool
‑
5和Pool...

【专利技术属性】
技术研发人员：戴兆辉，韦虎，陈涛，
申请(专利权)人：杭州隐捷适生物科技有限公司，
类型：发明
国别省市：