一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置制造方法及图纸

本发明专利技术涉及三维重建技术领域，公开了一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置，获取待三维重建的口腔图像数据；所述口腔图像数据为二维图像；获取训练后的用于筛选感兴趣区域的卷积神经网络模型；将所述二维图像数据输入到所述卷积神经网络模型，得到感兴趣区域模板数据；根据所述模板数据识别的感兴趣区域对口腔数据进行三维重建。本发明专利技术通过识别口腔图像的感兴趣区域，去除非感兴趣区域，减少了点云计算、配准、数据融合、纹理映射的计算量，降低了点云配准难度，并降低了扫描难度减少手动裁剪工作量，提高了纹理映射效果。果。果。

【技术实现步骤摘要】
一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置


[0001]本专利技术涉及三维重建
，尤其涉及一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置。

技术介绍

[0002]三维重建是指根据单视图或者多视图的图像重建三维信息的过程其技术重点在于如何获取目标场景和物体的深度信息。按照测量方式的不同可以分为主动式三维重建和被动式三维重建，主动式三维重建可分为莫尔条纹法、三角测距法、飞行时间法、结构光法，被动式三维重建可分为纹理恢复形状法、阴影恢复形状法、立体视觉法。
[0003]三维重建技术是人们研究的热点，并且成为产品快速设计、建筑服装设计、文物保护、CAD\CAM(计算机辅助设计\计算机辅助制造)、自动导航、虚拟现实、口腔数字化、整形和美容等邻域的关键技术之一。口腔三维扫描技术是一种用于获取口腔颅颌面软、硬组织表面三维形貌的扫描测量技术。由于其安全、无接触、速度快等优势被应用在口腔医学的各个专业，如口腔颌面外科、种植科、修复科、口腔内科及正畸科。
[0004]卷积神经网络是机器学习技术的最新发展也是近几年学术研究的最大热门，它通过大量的数据训练具有很多隐含层的模型，实现复杂的学习任务。卷积神经网络相对传统机器学习方法在计算机视觉、自然语言处理中往往会有更加优异的表现。
[0005]现有技术中，目前三维重建方法是将采集到的二维图像数据全部转化维三维点云数据，没有对图像进行筛选，但是扫描到的二维图像信息并不全都是感兴趣区域(region of interest,ROI)；以口腔扫描为例，感兴趣区域为牙齿、牙龈、愈合基台扫描杆等，而舌头、嘴唇、医用口镜手套等都为非感兴趣区域，使用传统的图像处理方法如基于阈值、颜色空间转换、区域生长的方法很难区分获取二维图像中的感兴趣区域和非感兴趣区域。
[0006]因此，如何提供一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置，以区分获取二维图像中的感兴趣区域和非感兴趣区域成为亟待解决的技术问题。

技术实现思路

[0007]本专利技术要解决的技术问题在于如何提供一种基于卷积神经网络的口腔感兴趣区域三维重建方法及装置，以区分获取二维图像中的感兴趣区域和非感兴趣区域。
[0008]为此，根据第一方面，本专利技术实施例公开了一种基于卷积神经网络的口腔感兴趣区域三维重建方法，包括：获取待三维重建的口腔图像数据；所述口腔图像数据为二维图像；获取训练后的用于筛选感兴趣区域的卷积神经网络模型；将所述二维图像数据输入到所述卷积神经网络模型，得到感兴趣区域模板数据；根据所述模板数据识别的感兴趣区域对口腔数据进行三维重建。
[0009]本专利技术进一步设置为，所述获取训练后的用于筛选感兴趣区域的卷积神经网络模型包括：预采集临床口腔扫描图像数据；人工对所述临床口腔扫描图像数据中的感兴趣区
域进行区分；训练微调卷积神经网络模型，得到训练后的卷积神经网络模型。
[0010]本专利技术进一步设置为，所述口腔图像数据包括正畸、修复和种植图像数据。
[0011]本专利技术进一步设置为，所述将所述待三维重建的口腔图像数据输入所述卷积神经网络模型，得到三维重建模型包括：通过所述卷积神经网络对所述口腔图像数据的感兴趣区域进行识别；将所述口腔图像数据的感兴趣区域转化为三维数据，得到点云数据；对所述点云数据进行点云配准；对点云配准后的所述点云数据进行数据融合，得到网格化的三维数据；将所述口腔图像数据的二维图片的颜色信息映射至所述网格化的三维数据，得到三维重建模型。
[0012]根据第二方面，本专利技术实施例公开了一种基于卷积神经网络的口腔感兴趣区域三维重建装置，包括：图像获取模块，用于获取待三维重建的口腔图像数据；所述口腔图像数据为二维图像；模型获取模块，用于获取训练后的用于筛选感兴趣区域的卷积神经网络模型；三维重建模块，用于将所述待三维重建的口腔图像数据输入所述卷积神经网络模型，得到三维重建模型。
[0013]本专利技术进一步设置为，所述模型获取模块包括：采集单元，用于预采集临床口腔扫描图像数据；区分单元，用于人工对所述临床口腔扫描图像数据中的感兴趣区域进行区分；训练单元，用于训练微调卷积神经网络模型，得到训练后的卷积神经网络模型。
[0014]本专利技术进一步设置为，所述三维重建模块包括：感兴趣区域识别单元，用于通过所述卷积神经网络对所述口腔图像数据的感兴趣区域进行识别；点云计算单元，用于将所述口腔图像数据的感兴趣区域转化为三维数据，得到点云数据；点云配准单元，用于对所述点云数据进行点云配准；数据融合单元，用于对点云配准后的所述点云数据进行数据融合，得到网格化的三维数据；纹理映射单元，用于将所述口腔图像数据的二维图片的颜色信息映射至所述网格化的三维数据，得到三维重建模型。
[0015]根据第三方面，本专利技术实施例公开了一种计算机装置，包括处理器，处理器用于执行存储器中存储的计算机程序实现上述第一方面任一项的基于卷积神经网络的口腔感兴趣区域三维重建方法。
[0016]根据第四方面，本专利技术实施例公开了一种计算机可读存储介质，其上存储有计算机程序，处理器用于执行存储介质中存储的计算机程序实现上述第一方面任一项的基于卷积神经网络的口腔感兴趣区域三维重建方法。
[0017]本专利技术具有以下有益效果：本专利技术实施例公开的获取待三维重建的口腔图像数据；获取训练后的用于筛选感兴趣区域的卷积神经网络模型；将所述二维图像数据输入到上述卷积神经网络模型，得到感兴趣区域模板数据；根据所述模板数据识别的感兴趣区域对口腔数据进行三维重建。与现有技术相比，本专利技术通过识别口腔图像的感兴趣区域，去除非感兴趣区域，减少了点云计算、配准、数据融合、纹理映射的计算量，降低了点云配准难度，并降低了扫描难度减少手动裁剪工作量，提高了纹理映射效果。
附图说明
[0018]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前
提下，还可以根据这些附图获得其他的附图。
[0019]图1是本实施例公开的一种基于卷积神经网络的口腔感兴趣区域三维重建方法的流程图；
[0020]图2是本实施例公开的一种基于卷积神经网络的口腔感兴趣区域三维重建装置的结构示意图。
具体实施方式
[0021]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0022]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的口腔感兴趣区域三维重建方法，其特征在于，包括：获取待三维重建的口腔图像数据；所述口腔图像数据为二维图像；获取训练后的用于筛选感兴趣区域的卷积神经网络模型；将所述二维图像数据输入到上述卷积神经网络模型，得到感兴趣区域模板数据；根据所述模板数据识别的感兴趣区域对口腔数据进行三维重建。2.根据权利要求1所述的基于卷积神经网络的口腔感兴趣区域三维重建方法，其特征在于，所述获取训练后的用于筛选感兴趣区域的卷积神经网络模型包括：预采集临床口腔扫描图像数据；人工对所述临床口腔扫描图像数据中的感兴趣区域进行区分；训练微调卷积神经网络模型，得到训练后的卷积神经网络模型。3.根据权利要求1所述的基于卷积神经网络的口腔感兴趣区域三维重建方法，其特征在于，所述口腔图像数据包括正畸、修复和种植图像数据。4.根据权利要求1所述的基于卷积神经网络的口腔感兴趣区域三维重建方法，其特征在于，所述将所述待三维重建的口腔图像数据输入所述卷积神经网络模型，得到三维重建模型包括：将所述口腔图像数据的感兴趣区域转化为三维数据，得到点云数据；对所述点云数据进行点云配准；对点云配准后的所述点云数据进行数据融合，得到网格化的三维数据；将所述口腔图像数据的二维图片的颜色信息映射至所述网格化的三维数据，得到三维重建模型。5.一种基于卷积神经网络的口腔感兴趣区域三维重建装置，其特征在于，包括：图像获取模块，用于获取待三维重建的口腔图像数据；所述口腔图像数据为二维图像；模型获取模块，用于获取训练后的用于筛选感兴趣区域...

【专利技术属性】
技术研发人员：汪灵梦，曾祥军，吕广志，
申请(专利权)人：深圳市菲森科技有限公司，
类型：发明
国别省市：