牙颌三维数字模型的分割方法技术

本申请的一方面提供了一种计算机执行的牙颌三维数字模型的分割方法，包括：获取第一牙颌三维数字模型；基于所述第一牙颌三维数字模型产生图，它包括节点、节点初始特征以及邻接点，其中，所述节点是所述第一三维数字模型的面片的中心点；利用经训练的图神经网络，基于所述图，产生粗预测结果以及偏移向量，所述图神经网络包括特征提取子网络、粗预测子网络以及偏移子网络，所述特征提取子网络基于所述图产生节点特征矩阵，所述粗预测子网络基于所述节点特征矩阵产生所述粗预测结果，所述偏移子网络基于所述节点特征矩阵产生所述偏移向量；基于所述偏移向量，对所述粗预测结果中属于牙齿的节点进行聚类操作；以及基于所述粗预测结果和聚类结果进行加权计算，得到第一分割结果。结果。结果。

【技术实现步骤摘要】
牙颌三维数字模型的分割方法


[0001]本申请总体上涉及牙颌三维数字模型的分割方法，尤其是涉及利用人工神经网络对牙颌三维数字模型进行分割的方法。

技术介绍

[0002]如今，牙科治疗越来越多地借助计算机技术，在很多情况下需要对扫描获得的包括牙列与至少部分牙龈的牙颌的三维数字模型进行分割，把各牙齿的牙冠部分分割开，包括牙冠与牙龈之间以及相邻牙冠之间的分割。
[0003]由于通过计算机用户界面手工分割牙颌三维数字模型效率低下，目前已经出现多种计算机自动分割牙颌三维数字模型的方法，然而，在牙体缺失或缺损、牙列拥挤、严重错颌畸形等情况下，这些方法无法精确快速分割牙齿。
[0004]因此，有必要提供一种新的牙颌三维数字模型的分割方法。

技术实现思路

[0005]本申请的一方面提供了一种计算机执行的牙颌三维数字模型的分割方法，包括：获取第一牙颌三维数字模型；基于所述第一牙颌三维数字模型产生图，它包括节点、节点初始特征以及邻接点，其中，所述节点是所述第一三维数字模型的面片的中心点；利用经训练的图神经网络，基于所述图，产生粗预测结果以及偏移向量，所述图神经网络包括特征提取子网络、粗预测子网络以及偏移子网络，所述特征提取子网络基于所述图产生节点特征矩阵，所述粗预测子网络基于所述节点特征矩阵产生所述粗预测结果，所述偏移子网络基于所述节点特征矩阵产生所述偏移向量；基于所述偏移向量，对所述粗预测结果中属于牙齿的节点进行聚类操作；以及基于所述粗预测结果和聚类结果进行加权计算，得到第一分割结果。
[0006]在一些实施方式中，所述节点初始特征包括节点坐标、面片法向以及节点至面片各顶点的向量。
[0007]在一些实施方式中，所述邻接点是利用k近邻算法针对每一所述节点计算得到的与其相邻的节点。
[0008]在一些实施方式中，所述特征提取子网络是动态图卷积神经网络。
[0009]在一些实施方式中，所述粗预测子网络是基于卷积的神经网络。
[0010]在一些实施方式中，所述粗预测子网络采用EdgeConv卷积操作。
[0011]在一些实施方式中，所述偏移子网络是基于共享的全连接层的回归神经网络。
[0012]在一些实施方式中，所述粗预测子网络是基于所述节点特征矩阵和所述偏移子网络产生的偏移向量产生所述粗预测结果。
[0013]在一些实施方式中，所述聚类操作采用基于密度聚类的算法。
[0014]在一些实施方式中，所述的牙颌三维数字模型的分割方法还可以包括：基于所述粗预测结果和聚类结果进行加权计算，得到第二分割结果；以及利用所述第二分割结果构
建马尔可夫随机场，并利用图割算法得到所述第一分割结果。
[0015]在一些实施方式中，所述的牙颌三维数字模型的分割方法还可以包括：获取第二牙颌三维数字模型；对所述第二牙颌三维数字模型进行简化，得到所述第一牙颌三维数字模型；以及将所述第一分割结果映射回所述第二牙颌三维数字模型，得到第三分割结果。
[0016]在一些实施方式中，所述的牙颌三维数字模型的分割方法还可以包括：采用模糊聚类算法和最短路径算法对所述第三分割结果进行优化和平滑。
[0017]在一些实施方式中，所述模糊聚类算法考虑面片面积。
附图说明
[0018]以下将结合附图及其详细描述对本申请的上述及其他特征作进一步说明。应当理解的是，这些附图仅示出了根据本申请的若干示例性的实施方式，因此不应被视为是对本申请保护范围的限制。除非特别指出，附图不必是成比例的，并且其中类似的标号表示类似的部件。
[0019]图1为本申请一个实施例中的牙颌三维数字模型分割方法的示意性流程图；
[0020]图2示意性地展示了本申请一个实施例中的图神经网络的结构；
[0021]图3示意性地展示了本申请一个实施例中特征提取子网络的结构；
[0022]图4A展示了本申请一个例子中聚类之前的节点分布；以及
[0023]图4B展示了图4A所示节点在聚类后的分布。
具体实施方式
[0024]以下的详细描述中引用了构成本说明书一部分的附图。说明书和附图所提及的示意性实施方式仅仅出于是说明性之目的，并非意图限制本申请的保护范围。在本申请的启示下，本领域技术人员能够理解，可以采用许多其他的实施方式，并且可以对所描述实施方式做出各种改变，而不背离本申请的主旨和保护范围。应当理解的是，在此说明并图示的本申请的各个方面可以按照很多不同的配置来布置、替换、组合、分离和设计，这些不同配置都在本申请的保护范围之内。
[0025]本申请的一方面提供了一种计算机执行的牙颌三维数字模型的分割方法，
[0026]请参图1，为本申请一个实施例中的牙颌三维数字模型分割方法100的示意性流程图。
[0027]在101中，获取牙颌的三维数字模型。
[0028]在一些实施方式中，可以直接扫描患者的牙颌，获取牙颌三维数字模型。在又一些实施方式中，可以扫描患者牙颌的实体模型，比如石膏模型，获取牙颌三维数字模型。在又一些实施方式中，可以扫描患者牙颌的咬模，获取牙颌三维数字模型。
[0029]在一个实施例中，可以基于三角网格构建牙颌三维数字模型，下面以此类牙颌三维数字模型为例进行说明。
[0030]在103中，简化牙颌三维数字模型。
[0031]在一个实施例中，可以对101中获得的牙颌三维数字模型进行简化，以减少后续计算的内存占用量。
[0032]在一个实施例中，可以采用基于二次误差度量(Quadric Error Metrics)的算法
简化牙颌三维数字模型。
[0033]在一个实施例中，可以预先设定简化后牙颌三维数字模型的面片数量N，例如，可以预先设定N＝10000。可以理解，简化后面片的数量N可以不预先固定，例如，可以根据预先设定的面片密度或比例进行简化。
[0034]简化操作后得到经简化的牙颌三维数字模型。简化操作为业界习知技术，此处不再对其进行详细说明。
[0035]在105中，基于经简化的牙颌三维数字模型的面片产生图。
[0036]在一个实施例中，可以基于经简化的牙颌三维数字模型的面片产生图，作为图神经网络(Graph Neural Network)的输入。在一个实施例中，该图包括节点、节点初始特征以及边。
[0037]每个面片的中心点作为一个节点，每一节点的坐标为对应面片的三维中心坐标，节点集合可以表示为P＝{c1,...,c
N
}∈R
N
×3，其中，N代表经简化的牙颌三维数字模型的面片数量，c1代表索引为1的面片的三维中心坐标(即该面片对应的节点坐标)。
[0038]节点的初始特征可以包括面片的中心坐标(3维向量)、法向(3维向量)以及面片中心至每个面片顶点的向量(9维向量)，即每一节点的初始特征为15维向量。因此，节点集合的初始特征可以表示为X∈R
N
×
15
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机执行的牙颌三维数字模型的分割方法，包括：获取第一牙颌三维数字模型；基于所述第一牙颌三维数字模型产生图，它包括节点、节点初始特征以及邻接点，其中，所述节点是所述第一三维数字模型的面片的中心点；利用经训练的图神经网络，基于所述图，产生粗预测结果以及偏移向量，所述图神经网络包括特征提取子网络、粗预测子网络以及偏移子网络，所述特征提取子网络基于所述图产生节点特征矩阵，所述粗预测子网络基于所述节点特征矩阵产生所述粗预测结果，所述偏移子网络基于所述节点特征矩阵产生所述偏移向量；基于所述偏移向量，对所述粗预测结果中属于牙齿的节点进行聚类操作；以及基于所述粗预测结果和聚类结果进行加权计算，得到第一分割结果。2.如权利要求1所述计算机执行的牙颌三维数字模型的分割方法，其特征在于，所述节点初始特征包括节点坐标、面片法向以及节点至面片各顶点的向量。3.如权利要求1所述计算机执行的牙颌三维数字模型的分割方法，其特征在于，所述邻接点是利用k近邻算法针对每一所述节点计算得到的与其相邻的节点。4.如权利要求1所述计算机执行的牙颌三维数字模型的分割方法，其特征在于，所述特征提取子网络是动态图卷积神经网络。5.如权利要求1所述计算机执行的牙颌三维数字模型的分割方法，其特征在于，所述粗预测子网络是基于卷积的神经网络。6.如权利要求5所述计算机执行的牙颌三维数字模型...

【专利技术属性】
技术研发人员：沈恺迪，
申请(专利权)人：杭州朝厚信息科技有限公司，
类型：发明
国别省市：