产生表示处于目标牙齿布局的牙列的三维数字模型的方法技术

本申请的一方面提供了一种计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其包括：获取表示处于初始牙齿布局的第一牙列的第一三维数字模型；基于所述第一三维数字模型产生第一点云；利用经训练的深度学习神经网络：对所述第一点云进行特征提取，以将所述第一三维数字模型映射到隐空间，获得所述第一三维数字模型在隐空间的第一编码；基于所述第一编码产生表示处于目标牙齿布局的所述第一牙列的第二三维数字模型在隐空间的第二编码；以及基于所述第一编码和第二编码求解所述第一牙列从初始牙齿布局到目标牙齿布局各牙齿的平移和旋转量；以及基于所述第一三维数字模型和求解获得的平移和旋转量产生所述第二三维数字模型。述第二三维数字模型。述第二三维数字模型。

【技术实现步骤摘要】
产生表示处于目标牙齿布局的牙列的三维数字模型的方法


[0001]本申请总体上涉及利用深度学习神经网络基于隐空间编码变换的产生表示处于目标牙齿布局的牙列的三维数字模型的方法。

技术介绍

[0002]随着计算机技术的飞速发展，牙科诊疗越来越多地借助计算机技术。例如，在利用壳状牙齿矫治器的正畸治疗中，通常是基于表示处于初始牙齿布局的牙列的三维数字模型产生表示处于目标牙齿布局的所述牙列的三维数字模型，然后，基于两者产生表示处于若干逐次的中间牙齿布局的所述牙列的三维数字模型，最后，基于这些三维数字模型制作一系列逐次的壳状牙齿矫治器。当前，主要是通过人工手动移动表示处于初始牙齿布局的牙列的三维数字模型的各牙齿来获得表示处于目标牙齿布局的牙列的三维数字模型。一方面，这种方法效率较低，成本较高，另一方面，其结果比较依赖操作者的专业技能。
[0003]鉴于以上，有必要提供一种计算机自动执行的产生表示处于目标牙齿布局的牙列的三维数字模型的方法。

技术实现思路

[0004]本申请的一方面提供了一种计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其包括：获取表示处于初始牙齿布局的第一牙列的第一三维数字模型；基于所述第一三维数字模型产生第一点云；利用经训练的深度学习神经网络：对所述第一点云进行特征提取，以将所述第一三维数字模型映射到隐空间，获得所述第一三维数字模型在隐空间的第一编码；基于所述第一编码产生表示处于目标牙齿布局的所述第一牙列的第二三维数字模型在隐空间的第二编码；以及基于所述第一编码和第二编码求解所述第一牙列从初始牙齿布局到目标牙齿布局各牙齿的平移和旋转量；以及基于所述第一三维数字模型和求解获得的平移和旋转量产生所述第二三维数字模型。
[0005]在一些实施方式中，目标牙齿布局是正畸治疗期望达成的牙齿布局。
[0006]在一些实施方式中，所述第一点云中每颗牙齿的点云点数量相同。
[0007]在一些实施方式中，对所述第一点云提取的特征包括各牙齿的局部形状特征和全局特征。
[0008]在一些实施方式中，所述深度学习神经网络包括第一特征提取模块，用于对所述第一点云进行特征提取，所述的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法还包括所述第一特征提取模块：对所述第一点云的单颗牙齿的点云进行邻域卷积，以提取单颗牙齿的局部形状特征；对所述第一点云整个进行逐点卷积；基于所述局部形状特征和所述逐点卷积的结果，利用第一基于注意力机制的特征提取模块提取全局特征；以及基于所述第一基于注意力机制的特征提取模块的输出，利用多层的第二基于注意力机制的特征提取模块获得所述第一编码。
[0009]在一些实施方式中，所述逐点卷积是采用PointConv网络进行。
[0010]在一些实施方式中，所述第一和第二基于注意力机制的特征提取模块是Transformer。
[0011]在一些实施方式中，所述深度学习神经网络包括第一子网络和第二子网络，所述第一子网络包括第一特征提取模块、特征变换模块以及第一特征变换求解模块，其中，所述第一特征提取模块基于所述第一点云产生所述第一编码，所述特征变换模块基于所述第一编码产生所述第二编码，所述第一特征变换求解模块基于所述第一编码和第二编码产生所述平移和旋转量，所述第二子网络用于训练所述深度学习神经网络，训练所述深度学习神经网络时，分别向所述第一子网络和第二子网络输入表示处于初始牙齿布局和目标牙齿布局的同一牙列的三维数字模型的点云，所述第二子网络包括第二特征提取模块和第二特征变换求解模块，所述第二特征提取模块用于将所述表示处于目标牙齿布局的牙列的三维数字模型映射到隐空间，所述第二特征变换求解模块基于所述第一特征提取模块以及所述第二特征提取模块的输出求解各牙齿的平移和旋转量，所述第一和第二特征提取模块结构相同且共享参数，所述第一和第二特征变换求解模块结构相同且共享参数。
[0012]在一些实施方式中，所述特征变换模块是逐点卷积网络，所述第一和第二特征变换求解模块是多层逐点卷积网络。
[0013]在一些实施方式中，所述第一点云是通过对所述第一三维数字模型进行采样而获得。
附图说明
[0014]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。
[0015]图1为本申请一个实施例中的利用深度学习神经网络基于隐空间编码变换产生表示目标牙齿布局的三维数字模型的方法的示意性流程图；
[0016]图2示意性地展示了本申请一个实施例中的深度学习神经网络的结构；
[0017]图3示意性地展示了图2所示深度学习神经网络的特征提取模块的结构；
[0018]图4A展示了本申请一个例子中表示处于初始牙齿布局的牙列的三维数字模型；以及
[0019]图4B展示了利用本申请的方法基于图4A所示的三维数字模型产生的表示处于目标牙齿布局的所述牙列的三维数字模型。
具体实施方式
[0020]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。
[0021]本申请的一方面提供了一种计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法。一个牙列可以是单个牙颌的所有牙齿，例如，上颌或下颌的所有牙齿。
[0022]在一个实施例中，目标牙齿布局是指牙齿正畸治疗期望达到的牙齿布局，可以理解，对于不同牙列，可以有不同的目标牙齿布局，即使对于同一牙列，不同的技师或系统所给出的目标牙齿布局之间也可能存在些微差别。
[0023]请参图1，为本申请一个实施例中的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法100的示意性流程图。
[0024]在101中，获取表示处于初始牙齿布局的第一牙列的第一三维数字模型。
[0025]在一个实施例中，初始牙齿布局可以是进行正畸治疗之前患者的牙齿布局；在又一实施例中，初始牙齿布局也可以是正畸治疗过程中任何时刻患者的当前牙齿布局。
[0026]所述第一三维数字是经分割的三维数字模型(即牙齿之间相互独立)，可以独立地对各牙齿进行移动。
[0027]在一个实施例中，可以通过直接扫描患者的牙颌，以获取表示初始牙齿布局的三维数字模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其包括：获取表示处于初始牙齿布局的第一牙列的第一三维数字模型；基于所述第一三维数字模型产生第一点云；利用经训练的深度学习神经网络：对所述第一点云进行特征提取，以将所述第一三维数字模型映射到隐空间，获得所述第一三维数字模型在隐空间的第一编码；基于所述第一编码产生表示处于目标牙齿布局的所述第一牙列的第二三维数字模型在隐空间的第二编码；以及基于所述第一编码和第二编码求解所述第一牙列从初始牙齿布局到目标牙齿布局各牙齿的平移和旋转量；以及基于所述第一三维数字模型和求解获得的平移和旋转量产生所述第二三维数字模型。2.如权利要求1所述的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其特征在于，目标牙齿布局是正畸治疗期望达成的牙齿布局。3.如权利要求1所述的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其特征在于，所述第一点云中每颗牙齿的点云点数量相同。4.如权利要求1所述的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其特征在于，对所述第一点云提取的特征包括各牙齿的局部形状特征和全局特征。5.如权利要求4所述的计算机执行的利用深度学习神经网络基于隐空间编码变换产生表示处于目标牙齿布局的牙列的三维数字模型的方法，其特征在于，所述深度学习神经网络包括第一特征提取模块，用于对所述第一点云进行特征提取，所述方法还包括所述第一特征提取模块：对所述第一点云的单颗牙齿的点云进行邻域卷积，以提取单颗牙齿的局部形状特征；对所述第一点云整个进行逐点卷积；基于所述局部形状特征和所述逐点卷积的结果，利用第一基于注意力机制的特征提取模块提取全局特征；以及基于所述第一基于注意力机制的特征提取模块的输出，利用多层的第二基于注意力机制的特征提取模块获得所述第一编码。6.如权利要求5所述的计算机执...

【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：